Automatiske sammenlægninger

Automatiske sammenlægninger bruger avanceret maskinel indlæring (ML) til løbende at optimere semantiske DirectQuery-modeller for at opnå maksimal ydeevne af rapportforespørgsler. Automatiske sammenlægninger er bygget oven på eksisterende brugerdefinerede sammenlægningsinfrastrukturer , der først blev introduceret med sammensatte modeller til Power BI. I modsætning til brugerdefinerede sammenlægninger kræver automatiske sammenlægninger ikke omfattende færdigheder til datamodellering og forespørgselsoptimering for at konfigurere og vedligeholde. Automatiske sammenlægninger er både selvtræning og selvoptimering. De gør det muligt for modelejere på et hvilket som helst kompetenceniveau at forbedre forespørgselsydeevnen, hvilket giver hurtigere rapportvisualiseringer til store modeller.

Med automatiske sammenlægninger:

• Rapportvisualiseringer er hurtigere – En optimal procentdel af rapportforespørgsler returneres af en automatisk vedligeholdt aggregeringscache i hukommelsen i stedet for backend-datakildesystemer. Udenforliggende forespørgsler, der ikke returneres af cachen i hukommelsen, overføres direkte til datakilden ved hjælp af DirectQuery.
• Balanceret arkitektur – Sammenlignet med ren DirectQuery-tilstand returneres de fleste forespørgselsresultater af Power BI-forespørgselsprogrammet og sammenlægningscachen i hukommelsen. Belastningen af behandling af forespørgsler på datakildesystemer ved spidsbelastningstider kan reduceres betydeligt, hvilket betyder øget skalerbarhed i datakildens backend.
• Nem konfiguration – Modelejere kan aktivere automatisk oplæring af sammenlægninger og planlægge en eller flere opdateringer for modellen. Med den første oplæring og opdatering begynder automatiske sammenlægninger at oprette en sammenlægningsstruktur og optimale sammenlægninger. Systemet tilpasser sig automatisk over tid.
• Finjustering – Med en enkel og intuitiv brugergrænseflade i modelindstillingerne kan du estimere ydeevnen for en anden procentdel af forespørgsler, der returneres fra aggregeringscachen i hukommelsen, og foretage justeringer for endnu større gevinster. Et enkelt kontrolelement af typen slidelinje hjælper dig med nemt at finjustere dit miljø.

Krav

Understøttede planer

Automatiske sammenlægninger understøttes for Power BI Premium pr. kapacitet, Premium pr. bruger og Power BI Embedded-modeller.

Understøttede datakilder

Automatiske sammenlægninger understøttes for følgende datakilder:

• Azure SQL Database
• Azure Synapse Dedicated SQL Pool
• SQL Server 2019 eller nyere
• Google BigQuery
• Snowflake
• Databricks
• Amazon RedShift

Understøttede tilstande

Automatiske sammenlægninger understøttes for DirectQuery-tilstandsmodeller. Sammensatte modelmodeller med både importtabeller og DirectQuery-forbindelser understøttes. Automatiske sammenlægninger understøttes kun for DirectQuery-forbindelsen.

Tilladelser

Hvis du vil aktivere og konfigurere automatiske sammenlægninger, skal du være modelejer. Administratorer af arbejdsområder kan overtage som ejer for at konfigurere indstillinger for automatiske sammenlægninger.

Konfiguration af automatiske sammenlægninger

Automatiske sammenlægninger konfigureres i model Indstillinger. Det er nemt at konfigurere – aktivér automatisk oplæring af sammenlægninger, og planlæg en eller flere opdateringer. Før du konfigurerer automatiske sammenlægninger for din model, skal du sørge for helt at læse denne artikel igennem. Den giver en god forståelse af, hvordan automatiske sammenlægninger fungerer, og den kan hjælpe dig med at beslutte, om automatiske sammenlægninger passer til dit miljø. Når du er klar til trinvis vejledning i, hvordan du aktiverer automatisk oplæring af sammenlægninger, konfigurerer en tidsplan for opdatering og finjusterer for dit miljø, skal du se Konfigurer automatiske sammenlægninger.

