Hinweis
Für den Zugriff auf diese Seite ist eine Autorisierung erforderlich. Sie können versuchen, sich anzumelden oder das Verzeichnis zu wechseln.
Für den Zugriff auf diese Seite ist eine Autorisierung erforderlich. Sie können versuchen, das Verzeichnis zu wechseln.
Von Bedeutung
Azure Synapse Analytics Data Explorer (Vorschau) wird am 7. Oktober 2025 eingestellt. Nach diesem Datum werden Arbeitslasten, die im Synapse-Daten-Explorer ausgeführt werden, gelöscht, und die zugehörigen Anwendungsdaten gehen verloren. Es wird dringend empfohlen , zu Eventhouse in Microsoft Fabric zu migrieren.
Das Microsoft Cloud Migration Factory (CMF)-Programm wurde entwickelt, um Kunden bei der Migration zu Fabric zu unterstützen. Das Programm bietet dem Kunden kostenlos praktische Tastaturressourcen. Diese Ressourcen werden für einen Zeitraum von 6-8 Wochen mit einem vordefinierten und vereinbarten Umfang zugewiesen. Kunden nominierungen werden vom Microsoft-Kontoteam oder direkt durch Senden einer Anfrage zur Hilfe an das CMF-Team akzeptiert.
Azure Synapse Data Explorer bietet interaktive Abfragen, um Erkenntnisse aus Protokoll- und Telemetriedaten zu gewinnen. Um vorhandene SQL- und Apache Spark-Analyseruntime-Engines zu ergänzen, ist die Analyseruntime von Data Explorer für effiziente Protokollanalysen mit leistungsstarker Indizierungstechnologie optimiert, um Freitextdaten und halbstrukturierte Daten automatisch zu indizieren, die häufig in Telemetriedaten zu finden sind.
Weitere Informationen finden Sie im folgenden Video:
Was macht Azure Synapse Data Explorer einzigartig?
Einfache Erfassung – Der Daten-Explorer bietet integrierte Integrationen für No-Code/Low-Code, datenaufnahme mit hohem Durchsatz und Zwischenspeichern von Daten aus Echtzeitquellen. Daten können aus Quellen wie Azure Event Hubs, Kafka, Azure Data Lake, Open Source-Agents wie Fluentd/Fluent Bit und einer Vielzahl von Cloud- und lokalen Datenquellen aufgenommen werden.
Keine komplexe Datenmodellierung – Mit dem Daten-Explorer müssen keine komplexen Datenmodelle erstellt werden, und es ist nicht erforderlich, komplexe Skripts zum Transformieren von Daten zu erstellen, bevor sie verbraucht werden.
Keine Indexwartung – Es sind keine Wartungsaufgaben erforderlich, um die Daten für die Abfrageleistung zu optimieren, und keine Indexwartung ist erforderlich. Mit dem Daten-Explorer sind alle Rohdaten sofort verfügbar, sodass Sie Hochleistungs- und Parallelitätsabfragen für Ihre Streaming- und persistenten Daten ausführen können. Sie können diese Abfragen verwenden, um Nahezu-Echtzeit-Dashboards und -Warnungen zu erstellen und Betriebsanalysedaten mit dem Rest der Datenanalyseplattform zu verbinden.
Demokratisierung von Datenanalysen – Der Daten-Explorer demokratisiert Self-Service, Big Data Analytics mit der intuitiven Kusto Query Language (KQL), die die Ausdrucksfähigkeit und Leistungsfähigkeit von SQL mit der Einfachheit von Excel bietet. KQL ist in hohem Maße für die Abfrage von Telemetrie- und Zeitreihendaten optimiert. Die Sprache nutzt die erstklassige Textindizierungstechnologie von Data Explorer für eine effiziente Freitext- und Regex-Suche sowie umfassende Analysemöglichkeiten für die Abfrage von Ablaufverfolgungs-, Text- und semistrukturierten JSON-Daten einschließlich Arrays und geschachtelter Strukturen. KQL bietet eine verbesserte Unterstützung für Zeitreihen zum Erstellen, Bearbeiten und Analysieren mehrerer Zeitreihen mit integrierter Python-Ausführungsunterstützung für die Bewertung von Modellen.
Bewährte Technologie im Petabyte-Maßstab – Der Daten-Explorer ist ein verteiltes System mit Computeressourcen und Speicher, das unabhängig skaliert werden kann, wodurch Analysen auf Gigabyte oder Petabyte-Daten ermöglicht werden.
Integriert – Azure Synapse Analytics bietet Interoperabilität zwischen Daten-Explorer-, Apache Spark- und SQL-Engines, mit denen Datentechniker, Data Scientists und Datenanalysten problemlos und sicher auf die gleichen Daten im Datensee zugreifen und zusammenarbeiten können.
Wann soll der Azure Synapse-Daten-Explorer verwendet werden?
Verwenden Sie Data Explorer als Datenplattform zum Erstellen von Protokollanalyse- und IoT-Analyselösungen nahezu in Echtzeit für Folgendes:
Konsolidieren und Korrelieren von Protokoll- und Ereignisdaten aus lokalen, Cloud- und Drittanbieterdatenquellen
Beschleunigen Sie Ihre KI Ops-Reise (Mustererkennung, Anomalieerkennung, Prognose und mehr).
