Del via

Planlægning af Power BI-implementering: Overvågning på dataniveau

  • Artikel

Bemærk

Denne artikel er en del af power BI-implementeringsplanlægningsserierne. I denne serie fokuseres der primært på Power BI-oplevelsen i Microsoft Fabric. Du kan få en introduktion til serien under Planlægning af implementering af Power BI.

Denne artikel om overvågning på dataniveau er målrettet til flere målgrupper:

  • Dataoprettere og arbejdsområdeadministratorer: Brugere, der har brug for at forstå brugen, indførelsen og ydeevnen af de semantiske modeller, dataflow og datamarts, som de opretter, publicerer og deler.
  • Power BI-administratorer: De administratorer, der er ansvarlige for at styre Power BI i organisationen. Power BI-administratorer skal muligvis samarbejde med it, sikkerhed, intern overvågning og andre relevante teams. Power BI-administratorer skal muligvis også samarbejde med indholdsoprettere, når der foretages fejlfinding af ydeevnen.
  • Administratorer af Power BI-kapacitet: De administratorer, der er ansvarlige for at styre Premium-kapacitet i organisationen. Administratorer af Power BI-kapacitet skal muligvis samarbejde med indholdsoprettere, når der foretages fejlfinding af ydeevnen.
  • Center of Excellence, IT og BI-teamet: De teams, der også er ansvarlige for at holde tilsyn med Power BI. De skal muligvis samarbejde med Power BI-administratorer og andre relevante teams.
  • Systemadministratorer: Det team, der er ansvarlig for at oprette og beskytte Azure Log Analytics-ressourcer, og de databaseadministratorer , der administrerer datakilder.

Vigtigt

Denne artikel henviser til tider Power BI Premium eller dens kapacitetsabonnementer (P-SKU'er). Vær opmærksom på, at Microsoft i øjeblikket konsoliderer købsmuligheder og udfaser Power BI Premium pr. kapacitets-SKU'er. Nye og eksisterende kunder bør overveje at købe Fabric-kapacitetsabonnementer (F SKU'er) i stedet.

Du kan få flere oplysninger under Vigtige opdateringer, der kommer til Power BI Premium-licenser og Ofte stillede spørgsmål om Power BI Premium.

De begreber, der er beskrevet i denne artikel, gælder primært for løsninger, der er oprettet til tre indholdsleveringsområder, især enterprise BI, afdelings-BI og team BI. Oprettere af personlige BI-løsninger kan også finde oplysningerne i denne artikel nyttige. Men de er ikke det primære mål.

Det er ikke muligt at opnå en god ydeevne i rapporter og visualiseringer, når den underliggende semantiske model og/eller datakilde ikke fungerer korrekt. I denne artikel fokuseres der på overvågning og overvågning af semantiske modeller, dataflow og datamarts. Det er den anden artikel i overvågnings- og overvågningsserien, fordi værktøjerne og teknikkerne er mere komplekse end det, der er beskrevet i artiklen Overvågning på rapportniveau . Ideelt set skal du oprette delte semantiske modeller (beregnet til genbrug blandt mange rapporter), før brugerne opretter rapporter. Vi anbefaler derfor, at du læser denne artikel sammen med artiklen Overvågning på rapportniveau .

Da semantiske Power BI-modeller er baseret på Analysis Services-tabelprogrammet, kan du oprette forbindelse til en lokal datamodel (i Power BI Desktop) eller en semantisk Premium-model (i Power BI-tjeneste), som om det er en Analysis Services-database. Derfor understøttes mange af funktionerne til overvågning og overvågning i Analysis Services for semantiske Power BI Premium-modeller.

Bemærk

Du kan få flere oplysninger om modeller, der hostes i Analysis Services, under Oversigt over overvågning.

I resten af denne artikel fokuseres der primært på modeller, der er publiceret til Power BI-tjeneste.

Hændelseslogge for semantisk model

Med tiden kan dataoprettere og -ejere opleve situationer med deres semantiske modeller. En semantisk model kan:

Hvis du vil sikre anvendelighed, god ydeevne og implementering af det indhold, de opretter, skal du overvåge brugen og ydeevnen af de dataaktiver, du er ansvarlig for at administrere. Du kan bruge hændelseslogfilerne for datasæt, som registrerer brugeroprettede og systemoprettede aktiviteter, der forekommer for en semantisk model. De kaldes også sporingshændelser, datasætlogge eller aktivitetslogge for datasæt. Systemadministratorer kalder dem ofte sporingshændelser på lavt niveau, fordi de er detaljerede.

Bemærk

Navneændringen for datasættet er udrullet i Power BI-tjeneste og i dokumentationen, selvom der kan være nogle forekomster – f.eks. med navne på hændelsesloghandlinger – hvor ændringen endnu ikke er sket.

Du skal analysere sporingshændelser for semantiske modeller for at:

  • Overvåg alle aktiviteter, der fandt sted i en semantisk model.
  • Foretag fejlfinding af og optimer semantisk modelydeevne, hukommelsesforbrug og forespørgselseffektivitet.
  • Undersøg detaljer og varighed for opdatering af semantiske modeller.
  • Overvåg Power Query-formelsprog (M-forespørgsler), der er sendt af Power Query.
  • Overvåg DAX-formler og -udtryk, der sendes til den semantiske model (Analysis Services-programmet).
  • Kontrollér, om den korrekte lagringstilstand er valgt på baggrund af arbejdsbelastningerne og behovet for at balancere nye data og optimal ydeevne.
  • Overvåg, hvilke sikkerhedsroller på rækkeniveau der aktiveres, for hvilke brugere og for hvilke semantiske modeller.
  • Forstå antallet af samtidige brugere.
  • Valider en semantisk model (f.eks. for at bekræfte datakvaliteten og ydeevnen, før du godkender en semantisk model, eller før du publicerer den i et produktionsarbejdsområde).

De hændelser, der genereres af en semantisk Power BI-model, er afledt af eksisterende diagnosticeringslogge, der er tilgængelige for Azure Analysis Services. Der er mange typer sporingshændelser, som du kan registrere og analysere, hvilket er beskrevet i følgende afsnit.

Azure Log Analytics

Azure Log Analytics er en komponent i Tjenesten Azure Monitor . Azure Log Analytics-integration med Power BI giver dig mulighed for at registrere semantiske modelhændelser fra alle semantiske modeller i et Power BI-arbejdsområde. Det understøttes kun for Premium-arbejdsområder. Når du har konfigureret integration, og forbindelsen er aktiveret (for et Power BI Premium-arbejdsområde), registreres semantiske modelhændelser automatisk og sendes løbende til et Azure Log Analytics-arbejdsområde. De semantiske modellogge gemmes i Azure Data Explorer, som er en tilføjelsesdatabase, der er optimeret til at registrere telemetridata med høj lydstyrke i nærheden af realtid.

