Beschreiben der Echtzeit-Intelligenz von Microsoft Fabric?

  • 10 Minuten

Die Echtzeit-Intelligenz in Fabric bietet eine umfassende End-to-End-Streaminglösung für die Hochgeschwindigkeitsdatenanalyse im gesamten Fabric-Dienst. Sie sind für Zeitreihendaten optimiert und unterstützen die automatische Partitionierung und Indizierung beliebiger Datenformate.

Echtzeit-Intelligenz bietet Hochleistung für Daten verschiedener Größen, die von wenigen Gigabyte bis zu mehreren Petabyte reichen. Sie können Daten aus verschiedenen Quellen und in verschiedenen Formaten verarbeiten. Der Fabric-Workload für Echtzeit-Intelligenz kann in vielen Szenarios für Lösungen wie IoT und Protokollanalysen verwendet werden, darunter in der Fertigung, der Öl- und Gasindustrie und der Automobilindustrie.

Verstehen der Echtzeit-Intelligenz in Microsoft Fabric

Echtzeit-Intelligenz ist ein vollständig verwalteter Dienst, der für das Streaming von Zeitreihendaten optimiert ist. Mit Echtzeit-Intelligenz erhalten Sie eine konsistente Leistung beim Durchsuchen aller Arten von Daten im großen Stil, einschließlich strukturierter, unstrukturierter und teilweise strukturierter Daten. Darüber hinaus ist der Dienst in die gesamte Anwendungssuite von Fabric-Funktionen integriert, was einen optimierten Workflow vom Laden der Daten bis zur Datenvisualisierung ermöglicht.

Mithilfe der Echtzeit-Intelligenz in Fabric können Sie:

  • Erfassen von Daten aus einer beliebigen Quelle in jedem Datenformat
  • Ausführen analytischer Abfragen direkt für Rohdaten, ohne dass Sie komplexe Datenmodelle erstellen oder Skripts erstellen müssen, um die Daten zu transformieren
  • Importieren von Daten mit Standardstreaming, das eine leistungsstarke Datenanalyse mit geringer Latenzzeit und hoher Aktualität ermöglicht.
  • Importierte Daten werden standardmäßig partitioniert (sowohl zeit- als auch hashbasierte Partitionierung) und standardmäßig indiziert
  • Arbeiten mit vielseitigen Datenstrukturen und Abfragen von strukturiertem, halbstrukturiertem oder freiem Text
  • Abfragen von Rohdaten ohne Transformation, mit hoher Leistung, erstaunlich geringer Antwortzeit und unter Verwendung einer Vielzahl von verfügbaren Operatoren
  • Skalieren auf unbegrenzte Datenmengen, von Gigabytes bis Petabytes, mit unbegrenzter Skalierung bei gleichzeitigen Abfragen und gleichzeitigen Benutzern
  • Nahtlose Integration mit anderen Workloads und Elementen in Microsoft Fabric

Erkunden der Welt der Echtzeitdaten mit einem Echtzeit-Hub

Der Echtzeit-Hub dient als Ihr Gateway, um den Flow Ihrer Streamingdaten aufzudecken und zu steuern. Er ist ein dynamischer Katalog, der Folgendes umfasst:

Screenshot der Rolle des Echtzeit-Hubs in Echtzeit-Intelligenz.

Visualisieren von Datenerkenntnissen mit Echtzeit-Dashboards

Datenerkenntnisse können über KQL-Abfragesets, Echtzeit-Dashboards und Power BI-Berichte mit einem schnellen Übergang von der Datenerfassung zur Visualisierung dargestellt werden. Diese Visualisierungen richten sich an Anfänger als auch an Experten, sodass sie ihre Daten mit minimaler Codierung als Diagramme und Tabellen darstellen können. Benutzer können visuelle Hinweise zum Filtern und Aggregieren von Abfrageergebnissen verwenden, indem sie eine umfassende Suite integrierter Visualisierungen verwenden. Erkenntnisse sind in Power BI-Berichten und Echtzeit-Dashboards zugänglich, wobei beide Warnungen basierend auf den Datenerkenntnissen integrieren können.

Warnungen können im Bearbeitungsmodus auch innerhalb der Nichttabellenvisualisierungen auf den Echtzeit-Dashboards festgelegt werden, um Benachrichtigungen bereitzustellen, wenn ein von Ihnen festgelegter Schwellenwert erreicht wurde.

Screenshot der Warnungen im Echtzeit-Dashboard.

Die Warnungen können Sie in Microsoft Teams oder per E-Mail benachrichtigen.

Screenshot der Konfiguration des Warnungsparameters.

Kusto-Abfragesprache (KQL)

Kusto-Abfragesprache (KQL) ist eine deklarative Abfragesprache, die zum Analysieren und Extrahieren von Erkenntnissen aus strukturierten, teilstrukturierten und unstrukturierten Daten verwendet wird. KQL wurde speziell für die effiziente und schnelle Suche nach umfangreichen Protokolldaten entwickelt und eignet sich somit perfekt für cloudbasierte Datenanalysen. Wir werden uns später in diesem Modul mit der grundlegenden KQL-Syntax befassen, doch zunächst betrachten wir die folgenden Vorteile der KQL-Funktionen in Microsoft Fabric:

  • Sie ermöglicht Effizienz bei der Datenexploration und Datenanalyse, da Benutzer*innen mit heterogenen Datenquellen arbeiten und die Ergebnisse auf unterschiedliche Weise visualisieren können.
  • Dies unterstützt reproduzierbare Analysen, indem sie Benutzern das Erstellen von Notebooks mit dem Kusto-Kernel ermöglicht, die Code, Ergebnisse und Kontext für die Analyse erfassen können.
  • Sie verbessert die DevOps-Problembehandlung, indem sie es Benutzer*innen ermöglicht, Runbooks oder Playbooks in Notebooks mit Kusto-Kernel zu erstellen, die detailliert beschreiben, wie Probleme mithilfe von Telemetriedaten behoben und entschärft werden können.
  • Sie bereichert den DevOps-Flow, indem Benutzer*innen das Hinzufügen von KQL-Dateien und KQL-Notebookdateien zu ihren Git-Repositorys und CI/CD-Pipelines ermöglicht wird.
  • Sie bietet Anleitungen und hilft Ihnen, Suchabfragen von Grund auf neu zu erstellen, indem Sie den KQL-Editor verwenden, der potenzielle Fehler schnell identifiziert und Hinweise zum Beheben von Problemen anzeigt.
  • Sie können lange, komplexe Abfragen schnell direkt in den Editor einfügen, wenn Sie sie von anderen Quellen erhalten.
  • Sie können Ihre Daten mithilfe verschiedener Operatoren und Funktionen filtern, präsentieren und aggregieren, die leicht zu lesen und zu erstellen sind.