Personalegoder

Med DirectQuery overføres DAX-forespørgsler (Data Analysis Expressions) til forespørgselsprogrammet og derefter til backenddatakilden som SQL-forespørgsler, hver gang en modelbruger åbner en rapport eller interagerer med en rapportvisualisering. Datakilden skal beregne og returnere resultater for hver forespørgsel. Sammenlignet med importtilstandsmodeller, der er gemt i hukommelsen, kan Rundture for DirectQuery-datakilder både være tids- og proceskrævende, hvilket ofte medfører langsomme svartider for forespørgsler i rapportvisualiseringer.

Når funktionen er aktiveret for en DirectQuery-model, kan automatiske sammenlægninger øge ydeevnen af rapportforespørgsler ved at undgå rundture for datakildeforespørgsler. Forudsammenlagte forespørgselsresultater returneres automatisk af en aggregeringscache i hukommelsen i stedet for at blive sendt til og returneret af datakilden. Mængden af forudsammenlagte data i aggregeringscachen i hukommelsen er en lille brøkdel af den mængde data, der opbevares i fakta- og detaljetabeller i datakilden. Resultatet er ikke kun bedre ydeevne af rapportforespørgslen, men også reduceret belastning af backend-datakildesystemer. Med automatiske sammenlægninger overføres kun en lille del af rapport- og ad hoc-forespørgsler, der kræver sammenlægninger, som ikke er inkluderet i cachen i hukommelsen, til backenddatakilden, ligesom med ren DirectQuery-tilstand.

Automatisk administration af forespørgsler og sammenlægninger

Selvom automatiske sammenlægninger fjerner behovet for at oprette brugerdefinerede sammenlægningstabeller og forenkler implementeringen af en forudsammenlagt dataløsning drastisk, er et dybere kendskab til de underliggende processer og afhængigheder nyttigt til at forstå, hvordan automatiske sammenlægninger fungerer. Power BI er afhængig af følgende for at oprette og administrere automatiske sammenlægninger.

Forespørgselslog

Power BI sporer model- og brugerrapportforespørgsler i en forespørgselslog. For hver model bevarer Power BI syv dages data i forespørgselsloggen. Data i forespørgselsloggen rulles frem hver dag. Forespørgselsloggen er sikker og kan ikke ses af brugerne eller via XMLA-slutpunktet.

Oplæringshandlinger

Som en del af den første planlagte modelopdateringshandling for den valgte hyppighed (dag eller uge) starter Power BI først en oplæringshandling, der evaluerer forespørgselsloggen for at sikre, at sammenlægninger i aggregeringscachen i hukommelsen tilpasses til ændrede forespørgselsmønstre. Sammenlægningstabeller i hukommelsen oprettes, opdateres eller slippes, og der sendes særlige forespørgsler til datakilden for at bestemme, hvilke sammenlægninger der skal medtages i cachen. Beregnede sammenlægningsdata indlæses dog ikke i cachen i hukommelsen under oplæringen – de indlæses under den efterfølgende opdateringshandling.

Hvis du f.eks. vælger en dagsfrekvens, og tidsplanen opdateres kl. 04:00, 9:00, 2:00 og 19:00, er det kun opdateringen kl. 04:00 hver dag, der omfatter både en oplæringshandling og en opdateringshandling. De efterfølgende planlagte opdateringer kl. 9:00, 23:00 og 19:00 for den pågældende dag er kun opdateringshandlinger , der opdaterer de eksisterende sammenlægninger i cachen.

Mens oplæringshandlinger evaluerer tidligere forespørgsler fra forespørgselsloggen, er resultaterne tilstrækkeligt nøjagtige til at sikre, at fremtidige forespørgsler dækkes. Der er dog ingen garanti for, at fremtidige forespørgsler returneres af aggregeringscachen i hukommelsen, fordi disse nye forespørgsler kan være anderledes end dem, der er afledt af forespørgselsloggen. Disse forespørgsler, der ikke returneres af aggregeringscachen i hukommelsen, overføres til datakilden ved hjælp af DirectQuery. Afhængigt af hyppigheden og rangeringen af disse nye forespørgsler kan sammenlægninger for dem inkluderes i cachen for sammenlægninger i hukommelsen med den næste oplæringshandling.

