Kapacitetsplanlægning i en integreret Power BI-analyse
Det kan være kompliceret at beregne den type kapacitet, du har brug for til en udrulning af en integreret Power BI-analyse. Den kapacitet, du har brug for, afhænger af flere parametre, hvoraf nogle er svære at forudsige.
Nogle af de ting, du skal overveje, når du planlægger din kapacitet, er:
- De datamodeller, du bruger.
- Antallet og kompleksiteten af påkrævede forespørgsler.
- Distribution pr. time af dit programforbrug.
- Opdateringshastigheder for data.
- Andre forbrugsmønstre, der er svære at forudsige.
Bemærk
I denne artikel forklares det, hvordan du planlægger, hvilken kapacitet du har brug for, og hvordan du udfører en vurdering af belastningstest for A-SKU'er til integreret analyse i Power BI.
Når du planlægger din kapacitet, skal du udføre følgende trin:
- Optimer din ydeevne og dit ressourceforbrug.
- Bestem din mindste SKU.
- Vurder din kapacitetsbelastning.
- Konfigurer automatisk skalering af din kapacitet.
Optimer din ydeevne og dit ressourceforbrug
Før du starter en vurdering af kapacitetsplanlægning eller belastningstest, skal du optimere ydeevnen og ressourceforbruget (især hukommelsesfodaftrykket) for dine rapporter og semantiske modeller.
Hvis du vil optimere din ydeevne, skal du følge retningslinjerne i følgende ressourcer:
- Optimeringsvejledning til Power BI
- Bedste fremgangsmåder til hurtigere ydeevne i en integreret Power BI-analyse
Du kan finde et detaljeret selvstudium om optimering af ydeevnen i modulet Optimer en model til ydeevne i Power BI-oplæring .
Bestem din mindste SKU
I følgende tabel opsummeres alle de begrænsninger, der er afhængige af kapacitetens størrelse. Hvis du vil bestemme minimum-SKU'en for din kapacitet, skal du kontrollere kolonnen Maks. hukommelse (GB) under overskriften semantisk model . Husk også de aktuelle begrænsninger.
SKU | Kapacitetsenheder (CU) | Power BI-SKU | Power BI v-kerner |
---|---|---|---|
F2 | 2 | I/R | I/T |
F4 | 4 | I/R | I/T |
F8 | 8 | EM1/A1 | 0 |
F16 | 16 | EM2/A2 | 2 |
F32 | 32 | EM3/A3 | 4 |
F64 | 64 | P1/A4 | 8 |
F128 | 128 | P2/A5 | 16 |
F256 | 256 | P3/A6 | 32 |
F5121 | 512 | P4/A7 | 64 |
F10241 | 1,024 | P5/A8 | 128 |
F20481 | 2,048 | I/R | I/T |
1 Disse SKU'er er ikke tilgængelige i alle områder. Hvis du vil anmode om at bruge disse SKU'er i områder, hvor de ikke er tilgængelige, skal du kontakte din Microsoft-kontoadministrator.
Vurder din kapacitetsbelastning
Sådan tester eller vurderer du din kapacitetsbelastning:
Opret en Premium Power BI Embedded-kapacitet i Azure til testen. Brug et abonnement, der er knyttet til den samme Microsoft Entra-lejer som din Power BI-lejer, og en brugerkonto, der er logget på den samme lejer.
Tildel det arbejdsområde (eller de arbejdsområder), du vil bruge til at teste, til den Premium-kapacitet, du har oprettet. Du kan tildele et arbejdsområde på en af følgende måder:
- Programmatisk med API'en Groups AssignToCapacity. Kontrollér tildelingsstatus med API'en Groups CapacityAssignmentStatus eller via et PowerShell-script. Du kan finde
AssignWorkspacesToCapacity
eksempelkode i funktionen i eksemplet Zero-Downtime-Capacity-Scale på GitHub. - Manuelt som administrator af arbejdsområdet eller via Administration portalen som kapacitetsadministrator. Du kan få flere oplysninger under Tildel et arbejdsområde til en kapacitet ved hjælp af en masterbruger.
- Programmatisk med API'en Groups AssignToCapacity. Kontrollér tildelingsstatus med API'en Groups CapacityAssignmentStatus eller via et PowerShell-script. Du kan finde
Som kapacitetsadministrator skal du installere appen Microsoft Fabric Capacity Metrics. Angiv det kapacitets-id og den tid (i dage), der skal overvåges, og opdater derefter dataene.
Brug Power BI Capacity Load Assessment Tool til at vurdere dine kapacitetsbehov. Dette GitHub-lager indeholder også en videogennemgang. Brug dette værktøj omhyggeligt: Test med op til et par dusin samtidige simulerede brugere, og ekstrapoler for højere samtidige belastninger (hundreder eller tusinder, afhængigt af dine behov). Du kan få flere oplysninger under Vurder kapacitetsbelastningen. Du kan også bruge andre værktøjer til belastningstest, men behandle iFrame som en sort boks og simulere brugeraktivitet via JavaScript-kode.
Brug appen Microsoft Fabric Capacity Metrics , som du installerede i trin 3, til at overvåge den kapacitetsudnyttelse, der er påløbet via værktøjet til belastningstest. Du kan også overvåge kapaciteten ved at kontrollere Premium-målepunkterne ved hjælp af beskeder i Azure Monitor.
Overvej at bruge en større SKU til din kapacitet, hvis den faktiske CPU, der er påløbet på din kapacitet af belastningstesten, nærmer sig kapacitetsgrænsen.
Konfigurer automatisk skalering
Du kan bruge følgende teknik til automatisk skalering til at tilpasse størrelsen på din A-SKU-kapacitet fleksibelt for at imødekomme dens aktuelle hukommelses- og CPU-behov.
Brug API'en Til opdatering af kapaciteter til at skalere kapacitets-SKU'en op eller ned. Hvis du vil se, hvordan du bruger API'en til at oprette dine egne scripts til skalering op og ned, skal du se et eksempel på skalering af PowerShell-scriptkapacitet i runbook.
Brug Overvåg beskeder til at spore følgende power BI Embedded-kapacitetsmålepunkter:
- Overbelastning (1 , hvis din kapacitets CPU er overgået 100 % og er i overbelastet tilstand, ellers 0)
- CPU (procentdel af CPU-udnyttelse)
- CPU pr. arbejdsbelastning, hvis bestemte arbejdsbelastninger (f.eks. sideinddelte rapporter) bruges
Konfigurer beskeder om overvågning, så der udløses en scriptkørsel, der skalerer kapaciteten op eller ned, når disse målepunkter når de angivne værdier.
Du kan f.eks. oprette en regel, der aktiverer runbooken for skaleringskapacitet for at opdatere kapaciteten til en højere SKU, hvis overbelastningen er 1, eller hvis CPU-værdien er 95 %. Du kan også oprette en regel, der aktiverer et runbookscript for nedskaleringskapacitet for at opdatere kapaciteten til en lavere SKU, hvis CPU-værdien falder til under 45 eller 50 %.
Du kan også aktivere scale-up- og scale-down runbooks programmatisk efter behov før og efter opdatering af en semantisk model. Denne fremgangsmåde sikrer, at din kapacitet har nok RAM (GB) til store semantiske modeller, der bruger den pågældende kapacitet.