Du tildeler et Power BI Premium-arbejdsområde til et Log Analytics-arbejdsområde i Azure. Du skal oprette en ny Log Analytics-ressource i dit Azure-abonnement for at aktivere denne type logføring.

Logge fra et eller flere Power BI-arbejdsområder sendes til et målloganalysearbejdsområde. Her er nogle måder, du kan vælge at organisere dataene på.

  • Ét destinationsarbejdsområde for alle overvågningsdata: Gem alle dataene i ét Log Analytics-arbejdsområde. Det er nyttigt, når den eller de samme brugere får adgang til alle data.
  • Målarbejdsområder, der er organiseret efter emneområde: Organiser indholdet efter emneområde. Denne teknik er især nyttig, når forskellige administratorer eller brugere har tilladelse til at få adgang til overvågningsdataene fra Azure Log Analytics. Når du f.eks. har brug for at adskille salgsdata fra handlingsdata.
  • Ét destinationsarbejdsområde for hvert Power BI-arbejdsområde: Konfigurer en en til en-relation mellem et Power BI-arbejdsområde og et Azure Log Analytics-arbejdsområde. Det er nyttigt, når du har særligt følsomt indhold, eller når dataene er underlagt specifikke overholdelses- eller lovmæssige krav.

Tip

Gennemse dokumentationen og ofte stillede spørgsmål om denne funktionalitet grundigt, så du er klar over, hvad der er muligt, og at du forstår de tekniske krav. Før du gør denne funktionalitet bredt tilgængelig for arbejdsområdeadministratorer i din organisation, kan du overveje at udføre en teknisk blåstempling med ét Power BI-arbejdsområde.

Vigtigt

Selvom navnene ligner hinanden, er de data, der registreres af Azure Log Analytics, ikke de samme som Power BI-aktivitetsloggen. Azure Log Analytics henter sporingshændelser på detaljeniveau fra Analysis Services-programmet. Dens eneste formål er at hjælpe dig med at analysere og foretage fejlfinding af semantisk modelydeevne. Dens omfang er på arbejdsområdeniveau. Omvendt er formålet med aktivitetsloggen at hjælpe dig med at forstå, hvor ofte visse brugeraktiviteter forekommer (f.eks. redigering af en rapport, opdatering af en semantisk model eller oprettelse af en app). Dens omfang er hele Power BI-lejeren.

Du kan få flere oplysninger om de brugeraktiviteter, du kan overvåge for din Power BI-lejer, under Overvågning på lejerniveau.

Azure Log Analytics-forbindelsen til lejerindstillingen for arbejdsområdeadministratorer styrer, hvilke grupper af brugere (der også har den nødvendige administratorrolle for arbejdsområdet) kan oprette forbindelse mellem et Power BI-arbejdsområde og et eksisterende Azure Log Analytics-arbejdsområde.

Før du kan konfigurere integration, skal du opfylde sikkerhedsforudsætningerne. Overvej derfor kun at aktivere indstillingen for Power BI-lejeren for Power BI-arbejdsområdeadministratorer, der også har de nødvendige tilladelser i Azure Log Analytics, eller som kan få disse tilladelser efter anmodning.

Tip

Samarbejd med din Azure-administrator tidligt i planlægningsprocessen, især når du får godkendelse til at oprette en ny Azure-ressource, er en udfordring i din organisation. Du skal også planlægge sikkerhedsforudsætningerne. Beslut, om du vil give tilladelse til din Power BI-arbejdsområdeadministrator i Azure, eller om du vil give tilladelse til Azure-administratoren i Power BI.

De semantiske modellogge, der registreres af Azure Log Analytics, omfatter semantiske modelforespørgsler, forespørgselsstatistik, detaljeret opdateringsaktivitet, CPU-tid, der bruges på Premium-kapaciteter med mere. Da de er logfiler på detaljeniveau fra Analysis Services-programmet, kan dataene være detaljerede. Store datamængder er almindelige for store arbejdsområder, der oplever høj semantisk modelaktivitet.

Sådan optimerer du omkostningerne, når du bruger Azure Log Analytics med Power BI:

  • Opret kun forbindelse mellem Power BI-arbejdsområder og Azure Log Analytics , når du aktivt foretager fejlfinding, tester, optimerer eller undersøger semantisk modelaktivitet. Når der er oprettet forbindelse, kører en sporing på alle semantiske modeller i arbejdsområdet.
  • Afbryd Azure Log Analytics fra et Power BI-arbejdsområde, når du ikke længere har brug for aktivt at foretage fejlfinding, teste, optimere eller undersøge semantisk modelaktivitet. Ved at afbryde forbindelsen afslutter du sporingen fra at køre på alle semantiske modeller i arbejdsområdet.
  • Sørg for, at du forstår omkostningsmodellen for, hvordan Azure Log Analytics fakturerer for dataindtagelse, lagring og forespørgsler.
  • Gem ikke dataene i Log Analytics i længere tid end standardopbevaringsperioden på 30 dage. Det skyldes, at semantisk modelanalyse typisk fokuserer på øjeblikkelige fejlfindingsaktiviteter.

Der er flere måder at få adgang til de hændelser, der sendes til Azure Log Analytics. Du kan bruge:

  • Det færdigbyggede skabelonprogram Log Analytics for Power BI Semantic Models.
  • Power BI Desktop-connectoren til Azure Data Explorer (Kusto). Brug Kusto Query Language (KQL) til at analysere de data, der er gemt i Log Analytics. Hvis du har SQL-forespørgselsoplevelse, kan du finde mange ligheder med KQL.
  • Den webbaserede forespørgselsoplevelse i Azure Data Explorer.
  • Ethvert forespørgselsværktøj, der kan køre KQL-forespørgsler.

Tip

Da der er en stor mængde semantiske modelsporingshændelser, anbefaler vi, at du udvikler en DirectQuery-model til at analysere dataene. En DirectQuery-model giver dig mulighed for at forespørge dataene i næsten realtid. Begivenhederne ankommer normalt inden for fem minutter.

Du kan få flere oplysninger under Administrer Azure-forbindelser.