Træningshandlingen har en tidsgrænse på 60 minutter. Hvis oplæringen ikke kan behandle hele forespørgselsloggen inden for tidsgrænsen, logføres der en meddelelse i modellen Opdateringshistorik, og oplæringen genoptages, næste gang den startes. Oplæringscyklussen fuldfører og erstatter de eksisterende automatiske sammenlægninger, når hele forespørgselsloggen behandles.

Opdateringshandlinger

Som beskrevet tidligere udfører Power BI en opdateringshandling, der forespørger og indlæser nye og opdaterede sammenlægningsdata i cachen for sammenlægninger i hukommelsen, når oplæringshandlingen er fuldført som en del af den første planlagte opdatering for den valgte hyppighed, og fjerner alle sammenlægninger, der ikke længere rangerer højt nok (som bestemt af træningsalgoritmen). Alle efterfølgende opdateringer for den valgte dags- eller ugefrekvens er kun opdateringshandlinger , der forespørger datakilden om at opdatere eksisterende sammenlægningsdata i cachen. Ved hjælp af vores forrige eksempel er de planlagte opdateringer kl. 9:00, 14:00 og 19:00 planlagte opdateringer for den pågældende dag kun opdateringshandlinger.

Regelmæssigt planlagte opdateringer i løbet af dagen (eller ugen) sikrer, at sammenlægningsdata i cachen er mere opdaterede med data i backend-datakilden. Via model Indstillinger kan du planlægge op til 48 opdateringer pr. dag for at sikre, at rapportforespørgsler, der returneres af sammenlægningscachen, får resultater baseret på de seneste opdaterede data fra backenddatakilden.

Advarsel

Oplærings- og opdateringshandlinger er proces- og ressourcekrævende for både Power BI-tjeneste og datakildesystemerne. Hvis du øger procentdelen af forespørgsler, der bruger sammenlægninger, betyder det, at flere sammenlægninger skal forespørges og beregnes fra datakilder under oplærings- og opdateringshandlinger, hvilket øger sandsynligheden for overdreven brug af systemressourcer og kan forårsage timeout. Du kan få mere at vide under Finjustering.

Uddannelse efter behov

Som tidligere nævnt fuldføres en træningscyklus muligvis ikke inden for fristerne for en enkelt dataopdateringscyklus. Hvis du ikke vil vente til den næste planlagte opdateringscyklus, der omfatter oplæring, kan du også udløse automatisk oplæring af sammenlægninger efter behov ved at vælge Oplær og opdater nu i model Indstillinger. Når du bruger Oplær og Opdater nu , udløses både en oplæringshandling og en opdateringshandling. Kontrollér historikken for opdatering af modellen for at se, om den aktuelle handling er fuldført, før du kører en anden on-demand-oplæring og opdateringshandling, hvis det er nødvendigt.

Opdateringshistorik

Hver opdateringshandling registreres i modelopdateringshistorikken. Der vises vigtige oplysninger om hver opdatering, herunder antallet af hukommelsessammenlægninger i cachen, der bruger den konfigurerede forespørgselsprocent. Hvis du vil have vist opdateringshistorikken, skal du vælge Opdater historik på siden model Indstillinger. Hvis du vil foretage detailudledning lidt længere, skal du vælge Vis detaljer.

Ved regelmæssigt at kontrollere opdateringshistorikken kan du sikre, at dine planlagte opdateringshandlinger fuldføres inden for en acceptabel periode. Sørg for, at opdateringshandlinger fuldføres, før den næste planlagte opdatering starter.

Fejl i oplæring og opdatering

Selvom Power BI udfører oplærings- og opdateringshandlinger som en del af den første planlagte opdatering for den dag eller ugefrekvens, du vælger, implementeres disse handlinger som separate transaktioner. Hvis en oplæringshandling ikke kan behandle forespørgselsloggen fuldt ud inden for dens tidsgrænser, fortsætter Power BI med at opdatere de eksisterende sammenlægninger (og almindelige tabeller i en sammensat model) ved hjælp af den tidligere oplæringstilstand. I dette tilfælde angiver opdateringshistorikken, at opdateringen er fuldført, og oplæringen genoptager behandlingen af forespørgselsloggen, næste gang oplæringen startes. Forespørgselsydeevnen kan være mindre optimeret, hvis forespørgselsmønstrene for klientrapporten ændres, og sammenlægningerne ikke blev justeret endnu, men det opnåede ydeevneniveau bør stadig være langt bedre end en ren DirectQuery-model uden sammenlægninger.

