本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

# 数据工程原则
<a name="data-engineering-principles"></a>

我们建议您在为现代数据管线构建架构时，采用下表中的原则。


|  |  |  | 
| --- |--- |--- |
| **原则** | **示例**： | **使用案例** | 
| 弹性 | 使用微服务 | [FastGo 凭借 AWS 上的微服务架构，享有灵活性和可扩展性](https://aws.amazon.com/solutions/case-studies/fastgo/)（AWS 案例研究） | 
| 可重复性 | 使用基础设施即代码（IaC）部署您的服务 | [第 3 部分：NatWest Group 如何使用 Amazon SageMaker 构建可审计、可重现和可解释的机器学习模型](https://aws.amazon.com/blogs/machine-learning/part-3-how-natwest-group-built-auditable-reproducible-and-explainable-ml-models-with-amazon-sagemaker/)（AWS 机器学习博客） | 
| 可重复使用性 | 以共享方式使用库和参考文献 | [使用新的“数据集即源”功能在 Amazon QuickSight 中创建和重复使用受监管的数据集](https://aws.amazon.com/blogs/big-data/create-and-reuse-governed-datasets-in-amazon-quicksight-with-new-dataset-as-a-source-feature/)（AWS 大数据博客） | 
| 可扩展性 | 选择服务配置以适应任何数据负载 | [在 AWS 云上设计数据湖以实现增长和扩展](https://docs.aws.amazon.com/prescriptive-guidance/latest/data-lake-for-growth-scale/welcome.html)（AWS 规范指引） | 
| 可审计性 | 使用日志、版本和依赖关系保留审计跟踪记录 | [Parametric 如何使用 AWS 数据湖架构构建审计监控](https://aws.amazon.com/blogs/architecture/how-parametric-built-audit-surveillance-using-aws-data-lake-architecture/)（AWS 架构博客） |