Tjekliste – Når du planlægger at bruge Azure Log Analytics, omfatter vigtige beslutninger og handlinger:

  • Overvej en teknisk blåstempling: Planlæg et lille projekt for at sikre, at du fuldt ud forstår de tekniske krav, sikkerhedskrav, hvilke hændelser der skal registreres, og hvordan du analyserer loggene.
  • Beslut, hvilke arbejdsområder der skal integreres med Log Analytics: Find ud af, hvilke Premium-arbejdsområder der indeholder semantiske modeller, som du er interesseret i at analysere.
  • Beslut, om Log Analytics skal aktiveres på fuld tid for alle arbejdsområder: I forbindelse med omkostningsoptimering skal du afgøre, om der er situationer (eller specifikke arbejdsområder), hvor logføring skal aktiveres permanent. Beslut, om arbejdsområder skal afbrydes, når der ikke foretages fejlfinding.
  • Beslut, hvor længe Log Analytics-data skal bevares: Find ud af, om der er behov for at angive en længere opbevaringsperiode end standarden på 30 dage.
  • Klargør processen til anmodning om nyt Log Analytics-arbejdsområde: Samarbejd med din Azure-administrator for at få afklaret, hvordan anmodninger om en ny Log Analytics-ressource skal indsendes af administratorer af Power BI-arbejdsområdet.
  • Beslut, hvordan sikkerhed skal fungere: Samarbejd med din Azure-administrator om at beslutte, om det er mere praktisk for en Power BI-arbejdsområdeadministrator at få tildelt rettigheder til et Azure Log Analytics-arbejdsområde, eller om en Azure-administrator skal tildeles rettigheder til et Power BI-arbejdsområde. Når du træffer denne sikkerhedsbeslutning, skal du overveje din plan om regelmæssigt at oprette forbindelse til og afbryde forbindelsen til arbejdsområder (til omkostningsoptimering).
  • Beslut, hvordan du vil organisere Log Analytics-målarbejdsområder: Overvej, hvor mange Azure Log Analytics-arbejdsområder der er relevante for at organisere dataene fra et eller flere Power BI-arbejdsområder. Juster denne beslutning i forhold til dine sikkerhedsbeslutninger for, hvem der har adgang til logdataene.
  • Beslut, hvilke arbejdsområdeadministratorer der må oprette forbindelse: Find ud af, hvilke grupper af arbejdsområdeadministratorer der kan oprette forbindelse mellem et Power BI-arbejdsområde og et Log Analytics-arbejdsområde. Angiv lejerindstillingen for Azure Log Analytics for arbejdsområdeadministratorer for at tilpasse sig denne beslutning.
  • Opret Azure Log Analytics-ressourcen: Samarbejd med din Azure-administrator om at oprette hvert Log Analytics-arbejdsområde. Kontrollér og opdater de tilladelser, der er tildelt i Azure, for at sikre, at Power BI-konfigurationen kan udføres uden problemer. Valider, at de data, der er gemt i Azure, er i det korrekte geografiske område.
  • Angiv Log Analytics-forbindelsen for hvert Power BI-arbejdsområde: Samarbejd med administratorer af Power BI-arbejdsområdet om at konfigurere forbindelsen til Log Analytics for hvert Power BI-arbejdsområde. Kontrollér, at logdataene flyder korrekt til Log Analytics-arbejdsområdet.
  • Opret forespørgsler for at analysere dataene: Konfigurer KQL-forespørgsler for at analysere dataene i Log Analytics baseret på din use case og aktuelle behov.
  • Medtag vejledning til administratorer af Power BI-arbejdsområder: Angiv oplysninger og forudsætninger for dine Power BI-arbejdsområdeadministratorer for at få oplysninger om, hvordan du anmoder om et nyt Log Analytics-arbejdsområde, og hvordan du opretter forbindelse til et Power BI-arbejdsområde. Forklar også, hvornår det er relevant at afbryde forbindelsen til et Power BI-arbejdsområde.
  • Angiv vejledning og eksempelforespørgsler til analyse af dataene: Opret KQL-forespørgsler til arbejdsområdeadministratorer for at gøre det nemmere for dem at komme i gang med at analysere de data, der er blevet hentet.
  • Overvåg omkostninger: Samarbejd med din Azure-administrator om løbende at overvåge Log Analytics-omkostninger.

SQL Server-profiler

Du kan bruge SQL Server Profiler (SQL Profiler) til at registrere semantiske modelhændelser i Power BI. Det er en komponent i SQL Server Management Studio (SSMS). Forbindelse til en semantisk Power BI-model understøttes med SSMS, fordi den er baseret på Den Analysis Services-arkitektur, der stammer fra SQL Server.

Du kan bruge SQL Profiler i forskellige faser af livscyklussen for en semantisk model.

  • Under udvikling af datamodeller: SQL Profiler kan oprette forbindelse til en datamodel i Power BI Desktop som et eksternt værktøj. Denne fremgangsmåde er nyttig for dataudformere, der vil validere deres datamodel eller foretage justering af ydeevnen.
  • Når den semantiske model er publiceret på Power BI-tjeneste: SQL Profiler kan oprette forbindelse til en semantisk model i et Premium-arbejdsområde. SSMS er et af mange understøttede klientværktøjer , der kan bruge XMLA-slutpunktet til forbindelse. Denne fremgangsmåde er nyttig, når du vil overvåge, overvåge, validere, foretage fejlfinding eller justere en publiceret semantisk model i Power BI-tjeneste.

Det er også muligt at bruge SQL Profiler som et eksternt værktøj i DAX Studio. Du kan bruge DAX Studio til at starte en profilersporing, fortolke dataene og formatere resultaterne. Dataudformere, der bruger DAX Studio, foretrækker ofte denne fremgangsmåde i forhold til at bruge SQL Profiler direkte.

Bemærk

Brug af SQL Profiler er en anden use case i forbindelse med profilering af data. Du profilerer data i Power Query-editor for at få en dybere forståelse af egenskaberne. Selvom dataprofilering er en vigtig aktivitet for dataudformere, er den ikke omfattet af denne artikel.

Overvej at bruge SQL Profiler i stedet for Azure Log Analytics, når:

  • Din organisation tillader ikke, at du bruger eller opretter Azure Log Analytics-ressourcer i Azure.
  • Du vil registrere hændelser for en datamodel i Power BI Desktop (der ikke er publiceret til et Premium-arbejdsområde i Power BI-tjeneste).
  • Du vil registrere hændelser for én semantisk model i en kort periode (i stedet for alle semantiske modeller i et Premium-arbejdsområde).
  • Du vil kun registrere visse hændelser under en sporing (f.eks. kun hændelsen Forespørgselsafslutning ).
  • Du vil starte og stoppe sporinger hyppigt (f.eks. når du har brug for at registrere semantiske modelhændelser, der forekommer nu).