Hvis en oplæringshandling kræver for mange cyklusser til at afslutte behandlingen af forespørgselsloggen, kan du overveje at reducere procentdelen af forespørgsler, der bruger sammenlægningscachen i hukommelsen i model Indstillinger. Dette reducerer antallet af sammenlægninger, der oprettes i cachen, men giver mere tid til at fuldføre oplærings- og opdateringshandlinger. Du kan få mere at vide under Finjustering.

Hvis oplæringen lykkes, men opdateringen mislykkes, markeres hele opdateringen som Mislykket, fordi resultatet er en ikke-tilgængelig sammenlægningscache i hukommelsen.

Når du planlægger opdatering, kan du angive mailmeddelelser, hvis der er opdateringsfejl.

Brugerdefinerede og automatiske sammenlægninger

Brugerdefinerede sammenlægninger i Power BI kan konfigureres manuelt baseret på skjulte aggregerede tabeller i modellen. Konfiguration af brugerdefinerede sammenlægninger er ofte komplekst, hvilket kræver et større niveau af færdigheder inden for datamodellering og forespørgselsoptimering. Automatiske sammenlægninger fjerner på den anden side denne kompleksitet som en del af et AI-drevet system. I modsætning til brugerdefinerede sammenlægninger, der forbliver statiske, vedligeholder Power BI løbende forespørgselslogge, og fra disse logge bestemmer forespørgselsmønstre baseret på algoritmer til forudsigende modellering af maskinel indlæring (ML). Forudaggregaterede data beregnes og gemmes i hukommelsen baseret på analyse af forespørgselsmønster. Med automatiske sammenlægninger er modeller både selvtræning og selvoptimering. I takt med at forespørgselsmønstrene for klientrapporten ændres, justeres, prioriteres og cachelagring af de sammenlægninger, der bruges oftest.

Da automatiske sammenlægninger er bygget oven på den eksisterende brugerdefinerede sammenlægningsinfrastruktur, er det muligt at bruge både brugerdefinerede og automatiske sammenlægninger sammen i den samme model. Dygtige dataudformere kan definere sammenlægninger for tabeller ved hjælp af DirectQuery, Import (med eller uden trinvis opdatering) eller Dual-lagringstilstande, samtidig med at de har fordelene ved flere automatiske sammenlægninger af forespørgsler via DirectQuery-forbindelser, der ikke rammer de brugerdefinerede sammenlægningstabeller. Denne fleksibilitet muliggør balancerede arkitekturer, der kan reducere forespørgselsbelastninger og undgå flaskehalse.

Sammenlægninger, der oprettes i cachen i hukommelsen af den automatiske algoritme til oplæring af sammenlægninger, identificeres som System sammenlægninger. Oplæringsalgoritmen opretter og sletter kun disse System sammenlægninger, når rapporteringsforespørgsler analyseres, og der foretages justeringer for at bevare de optimale sammenlægninger for modellen. Både brugerdefinerede og automatiske sammenlægninger opdateres med opdatering. Kun de sammenlægninger, der oprettes af automatiske sammenlægninger og er markeret som systemoprettede sammenlægninger, medtages i automatisk behandling af sammenlægninger.

Cachelagring af forespørgsler og automatiske sammenlægninger

Power BI Premium understøtter også cachelagring af forespørgsler i Power BI Premium/Embedded for at bevare forespørgselsresultater. Cachelagring af forespørgsler er en anden funktion end automatiske sammenlægninger. Med cachelagring af forespørgsler bruger Power BI Premium den lokale cachelagringstjeneste til at implementere cachelagring, mens automatiske sammenlægninger implementeres på modelniveau. Med cachelagring af forespørgsler cachelagrer tjenesten kun forespørgsler for den indledende indlæsning af rapportsiden, og ydeevnen for forespørgsler forbedres derfor ikke, når brugerne interagerer med en rapport. I modsætning hertil optimerer automatiske sammenlægninger de fleste rapportforespørgsler ved at cachelagre aggregerede forespørgselsresultater, herunder de forespørgsler, der genereres, når brugerne interagerer med rapporter. Cachelagring af forespørgsler og automatiske sammenlægninger kan begge aktiveres for en model, men det er sandsynligvis ikke nødvendigt.