Ersetzen infrastrukturbasierter Protokollsuchlösungen, um Kosten zu sparen und die Produktivität zu steigern
Erstellen Sie IoT-Analyselösungen für Ihre IoT-Daten.
Erstellen Sie Analyse-SaaS-Lösungen, um Ihren internen und externen Kunden Dienste anzubieten.
Architektur des Daten-Explorer-Pools
Daten-Explorer-Pools implementieren eine Skalierungsarchitektur, indem die Compute- und Speicherressourcen getrennt werden. Auf diese Weise können Sie jede Ressource unabhängig skalieren und beispielsweise mehrere schreibgeschützte Berechnungen für dieselben Daten ausführen. Daten-Explorer-Pools bestehen aus einer Reihe von Computeressourcen, die das Modul ausführen, das für die automatische Indizierung, Komprimierung, Zwischenspeicherung und Bereitstellung verteilter Abfragen verantwortlich ist. Sie verfügen außerdem über einen zweiten Satz von Rechenressourcen, die den Datenverwaltungsdienst betreiben, welcher für Hintergrundsystemaufgaben sowie die verwaltete und in die Warteschlange gestellte Datenaufnahme verantwortlich ist. Alle Daten werden auf verwalteten BLOB-Speicherkonten mithilfe eines komprimierten Spaltenformats gespeichert.
Daten-Explorer-Pools unterstützen ein umfangreiches Ökosystem zum Aufnehmen von Daten mithilfe von Connectors, SDKs, REST-APIs und anderen verwalteten Funktionen. Es bietet verschiedene Möglichkeiten, Daten für Ad-hoc-Abfragen, Berichte, Dashboards, Warnungen, REST-APIs und SDKs zu nutzen.
Es gibt viele einzigartige Funktionen, mit denen Data Explore das beste Analysemodul für Protokoll- und Zeitreihenanalysen in Azure macht.
In den folgenden Abschnitten werden die wichtigsten Unterscheidungsmerkmale hervorgehoben.
Freitext- und halbstrukturierte Datenindizierung ermöglicht nahezu in Echtzeit hohe Leistung und hohe gleichzeitige Abfragen
Der Daten-Explorer indiziert halbstrukturierte Daten (JSON) und unstrukturierte Daten (Freitext), wodurch die Ausführung von Abfragen für diese Art von Daten gut ausgeführt wird. Standardmäßig wird jedes Feld während der Datenübernahme indiziert, wobei Sie mit der Option einer Low-Level-Codierungsrichtlinie den Index für bestimmte Felder optimieren oder deaktivieren können. Der Indexumfang ist ein einzelner Shard.
Die Implementierung des Indexes hängt vom Typ des Felds wie folgt ab:
| Field-Typ | Indizierungsimplementierung |
|---|---|
| Schnur | Die Engine erstellt für Werte in Zeichenfolgenspalten einen invertierten Ausdrucksindex. Jeder Zeichenfolgenwert wird analysiert und in normalisierte Begriffe aufgeteilt. Zu jedem Begriff wird eine geordnete Liste logischer Positionen aufgezeichnet, die Ordnungszahlen für Datensätze enthält. Die resultierende sortierte Liste von Begriffen und deren zugeordneten Positionen wird als unveränderlicher B-Baum gespeichert. |
|
Numeric (Numerisch) DateTime TimeSpan |
Das Modul erstellt einen einfachen bereichsbasierten Vorwärtsindex. Der Index zeichnet die Min/Max-Werte für jeden Block auf, für eine Gruppe von Blöcken und für die gesamte Spalte innerhalb der Datenspalte. |
| Dynamisch | Der Aufnahmeprozess listet alle "atom"-Elemente innerhalb des dynamischen Werts auf, z. B. Eigenschaftsnamen, Werte und Arrayelemente, und leitet sie an den Index-Generator weiter. Dynamische Felder haben denselben invertierten Termindex wie String-Felder. |
Diese effizienten Indizierungsfunktionen ermöglichen Es Data Explore, die Daten in nahezu Echtzeit für Hochleistungs- und Parallelitätsabfragen verfügbar zu machen. Das System optimiert datenshards automatisch, um die Leistung weiter zu steigern.
Kusto-Abfragesprache
KQL verfügt über eine große, wachsende Community mit der schnellen Einführung von Azure Monitor Log Analytics und Application Insights, Microsoft Sentinel, Azure Data Explorer und anderen Microsoft-Angeboten. Die Sprache ist gut mit einer leicht lesbaren Syntax konzipiert und bietet einen reibungslosen Übergang von einfachen einzeiligen zu komplexen Datenverarbeitungsabfragen. Auf diese Weise kann der Daten-Explorer umfassende IntelliSense-Unterstützung und eine umfangreiche Gruppe von Sprachkonstrukten und integrierten Funktionen für Aggregationen, Zeitreihen und Benutzeranalysen bereitstellen, die in SQL nicht zur schnellen Untersuchung von Telemetriedaten verfügbar sind.