Ligesom Azure Log Analytics (beskrevet tidligere i denne artikel) er semantiske modelhændelser, der registreres af SQL Profiler, afledt af eksisterende diagnosticeringslogge, der er tilgængelige for Azure Analysis Services. Der er dog nogle forskelle i de hændelser, der er tilgængelige.

Tip

Brugen af SQL Profiler til overvågning af Analysis Services er beskrevet i mange bøger, artikler og blogindlæg. De fleste af disse oplysninger er relevante for overvågning af en semantisk Power BI-model.

Vigtigt

Du kan også bruge SQL Profiler til at overvåge forespørgsler, der er sendt fra Power BI-tjeneste til de underliggende datakilder (f.eks. til en SQL Server-relationsdatabase). Muligheden for at spore en relationsdatabase frarådes dog. Oprettelse af forbindelse til Analysis Services-programmet understøttes og frarådes ikke . Hvis du har kendskab til Analysis Services-udvidede hændelser , og du foretrækker at bruge dem, er det muligt at oprette forbindelse fra SSMS til en datamodel i Power BI Desktop. Det understøttes dog ikke for Power BI Premium. Derfor fokuserer dette afsnit kun på sql Profiler-standardforbindelsen.

Lejerindstillingen Tillad XMLA-slutpunkter og Analysér i Excel med semantiske modeller i det lokale miljø styrer, hvilke grupper af brugere (der også er tildelt rollen bidragyder, medlem eller administrator eller tilladelsen Opret for den enkelte semantiske model) kan bruge XMLA-slutpunktet til at forespørge på og/eller vedligeholde semantiske modeller i Power BI-tjeneste. Du kan finde flere oplysninger om brug af XMLA-slutpunktet i brugsscenariet for administration af avancerede datamodeller.

Bemærk

Du kan også bruge SQL Profiler til at foretage fejlfinding og fejlfinding af bestemte DAX-udtryk. Du kan forbinde SQL Profiler med Power BI Desktop som et eksternt værktøj. Se efter hændelsesklassen DAX-evalueringslog for at få vist mellemliggende resultater af et DAX-udtryk. Denne hændelse genereres, når du bruger DAX-funktionen EVALUATEANDLOG i en modelberegning.

Denne funktion er kun beregnet til udviklings- og testformål. Du bør fjerne den fra dine datamodelberegninger, før du publicerer datamodellen i et produktionsarbejdsområde.

Tjekliste – Når du planlægger at bruge SQL Profiler, omfatter vigtige beslutninger og handlinger:

  • Beslut, hvem der kan have SSMS eller DAX Studio installeret: Find ud af, om du vil tillade alle Power BI-indholdsforfattere i din organisation at installere SSMS og/eller DAX Studio, så de kan bruge SQL Profiler. Beslut, om disse hjælpeværktøjer skal installeres efter anmodning eller en del af et standardsæt af software, der er installeret for godkendte dataoprettere i organisationen.
  • Føj SQL Profiler til menuen Eksterne værktøjer i Power BI Desktop: Hvis dataoprettere ofte bruger SQL Profiler, skal du bede it-programmet om automatisk at føje det til menuen Eksterne værktøjer i Power BI Desktop for disse brugere.
  • Beslut, hvem der kan bruge XMLA-slutpunktet: Find ud af, om alle brugere har tilladelse til at oprette forbindelse til publicerede semantiske modeller ved hjælp af XMLA-slutpunktet, eller om det er begrænset til godkendte dataoprettere. Angiv lejerindstillingen Tillad XMLA-slutpunkter og Analysér i Excel med semantiske modeller i det lokale miljø for at justere denne beslutning.
  • Angiv vejledning og eksempelforespørgsler til analyse af dataene: Opret dokumentation til dine dataoprettere, så de forstår den anbefalede måde at overvåge og overvåge semantiske modeller på. Giv vejledning til almindelige use cases for at gøre det nemmere for dem at komme i gang med at indsamle og analysere sporingsdata.

Metadata for datamodel

Da semantiske Power BI-modeller er baseret på Analysis Services-programmet, har du adgang til de værktøjer, der kan forespørge metadataene for en datamodel. Metadata indeholder alt om datamodellen, herunder tabelnavne, kolonnenavne og målingsudtryk.

Dynamiske administrationsvisninger

Analysis Services DMV'er (Dynamic Management Views ) kan forespørge metadataene for datamodellen. Du kan bruge DMV'erne til at overvåge, dokumentere og optimere dine datamodeller på et tidspunkt.

Du kan specifikt:

  • Overvåg de datakilder, der bruges af en model.
  • Find ud af, hvilke objekter der bruger mest hukommelse i en model.
  • Find ud af, hvor effektivt kolonnedata kan komprimeres.
  • Find kolonner i en model, der ikke bruges.
  • Overvåg aktive brugersessioner og -forbindelser.
  • Kontrollér modellens struktur.
  • Gennemse DAX-udtryk, der bruges af beregnede tabeller, beregnede kolonner, målinger og RLS-regler (row-level security ).
  • Identificer afhængigheder mellem objekter og målinger.

Tip

DMV'erne henter oplysninger om den aktuelle tilstand for en semantisk model. Tænk på de data, der returneres af DMV'er, som et øjebliksbillede af, hvad der sker på et tidspunkt. Omvendt henter de semantiske modelhændelseslogge (beskrevet tidligere i denne artikel) oplysninger om, hvilke aktiviteter der opstod for en semantisk model, mens en sporingsforbindelse var aktiv.

SSMS er et værktøj, der ofte bruges til at køre DMV-forespørgsler. Du kan også bruge PowerShell-cmdlet'en Invoke-ASCmd til at oprette og udføre XMLA-scripts , der forespørger DMV'erne.

Tredjepartsværktøjer og eksterne værktøjer er også populære i Power BI-community'et. Disse værktøjer bruger de offentligt dokumenterede DMV'er til at forenkle adgangen og arbejde med data, der returneres af DMV'erne. Et eksempel er DAX Studio, som indeholder eksplicit funktionalitet til at få adgang til DMV'erne. DAX Studio indeholder også en indbygget funktion til visning af målepunkter , som ofte kaldes Vertipaq Analyzer. Vertipaq Analyzer har en brugergrænseflade til analyse af strukturen og størrelsen af tabeller, kolonner, relationer og partitioner i en datamodel. Du kan også eksportere (eller importere) datamodelmetadataene til en .vpax-fil. Den eksporterede fil indeholder kun metadata om datamodelstrukturen og -størrelsen uden at gemme modeldata.