Overvåg med Azure Log Analytics

Azure Log Analytics (LA) er en tjeneste i Azure Monitor, som Power BI kan bruge til at gemme aktivitetslogge. Med Azure Monitor-pakken kan du indsamle, analysere og reagere på telemetridata fra dine Azure- og lokale miljøer. Det tilbyder langsigtet lagring, en ad hoc-forespørgselsgrænseflade og API-adgang til at tillade dataeksport og integration med andre systemer. Du kan få mere at vide under Brug af Azure Log Analytics i Power BI.

Hvis Power BI er konfigureret med en Azure LA-konto, som beskrevet i Konfiguration af Azure Log Analytics til Power BI, kan du analysere succesraten for dine automatiske sammenlægninger. Du kan blandt andet afgøre, om rapportforespørgsler besvares fra cachen i hukommelsen.

Hvis du vil bruge denne mulighed, skal du downloade PBIT-skabelonen og knytte den til din loganalysekonto som beskrevet i dette Power BI-blogindlæg. I rapporten kan du få vist data på tre forskellige niveauer: Oversigtsvisning, VISNING på DAX-forespørgselsniveau og visning på SQL-forespørgselsniveau.

På følgende billede vises oversigtssiden for alle forespørgslerne. Som du kan se, viser det markerede diagram procentdelen af de samlede forespørgsler, der blev opfyldt af sammenlægninger i forhold til dem, der skulle bruge datakilden.

Det næste trin, du skal gå i dybden med, er at se på brugen af sammenlægninger på et DAX-forespørgselsniveau. Højreklik på en DAX-forespørgsel på listen (nederst til venstre) >Detaljeadgang>til forespørgselshistorik.

Dette giver dig en liste over alle de relevante forespørgsler. Detaljeadgang til det næste niveau for at få vist flere oplysninger om sammenlægning.

Administration af programlivscyklus

Fra udvikling til test og fra test til produktion har modeller med automatiske sammenlægninger aktiveret særlige krav til ALM-løsninger.

Udrulningspipelines

Med udrulningspipelines kan Power BI kopiere modellerne med deres modelkonfiguration fra den aktuelle fase til destinationsfasen. Automatiske sammenlægninger skal dog nulstilles i destinationsfasen, da indstillingerne ikke overføres fra den aktuelle til destinationsfasen. Du kan også installere indhold programmatisk ved hjælp af REST API'erne til udrulningspipelines. Du kan få mere at vide om denne proces under Automatiser din udrulningspipeline ved hjælp af API'er og DevOps.

Brugerdefinerede ALM-løsninger

Hvis du bruger en brugerdefineret ALM-løsning, der er baseret på XMLA-slutpunkter, skal du være opmærksom på, at din løsning muligvis kan kopiere systemoprettede og brugeroprettede sammenlægningstabeller som en del af modelmetadataene. Du skal dog aktivere automatiske sammenlægninger efter hvert udrulningstrin manuelt i destinationsfasen. Power BI bevarer konfigurationen, hvis du overskriver en eksisterende model.

Bemærk

Hvis du uploader eller publicerer en model igen som en del af en Power BI Desktop-fil (.pbix), går systemoprettede sammenlægningstabeller tabt, da Power BI erstatter den eksisterende model med alle dens metadata og data i destinationsarbejdsområdet.

Ændring af en model

Når du har ændre en model med automatiske sammenlægninger aktiveret via XMLA-slutpunkter, f.eks. tilføjelse eller fjernelse af tabeller, bevarer Power BI alle eksisterende sammenlægninger, der kan være, og fjerner dem, der ikke længere er nødvendige eller relevante. Forespørgselsydeevnen kan blive påvirket, indtil den næste oplæringsfase udløses.

Metadataelementer

Modeller med aktiverede automatiske sammenlægninger indeholder entydige systemoprettede sammenlægningstabeller. Sammenlægningstabeller er ikke synlige for brugerne i rapporteringsværktøjer. De er synlige via XMLA-slutpunktet ved hjælp af værktøjer med Analysis Services-klientbiblioteker version 19.22.5 og nyere. Når du arbejder med modeller, hvor automatiske sammenlægninger er aktiveret, skal du sørge for at opgradere dine datamodellerings- og administrationsværktøjer til den nyeste version af klientbibliotekerne. I forbindelse med SQL Server Management Studio (SSMS) skal du opgradere til SSMS version 18.9.2 eller nyere. Tidligere versioner af SSMS kan ikke optælle tabeller eller scripte disse modeller.

