您需要一个管道将时间序列事务数据复制到 BigQuery 进行分析。数据集初始大小为 1.5 PB，每天增长 3 TB；每小时有数千个事务更新其新状态。数据结构严谨，用于机器学习。为了最大限度地提高性能和可用性，您会采用哪两种策略？

对于 BigQuery，非规范化数据可以显著提高查询性能，因为它减少了连接操作的需要，这在处理大规模数据集时尤其重要。BigQuery 内部使用列式存储，非规范化数据能更好地利用这一特性。将状态更新作为新记录附加到 BigQuery 而不是执行 UPDATE 操作，是处理时间序列数据和频繁更新的推荐模式。BigQuery 针对追加操作进行了优化，而 UPDATE 操作（尤其是对大型表）效率较低且成本更高，因为它涉及重写数据。保留数据结构（即保持规范化）会增加查询复杂性和开销。使用 BigQuery UPDATE 减少数据集大小与 BigQuery 的最佳实践相悖。将每日快照存储在 Cloud Storage 并作为外部表查询会引入额外的延迟和性能开销，不适合需要高性能和高可用性的场景。