Tip

Overvej at dele en .vpax-fil med nogen, når du har brug for hjælp til en datamodel. På den måde deler du ikke modeldataene med den pågældende person.

Du kan bruge DMV-forespørgsler i forskellige faser af livscyklussen for en semantisk model.

  • Under udvikling af datamodeller: Dit foretrukne værktøj kan oprette forbindelse til en datamodel i Power BI Desktop som et eksternt værktøj. Denne fremgangsmåde er nyttig for dataudformere, der vil validere deres datamodel eller foretage justering af ydeevnen.
  • Når den semantiske model er publiceret på Power BI-tjeneste: Dit valgte værktøj kan oprette forbindelse til en semantisk model i et Premium-arbejdsområde. SSMS er et af mange understøttede klientværktøjer , der bruger XMLA-slutpunktet til forbindelse. Denne fremgangsmåde er nyttig, når du vil overvåge eller validere en publiceret semantisk model i Power BI-tjeneste.

Tip

Hvis du beslutter dig for at skrive dine egne DMV-forespørgsler (f.eks. i SSMS), skal du være opmærksom på, at DMV'erne ikke understøtter alle SQL-handlinger. Nogle DMV'er understøttes heller ikke i Power BI (fordi de kræver Tilladelser som Analysis Services-serveradministrator, der ikke understøttes af Power BI).

Lejerindstillingen Tillad XMLA-slutpunkter og Analysér i Excel med semantiske modeller i det lokale miljø styrer, hvilke grupper af brugere (der også er tildelt rollen bidragyder, medlem eller administrator eller tilladelsen Opret for den enkelte semantiske model) kan bruge XMLA-slutpunktet til at forespørge på og/eller vedligeholde semantiske modeller i Power BI-tjeneste.

Du kan finde flere oplysninger om brug af XMLA-slutpunktet, tredjepartsværktøjer og eksterne værktøjer i brugsscenariet for administration af avancerede datamodeller.

Analyse af bedste praksis

BPA (Best Practice Analyzer ) er en funktion i Tabular Editor, som er et tredjepartsværktøj, der er blevet udbredt i Power BI-community'et. BPA indeholder et sæt regler, der kan tilpasses, og som kan hjælpe dig med at overvåge kvaliteten, ensartetheden og ydeevnen af din datamodel.

Tip

Hvis du vil konfigurere BPA, skal du downloade sættet af regler for bedste praksis, som leveres af Microsoft på GitHub.

BPA kan primært hjælpe dig med at forbedre ensartetheden af modeller ved at registrere ikke-optimale designbeslutninger, der kan reducere problemer med ydeevnen. Det er nyttigt, når du har selvbetjente dataudformere, der er distribueret i forskellige områder af organisationen.

BPA kan også hjælpe dig med at overvåge og styre dine datamodeller. Du kan f.eks. kontrollere, om en datamodel indeholder nogen sikkerhedsroller på rækkeniveau. Eller du kan validere, om alle modelobjekter har en beskrivelse. Det er nyttigt, når dit mål f.eks. er at sikre, at en datamodel indeholder en dataordbog.

BPA kan vise designproblemer, der kan hjælpe Center of Excellence med at afgøre, om mere oplæring eller dokumentation er nødvendig. Den kan træffe foranstaltninger til at oplære dataoprettere i bedste praksis og organisatoriske retningslinjer.

Tip

Vær opmærksom på, at BPA kan registrere eksistensen af en egenskab (f.eks. sikkerhed på rækkeniveau). Det kan dog være svært at afgøre, om den er konfigureret korrekt. Af den grund kan det være nødvendigt for en emneekspert at foretage en gennemgang . Omvendt betyder den manglende eksistens af en bestemt egenskab ikke nødvendigvis et dårligt design. Dataudformeren kan have en god grund til at producere et bestemt design.

Tjekliste – Når du planlægger at få adgang til metadata for datamodeller, omfatter vigtige beslutninger og handlinger:

  • Beslut, hvem der kan have SSMS installeret: Find ud af, om du vil give alle Power BI-indholdsforfattere i din organisation tilladelse til at installere SSMS, så de kan oprette forbindelse til publicerede semantiske modeller. Beslut, om den skal installeres efter anmodning eller som en del af et standardsæt af software, der er installeret for godkendte dataoprettere i organisationen.
  • Beslut, hvem der kan have tredjepartsværktøjer installeret: Find ud af, om du vil give alle Power BI-indholdsoprettere i din organisation tilladelse til at installere tredjepartsværktøjer (f.eks. DAX Studio og Tabular Editor), så de kan overvåge lokale datamodeller og/eller publicerede semantiske modeller. Beslut, om de skal installeres efter anmodning eller som en del af et standardsæt af software, der er installeret for godkendte dataoprettere i organisationen.
  • Konfigurer regler for bedste praksis: Beslut, hvilke regler for analyse af bedste praksis der kan scanne datamodellerne i din organisation.
  • Beslut, hvem der kan bruge XMLA-slutpunktet: Find ud af, om alle brugere har tilladelse til at oprette forbindelse til semantiske modeller ved hjælp af XMLA-slutpunktet, eller om det er begrænset til godkendte dataoprettere. Angiv lejerindstillingen Tillad XMLA-slutpunkter og Analysér i Excel med semantiske modeller i det lokale miljø for at justere denne beslutning.
  • Giv vejledning til indholdsforfattere: Opret dokumentation til dine dataoprettere, så de forstår den eller de anbefalede måder at analysere semantiske modeller på. Giv vejledning til almindelige use cases for at gøre det nemmere for dem at begynde at indsamle og analysere DMV-resultater og/eller bruge Best Practice Analyzer.

Datamodel og forespørgselsydeevne

Power BI Desktop indeholder flere værktøjer , der hjælper dataoprettere med at foretage fejlfinding og undersøge deres datamodeller. Disse funktioner er målrettet til dataudformere, der vil validere deres datamodel og foretage justering af ydeevnen, før de publicerer til Power BI-tjeneste.