Automatiske sammenlægningstabeller identificeres af en SystemManaged tabelegenskab, som er ny i TOM (Tabular Object Model) i Analysis Services-klientbiblioteker version 19.22.5 og nyere. Følgende kodestykke viser den SystemManaged egenskab, der er angivet til true for tabeller med automatiske sammenlægninger og false for almindelige tabeller.

using System;
using System.Collections.Generic;
using System.Linq;
using Microsoft.AnalysisServices.Tabular;

namespace AutoAggs
{
    class Program
    {
        static void Main(string[] args)
        {
            string workspaceUri = "<Specify the URL of the workspace where your model resides>";
            string datasetName = "<Specify the name of your dataset>";

            Server sourceWorkspace = new Server();
            sourceWorkspace.Connect(workspaceUri);
            Database dataset = sourceWorkspace.Databases.GetByName(datasetName);

            // Enumerate system-managed tables.
            IEnumerable<Table> aggregationsTables = dataset.Model.Tables.Where(tbl => tbl.SystemManaged == true);


            if (aggregationsTables.Any())
            {
                Console.WriteLine("The following auto aggs tables exist in this dataset:");
                foreach (Table table in aggregationsTables)
                {
                    Console.WriteLine($"\t{table.Name}");
                }
            }
            else
            {
                Console.WriteLine($"This dataset has no auto aggs tables.");
            }

            Console.WriteLine("\n\rPress [Enter] to exit the sample app...");
            Console.ReadLine();
        }
    }
}

Udførelse af dette kodestykke returnerer automatiske sammenlægningstabeller, der i øjeblikket er inkluderet i modellen i en konsol.

Husk, at sammenlægningstabeller ændres konstant, når oplæringshandlinger bestemmer de optimale sammenlægninger, der skal medtages i sammenlægningscachen i hukommelsen.

Vigtigt

Power BI administrerer fuldt ud automatiske sammenlægninger systemoprettede tabelobjekter. Slet eller rediger ikke selv disse tabeller. Hvis du gør det, kan det medføre forringet ydeevne.

Power BI vedligeholder modelkonfigurationen uden for modellen. Tilstedeværelsen af en systemadministreret sammenlægningstabel i en model betyder ikke nødvendigvis, at modellen faktisk er aktiveret til automatisk oplæring af sammenlægninger. Hvis du med andre ord scripter en komplet modeldefinition for en model med automatiske sammenlægninger aktiveret og opretter en ny kopi af modellen (med et andet navn/arbejdsområde/en anden kapacitet), er den nye resulterende model ikke aktiveret til automatisk oplæring af sammenlægninger. Du skal stadig aktivere automatisk oplæring af sammenlægninger for den nye model i model Indstillinger.

Overvejelser og begrænsninger

Når du bruger automatiske sammenlægninger, skal du være opmærksom på følgende:

• Sammenlægninger understøtter ikke dynamiske M-forespørgselsparametre.
• De SQL-forespørgsler, der genereres i den indledende oplæringsfase, kan generere en betydelig belastning for data warehouse'et. Hvis oplæringen bliver ved med at være ufuldstændig, og du på data warehouse-siden kan bekræfte, at forespørgslerne oplever timeout, kan du overveje midlertidigt at opskalere dit data warehouse for at imødekomme oplæringsbehovet.
• Sammenlægninger, der er gemt i cachen for sammenlægninger i hukommelsen, beregnes muligvis ikke på de nyeste data i datakilden. I modsætning til ren DirectQuery og mere som almindelige importtabeller er der en ventetid mellem opdateringer i datakilden og sammenlægningsdata, der er gemt i aggregeringscachen i hukommelsen. Selvom der altid vil være en vis grad af ventetid, kan den afhjælpes via en effektiv tidsplan for opdatering.
• Hvis du vil optimere ydeevnen yderligere, skal du angive alle dimensionstabeller til Dual-tilstand og lade faktatabeller være i DirectQuery-tilstand.
• Automatiske sammenlægninger er ikke tilgængelige med Power BI Pro, Azure Analysis Services eller SQL Server Analysis Services.
• Power BI understøtter ikke download af modeller, hvor automatiske sammenlægninger er aktiveret. Hvis du har uploadet eller publiceret en Power BI Desktop-fil (.pbix) til Power BI og derefter har aktiveret automatiske sammenlægninger, kan du ikke længere downloade PBIX-filen. Sørg for at beholde en kopi af PBIX-filen lokalt.
• Automatiske sammenlægninger med eksterne tabeller i Azure Synapse Analytics understøttes ikke. Du kan optælle eksterne tabeller i Synapse ved hjælp af følgende SQL-forespørgsel: SELECT SCHEMA_NAME(schema_id) AS schema_name, name AS table_name FROM sys.external_tables.
• Automatiske sammenlægninger er kun tilgængelige for modeller, der bruger forbedrede metadata. Hvis du vil aktivere automatiske sammenlægninger for en ældre model, skal du først opgradere modellen til forbedrede metadata. Du kan få mere at vide under Brug af forbedrede modelmetadata.
• Aktivér ikke automatiske sammenlægninger, hvis DirectQuery-datakilden er konfigureret til enkeltlogon og bruger dynamiske datavisninger eller sikkerhedskontrolelementer til at begrænse de data, en bruger har adgang til. Automatiske sammenlægninger er ikke opmærksomme på disse kontrolelementer på datakildeniveau, hvilket gør det umuligt at sikre, at der leveres korrekte data pr. bruger. Oplæringen logfører en advarsel i opdateringshistorikken om, at den registrerede en datakilde, der er konfigureret til enkeltlogon, og ignorerede de tabeller, der bruger denne datakilde. Hvis det er muligt, skal du deaktivere SSO for disse datakilder for at drage fuld fordel af den optimerede forespørgselsydeevne, som automatiske sammenlægninger kan give.
• Aktivér ikke automatiske sammenlægninger, hvis modellen kun indeholder hybride tabeller for at undgå unødvendig behandlingsspild. En hybridtabel bruger både importpartitioner og en DirectQuery-partition. Et almindeligt scenarie er trinvis opdatering med data i realtid, hvor en DirectQuery-partition henter transaktioner fra datakilden, der opstod efter den seneste dataopdatering. Power BI importerer dog sammenlægninger under opdatering. Automatiske sammenlægninger kan ikke indeholde transaktioner, der opstod efter den seneste dataopdatering. Oplæringen logfører en advarsel i opdateringshistorikken om, at den har registreret og sprunget hybridtabeller over.
• Beregnede kolonner tages ikke i betragtning ved automatiske sammenlægninger. Hvis du bruger en beregnet kolonne i DirectQuery-tilstand, f.eks. ved hjælp COMBINEVALUES af DAX-funktionen til at oprette en relation, der er baseret på flere kolonner fra to DirectQuery-tabeller, rammer de tilsvarende rapportforespørgsler ikke sammenlægningscachen i hukommelsen.
• Automatiske sammenlægninger er kun tilgængelige i Power BI-tjeneste. Power BI Desktop opretter ikke systemoprettede sammenlægningstabeller.
• Hvis du ændrer metadataene for en model med automatiske sammenlægninger aktiveret, kan forespørgslens ydeevne blive forringet, indtil den næste oplæringsproces udløses. Som bedste praksis bør du droppe de automatiske sammenlægninger, foretage ændringerne og derefter oplære igen.
• Rediger eller slet ikke systemoprettede sammenlægningstabeller, medmindre du har deaktiveret automatiske sammenlægninger og rydder op i modellen. Systemet tager ansvar for at administrere disse objekter.

Community

Power BI har et levende community, hvor MVP'er, BI-teknikere og peers deler ekspertise i diskussionsgrupper, videoer, blogs og meget mere. Når du lærer om automatiske sammenlægninger, skal du tjekke disse andre ressourcer ud:

• Power BI-community
• Søg i "Automatiske Power BI-sammenlægninger" på Bing

Relateret indhold

• Konfigurer automatiske sammenlægninger
• Brugerdefinerede sammenlægninger
• DirectQuery i Power BI
• Analysis Services-klientbiblioteker