Effektivitetsanalyse

Brug Effektivitetsanalyse, som er tilgængelig i Power BI Desktop, til at overvåge og undersøge ydeevnen af en datamodel. Effektivitetsanalyse hjælper rapportoprettere med at måle ydeevnen for individuelle rapportelementer. Den grundlæggende årsag til problemer med ydeevnen er dog ofte relateret til datamodeldesign. Af denne grund kan en semantisk modelopretter også drage fordel af at bruge Effektivitetsanalyse. Hvis der er forskellige indholdsoprettere, der er ansvarlige for at oprette rapporter i forhold til semantiske modeller, er det sandsynligt, at de bliver nødt til at samarbejde, når de foretager fejlfinding af et problem med ydeevnen.

Tip

Du kan bruge DAX Studio til at importere og analysere de logfiler, der genereres af Effektivitetsanalyse.

Du kan få flere oplysninger om Effektivitetsanalyse under Overvågning på rapportniveau.

Forespørgselsdiagnosticering

Brug Forespørgselsdiagnosticering, som er tilgængelig i Power BI Desktop, til at undersøge ydeevnen af Power Query. De er nyttige til fejlfinding, og når du har brug for at forstå, hvad Power Query-programmet gør.

De oplysninger, du kan få fra Forespørgselsdiagnosticering, omfatter:

  • Ekstra detaljer i forbindelse med fejlmeddelelser (når der opstår en undtagelse).
  • De forespørgsler, der sendes til en datakilde.
  • Om forespørgselsdelegering sker eller ikke sker.
  • Antallet af rækker, der returneres af en forespørgsel.
  • Potentielle opbremsninger under en dataopdateringshandling.
  • Baggrundshændelser og systemoprettede forespørgsler.

Afhængigt af hvad du leder efter, kan du aktivere en eller alle loggene: aggregerede, detaljerede, ydelsestællere og partitioner til beskyttelse af personlige oplysninger.

Du kan starte sessiondiagnosticering i Power Query-editor. Når funktionen er aktiveret, indsamles forespørgsels- og opdateringshandlinger, indtil diagnosticeringssporingen er stoppet. Dataene udfyldes direkte i forespørgselseditoren, så snart diagnosticeringen stoppes. Power Query opretter en diagnosticeringsgruppe (mappe) og føjer flere forespørgsler til den. Du kan derefter bruge Standardfunktionalitet i Power Query til at få vist og analysere diagnosticeringsdataene.

Du kan også aktivere en sporing i Power BI Desktop i afsnittet Diagnosticering i vinduet Indstillinger. Logfiler gemmes i en mappe på din lokale computer. Disse logfiler udfyldes med dataene, når du lukker Power BI Desktop, hvorefter sporingen stoppes. Når Power BI Desktop er lukket, kan du åbne logfilerne med dit foretrukne program (f.eks. en teksteditor) for at få dem vist.

Evaluering og foldning af forespørgsler

Power Query understøtter forskellige funktioner, der kan hjælpe dig med at forstå evaluering af forespørgsler, herunder forespørgselsplanen. Det kan også hjælpe dig med at afgøre, om der forekommer forespørgselsdelegering for en hel forespørgsel eller for et undersæt af trin i en forespørgsel. Forespørgselsdelegering er et af de vigtigste aspekter af justering af ydeevnen. Det er også nyttigt at gennemse de oprindelige forespørgsler , der sendes af Power Query, når du overvåger en datakilde, hvilket beskrives senere i denne artikel.

Premium Metrics-app

Når du foretager fejlfinding, kan det være nyttigt at samarbejde med din Power BI Premium-kapacitetsadministrator. Kapacitetsadministratoren har adgang til appen Power BI Premium-udnyttelse og målepunkter. Denne app kan give dig et væld af oplysninger om aktiviteter, der forekommer i kapaciteten. Disse oplysninger kan hjælpe dig med at foretage fejlfinding af problemer med semantiske modeller.

Tip

Din Premium-kapacitetsadministrator kan give adgang til yderligere brugere (administratorer uden kapacitet) for at give dem adgang til appen Premium metrics.

Appen Premium metrics består af en intern semantisk model og et indledende sæt rapporter. Det hjælper dig med at udføre overvågning i næsten realtid af en Power BI Premium-kapacitet (P SKU) eller En SKU-kapacitet (Power BI Embedded). Den indeholder data for de sidste to til fire uger (afhængigt af metrikværdien).

Brug appen Premium metrics til at foretage fejlfinding og optimere semantiske modeller. Du kan f.eks. identificere semantiske modeller, der har et stort hukommelsesforbrug , eller som rutinemæssigt oplever et højt CPU-forbrug. Det er også et nyttigt værktøj til at finde semantiske modeller, der nærmer sig grænsen for din kapacitetsstørrelse.

Tjekliste – Når du overvejer metoder, der skal bruges til at overvåge datamodellens og forespørgslens ydeevne, omfatter vigtige beslutninger og handlinger:

  • Identificer ydeevnemål for semantiske modelforespørgslen: Sørg for, at du har en god forståelse af, hvad god semantisk modelydeevne betyder. Find ud af, hvornår du har brug for specifikke mål for forespørgselsydeevne (f.eks. skal forespørgsler, der understøtter rapporter, gengives inden for fem sekunder). Hvis det er tilfældet, skal du sørge for, at målene kommunikeres til dataopretterne i din organisation.
  • Identificer mål for ydeevne for opdatering af semantisk model: Find ud af, hvornår du skal kræve specifikke mål for opdatering af data (f.eks. fuldførelse af en dataopdateringshandling inden for 15 minutter og før kl. 05.00). Hvis det er tilfældet, skal du sørge for, at målene kommunikeres til dataopretterne i din organisation.
  • Oplær dit supportteam: Sørg for, at dit interne brugersupportteam har kendskab til diagnosticeringsfunktionerne, så de er klar til at understøtte Power BI-brugere, når de har brug for hjælp.
  • Opret forbindelse til supportteamet og databaseadministratorerne: Sørg for, at supportteamet ved, hvordan du kontakter de korrekte administratorer for hver datakilde (f.eks. når du foretager fejlfinding af forespørgselsdelegering).
  • Samarbejd med din Premium-kapacitetsadministrator: Samarbejd med din kapacitetsadministrator om at foretage fejlfinding af semantiske modeller, der er placeret i et arbejdsområde, der er tildelt Premium-kapacitet eller Power BI Embedded-kapacitet. Når det er relevant, skal du anmode om adgang til appen Premium metrics.
  • Giv vejledning til indholdsforfattere: Opret dokumentation til dine dataoprettere, så de forstår, hvilke handlinger der skal udføres, når der foretages fejlfinding.
  • Inkluder i undervisningsmateriale: Angiv en vejledning til dine dataoprettere om, hvordan du opretter velfungerende datamodeller. Hjælp dem med at indføre gode designvaner tidligt. Fokuser på at lære dataoprettere, hvordan de kan træffe gode designbeslutninger.

Overvågning af datakilder

Nogle gange er det nødvendigt at overvåge en bestemt datakilde direkte, som Power BI opretter forbindelse til. Du kan f.eks. have et data warehouse, der oplever en øget arbejdsbelastning, og brugerne rapporterer forringelse af ydeevnen. En databaseadministrator eller systemadministrator overvåger typisk datakilder.

Du kan overvåge en datakilde for at:

  • Overvåg, hvilke brugere der sender forespørgsler til datakilden.
  • Overvåg, hvilke programmer (f.eks. Power BI), der sender forespørgsler til datakilden.
  • Gennemse, hvilke forespørgselssætninger der sendes til datakilden, hvornår og af hvilke brugere.
  • Bestem, hvor lang tid det tager for en forespørgsel at køre.
  • Overvåg, hvordan sikkerhed på rækkeniveau aktiveres af kildesystemet, når det bruger enkeltlogon (SSO).

Der er mange handlinger, som en Power BI-indholdsopretter kan foretage, når vedkommende analyserer overvågningsresultaterne. De kunne:

  • Finjuster og afgræns de forespørgsler, der sendes til datakilden, så de er så effektive som muligt.
  • Valider og juster de oprindelige forespørgsler , der sendes til datakilden.
  • Reducer antallet af kolonner, der importeres til en datamodel.
  • Fjern kolonner med høj præcision og høj kardinalitet, der importeres til en datamodel.
  • Reducer mængden af historiske data, der importeres til en datamodel.
  • Juster opdateringstiden for Power BI-data for at hjælpe med at sprede efterspørgslen efter datakilden.
  • Brug trinvis opdatering af data til at reducere belastningen af datakilden.
  • Reducer antallet af opdateringer af Power BI-data ved at konsolidere flere semantiske modeller i en delt semantisk model.
  • Juster indstillingerne for automatisk sideopdatering for at øge opdateringshyppigheden, og reducer derfor belastningen af datakilden.
  • Forenkle beregninger for at reducere kompleksiteten af forespørgsler, der sendes til datakilden.
  • Skift datalagringstilstanden (f.eks. til importtilstand i stedet for DirectQuery) for at reducere den ensartede forespørgselsbelastning på datakilden.
  • Brug teknikker til reduktion af forespørgsler til at reducere antallet af forespørgsler, der sendes til datakilden.

Systemadministratorer kan foretage andre handlinger. De kunne:

  • Præsenter et mellemliggende datalag, f.eks. Power BI-dataflow (når et data warehouse ikke er en bæredygtig mulighed). Power BI-indholdsoprettere kan bruge dataflowene som deres datakilde i stedet for at oprette direkte forbindelse til datakilder. Et mellemliggende datalag kan reducere belastningen på et kildesystem. Det har også den ekstra fordel, at du centraliserer dataforberedelseslogik. Du kan få flere oplysninger i brugsscenariet for selvbetjent dataforberedelse .
  • Skift placeringen af datakilden for at reducere virkningen af netværksventetid (brug f.eks. det samme dataområde til Power BI-tjeneste, datakilder og gateways).
  • Optimer datakilden, så den mere effektivt henter data til Power BI. Flere commons-teknikker omfatter oprettelse af tabelindekser, oprettelse af indekserede visninger, oprettelse af permanente beregnede kolonner, vedligeholdelse af statistikker, brug af tabeller i hukommelsen eller kolonnelager og oprettelse af materialiserede visninger.
  • Få brugerne til at bruge en skrivebeskyttet replika af datakilden i stedet for en oprindelig produktionsdatabase. En replika kan være tilgængelig som en del af en ha-databasestrategi (High Availability). En fordel ved en skrivebeskyttet replika er at reducere striden i kildesystemet.

De værktøjer og teknikker, du kan bruge til at overvåge datakilder, afhænger af teknologiplatformen. Databaseadministratoren kan f.eks. bruge udvidede hændelser eller Forespørgselslager til overvågning af Azure SQL Database- og SQL Server-databaser.

Nogle gange får Power BI adgang til en datakilde via en datagateway. Gateways håndterer forbindelse fra Power BI-tjeneste til visse typer datakilder. Men de gør mere end blot at oprette forbindelse til data. En gateway indeholder et miksprogram, der udfører behandling og datatransformationer på maskinen. Den komprimerer og krypterer også dataene, så de kan overføres effektivt og sikkert til Power BI-tjeneste. Derfor kan en ikke-administreret eller ikke-optimeret gateway bidrage til flaskehalse i ydeevnen. Vi anbefaler, at du taler med din gatewayadministrator for at få hjælp til at overvåge gateways.

Tip

Din Power BI-administrator kan kompilere en komplet lejeroversigt (herunder afstamning) og få adgang til brugeraktiviteter i aktivitetsloggen. Ved at korrelere afstamningen og brugeraktiviteterne kan administratorer identificere de hyppigst anvendte datakilder og gateways.

Du kan få flere oplysninger om lejerlageret og aktivitetsloggen under Overvågning på lejerniveau.

Tjekliste – Når du planlægger at overvåge en datakilde, omfatter vigtige beslutninger og handlinger:

  • Fastlæg specifikke mål: Når du overvåger en datakilde, skal du få klarhed over, præcis hvad du skal opnå, og målene for fejlfinding.
  • Samarbejd med databaseadministratorer: Samarbejd med din eller dine systemadministratorer for at få hjælp til at overvåge en bestemt datakilde.
  • Samarbejd med gatewayadministratorer: I forbindelse med datakilder, der opretter forbindelse via en datagateway, skal du samarbejde med gatewayadministratoren, når du foretager fejlfinding.
  • Opret forbindelse til supportteamet og databaseadministratorerne: Sørg for, at supportteamet ved, hvordan du kontakter de korrekte administratorer for hver datakilde (f.eks. når du foretager fejlfinding af forespørgselsdelegering).
  • Opdater oplæring og vejledning: Medtag vigtige oplysninger og tip til dataoprettere om, hvordan de arbejder med organisationens datakilder. Medtag oplysninger om, hvad du skal gøre, når noget går galt.

Overvågning af dataopdatering

En dataopdateringshandling omfatter import af data fra underliggende datakilder til en semantisk Power BI-model, dataflow eller datamart. Du kan planlægge en dataopdateringshandling eller køre den efter behov.

Serviceniveauaftale

It bruger ofte serviceniveauaftaler (SLA'er) til at dokumentere forventningerne til dataaktiver. I Power BI kan du overveje at bruge en SLA til kritisk indhold eller indhold på virksomhedsniveau. Det omfatter ofte, hvornår brugerne kan forvente, at opdaterede data i en semantisk model er tilgængelige. Du kan f.eks. have en SLA, som alle dataopdateringer skal fuldføre kl. 07.00 hver dag.

Semantiske modellogge

De semantiske modelhændelseslogge fra Azure Log Analytics eller SQL Profiler (beskrevet tidligere i denne artikel) indeholder detaljerede oplysninger om, hvad der sker i en semantisk model. De registrerede hændelser omfatter opdateringsaktivitet for semantiske modeller. Hændelseslogfilerne er især nyttige, når du har brug for at foretage fejlfinding og undersøge semantiske modelopdateringer.

Semantiske Premium-kapacitetsmodeller

Når du har indhold, der hostes i en Power BI Premium-kapacitet, har du flere funktioner til at overvåge dataopdateringshandlinger.

  • Siden med opdateringsoversigter i Power BI på administrationsportalen indeholder en oversigt over opdateringshistorikken. Denne oversigt indeholder oplysninger om opdateringsvarighed og fejlmeddelelser.
  • Appen Power BI Premium-udnyttelse og målepunkter indeholder også nyttige opdateringsoplysninger. Det er nyttigt, når du har brug for at undersøge opdateringsaktivitet for en Power BI Premium-kapacitet (P SKU) eller En SKU-kapacitet (Power BI Embedded).

Forbedrede semantiske modelopdateringer

Indholdsoprettere kan starte semantiske modelopdateringer programmatisk ved hjælp af forbedret opdatering med Opdater datasæt i Group Power BI REST API. Når du bruger forbedret opdatering, kan du overvåge de historiske, aktuelle og ventende opdateringshandlinger.

Overvågning af tidsplan for opdatering af data

Power BI-administratorer kan overvåge tidsplaner for opdatering af data i lejeren for at afgøre, om der er mange opdateringshandlinger, der er planlagt samtidigt inden for en bestemt tidsramme (f.eks. mellem kl. 05.00 og 07.00, hvilket kan være en særligt optaget tid til opdatering af data). Administratorer har tilladelse til at få adgang til tidsplanmetadata for opdatering af semantiske modeller fra API'erne til metadatascanning, som kaldes scanner-API'er.

REST-API'er til Power BI

I forbindelse med kritiske semantiske modeller skal du ikke udelukkende være afhængig af mailmeddelelser for at overvåge problemer med opdatering af data. Overvej at kompilere dataopdateringshistorikken i et centraliseret lager, hvor du kan overvåge, analysere og reagere på den.

Du kan hente dataopdateringshistorikken ved hjælp af:

Tip

Vi anbefaler på det kraftigste, at du overvåger opdateringshistorikken for dine semantiske modeller for at sikre, at aktuelle data er tilgængelige for rapporter og dashboards. Det hjælper dig også med at vide, om SLA'er opfyldes.

Tjekliste – Når du planlægger overvågning af dataopdatering, omfatter vigtige beslutninger og handlinger:

  • Fastlæg specifikke mål: Når du overvåger dataopdateringer, skal du få klarhed over, præcis hvad du skal opnå, og hvad omfanget af overvågning skal være (f.eks. semantiske produktionsmodeller, certificerede semantiske modeller og andre).
  • Overvej at konfigurere en SLA: Find ud af, om en SLA vil være nyttig til at angive forventninger til datatilgængelighed, og hvornår tidsplaner for dataopdatering skal køre.
  • Samarbejd med database- og gatewayadministratorer: Samarbejd med database- eller systemadministratorer og gatewayadministratorer om at overvåge eller foretage fejlfinding af dataopdatering.
  • Vidensoverførsel til supportteam: Sørg for, at dit supportteam ved, hvordan du kan hjælpe indholdsoprettere, når der opstår problemer med opdatering af data.
  • Opdater oplæring og vejledning: Medtag vigtige oplysninger og tip til dataoprettere om, hvordan du opdaterer data fra organisationens datakilder og almindelige datakilder. Medtag bedste fremgangsmåder og organisationsindstillinger for, hvordan du administrerer dataopdatering.
  • Brug en mailadresse til support til meddelelser: Konfigurer opdateringsmeddelelser for kritisk indhold for at bruge en mailadresse til support.
  • Konfigurer overvågning af central opdatering: Brug REST API'erne til Power BI til at kompilere dataopdateringshistorikken.

Overvågning af dataflow

Du opretter et Power BI-dataflow med Power Query Online. Mange af funktionerne til forespørgselsydeevne og Power Query-diagnosticering, som blev beskrevet tidligere, er gældende.

Du kan eventuelt angive arbejdsområder til at bruge Azure Data Lake Storage Gen2 til dataflowlager (kaldet bring-your-own-storage) i stedet for internt lager. Når du bruger bring-your-own-storage, kan du overveje at aktivere telemetri , så du kan overvåge målepunkter for lagerkontoen. Du kan få flere oplysninger i forbrugsscenariet for selvbetjent dataforberedelse og scenariet for avanceret brug af dataforberedelse .

Du kan bruge REST API'er til Power BI til at overvåge dataflowtransaktioner. Du kan f.eks. bruge API'en Hent dataflowtransaktioner til at kontrollere status for opdateringer af dataflow.

Du kan spore brugeraktiviteter for Power BI-dataflow med Power BI-aktivitetsloggen. Du kan få flere oplysninger under Overvågning på lejerniveau.

Tip

Der er mange bedste fremgangsmåder, som du kan anvende for at optimere dine dataflowdesign. Du kan få flere oplysninger under Bedste praksis for dataflow.

Datamart-overvågning

En Power BI-datamart indeholder flere integrerede komponenter, herunder et dataflow, en administreret database og en semantisk model. Se de forrige afsnit i denne artikel for at få mere at vide om overvågning og overvågning af hver enkelt komponent.

Du kan spore brugeraktiviteter for Power BI-datamarts ved hjælp af Power BI-aktivitetsloggen. Du kan få flere oplysninger under Overvågning på lejerniveau.

Relateret indhold

I den næste artikel i denne serie kan du få mere at vide om overvågning på lejerniveau.