Microsoft OneLake -mallit ja perustavanlaatuiset ominaisuudet

Tässä artikkelissa esitellään yleisiä OneLake-malleja ja alustan ominaisuuksia, joita voit käyttää niiden toteuttamiseen. Käytä tämän artikkelin tietoja pohtiaksesi, miten haluat järjestää dataympäristösi, ja valitse sitten mallit, jotka sopivat liiketoimintaasi, teknisiin ja hallintotarpeisiin.

Jokainen malli kuvaa, miten dataa ja omistajuutta järjestetään tietyn arkkitehtonisen tavoitteen saavuttamiseksi. Mallin toteuttamiseksi yhdistetään yksi tai useampi OneLake-perustavanlaatuinen ominaisuus – datavirtualisointi, avoimen datan yhteentoimivuus, keskitetty hallinto sekä integroitu analytiikka ja tekoäly. Jokainen ominaisuus perustuu vuorollaan yksittäisiin tuoteominaisuuksiin , kuten pikakuvakkeihin, peilaukseen, OneLake-turvallisuuteen ja Direct Lake -tilaan. Sama ominaisuus ja ominaisuus esiintyvät usein useammassa kuin yhdessä kuviossa.

Note

Tämä artikkeli perustuu OneLake-arkkitehtuuriohjeen valkoisessa kirjassa tunnistettuihin kuvioihin.

Pidä näitä viittä mallia OneLake-suunnittelusi rakennuspalikoina. Useimmat ympäristöt yhdistävät useamman kuin yhden. Valitse kuviot, jotka vastaavat tavoitteitasi:

Yhtenäinen datan käyttö minimaalisella replikaatiolla

Jos datasi on hajautettu useisiin pilviin, paikallisiin järjestelmiin tai ulkoisiin järviin, kaiken kopioiminen yhteen paikkaan ei välttämättä ole käytännöllistä – tai edes mahdollista. Yhtenäinen datan käyttö minimaalisella replikaatiomallilla käsittelee OneLakea yhtenä loogisena tietokerroksena näiden lähteiden välillä. Sen sijaan, että rakentaisit syöttöputket jokaiselle lähteelle, käytät pikakuvakkeitä datan viitamiseen paikan päällä ja peilataan, kun tarvitset synkronoitua, kyselyihin optimoitua kopiota.

Käytä tätä kaavaa, kun:

  • Datasi on hajautettu useisiin pilviin, paikallisiin järjestelmiin tai ulkoisiin järviin.
  • Datan kopioiminen keskitettyyn varastoon aiheuttaisi liiallista tallennusta, viivettä tai vaatimustenmukaisuuden ylikuormitusta.
  • Sinun täytyy ottaa uudet lähteet nopeasti käyttöön ilman, että sinun täytyy kirjoittaa täydellisiä poiminta-, muunnos- ja latausputkia (ETL).
  • Haluat säilyttää sijoitukset olemassa oleviin datajärviin, varastoihin ja operatiivisiin varastoihin.

Sovella yhtenäistä datan käyttöä

Tämän mallin toteuttamiseksi aloitetaan kahdella pääasiallisella datan käyttötavalla, jotka eivät vaadi datan siirtoprosessien rakentamista tai operointia: virtualisointi tekee lähdedatan saataville OneLaken kautta ilman kopiointia, ja zero-ETL-peilaus tuo alustan hallinnoiman ja synkronoidun kopion OneLakeen analytiikkavalmiina Delta-tauluina. Käytä Fabric-datansiirtotyökaluja vain, jos nämä lähestymistavat eivät tue lähdekoodia tai täytä vaatimuksiasi. Lisäohjeita näiden lähestymistapojen valintaan ja yhdistämiseen löytyy kohdasta Yhdistä data OneLake-pikakuvakkeilla ja peilauksilla.

  1. Inventoi tietolähteesi selvittääksesi, mitkä OneLake pääsee käsiksi virtualisaation tai zero-ETL-peilauksen kautta: pilviobjektien tallennus, ulkoiset luettelot, operatiiviset tietokannat ja Dataverse. Merkitse kaikki jäljellä olevat lähteet datan siirtomenetelmän tarvitseviksi.

  2. Valitse oikea tiedonhakutekniikka jokaiselle tuetulle lähteelle. Suosi virtualisointia, kun lähdekoodi tukee kopiotonta pääsyä. Käytä zero-ETL-peilausta, kun lähdekoodi vaatii synkronoidun, kyselyoptimoidun kopion:

Lähdedata Miten siihen pääsee käsiksi Tietojen käsittely
Cloud object storage (Azure Data Lake Storage Gen2, Amazon S3, Google Cloud Storage) ja S3-yhteensopiva on-premises storage Pikakuvakkeet Virtualisointi: Tekee lähdedatan saataville ilman kopiointia
Dataa hallitaan ulkoisessa luettelossa, jonka haluat tehdä saataville ilman kopioimista (esimerkiksi Azure Databricks Unity Catalog). Metatietojen peilaus – synkronoi vain luettelon metatiedot (skeemat, taulukot) ja pääsee lähdedataan pikakuvakkeiden kautta Virtualisointi: Tekee lähdedatan saataville ilman kopiointia
Toiminnalliset tietokannat, jotka tarvitsevat kyselyoptimoidun kopion (Azure SQL Database, Azure Cosmos DB, Snowflake, PostgreSQL, SQL Server 2025, Oracle Database, Google BigQuery) Tietokannan peilaus tai avoin peilaus tuetuille räätälöidyille ja kumppaniratkaisuille Zero-ETL peilaus: Luo synkronoidun Delta-kopion
Dataverse (Dynamics 365 ja Power Platform -data) Oikokuvakkeet tai linkki Microsoft Fabric -sovellukseen nollakopio-pääsyä varten Virtualisointi: Tekee lähdedatan saataville ilman kopiointia

  1. Muunna lähdedata tarvittaessa. Pikakuvakemuunnokset voivat käsitellä tuettuja tiedostoja pikakuvakkeen kautta, olivatpa tiedostot tallennettu ulkoisesti vai jo OneLakessa. Käytä pikakuvake-tiedostomuunnoksia muuntaaksesi rakenteelliset tiedostot Delta-taulukoiksi tai oikokuvakkeiden tekoälymuunnoksia käsittelemään jäsentämätöntä tekstiä. Oikokuvakemuunnokset luovat muunnettua Delta-tulostusta ja pitävät sen synkronoituna pikakuvakkeen viitaman datan kanssa.

  2. Käytä Fabric-datan siirtotyökaluja, kun virtualisointi ja peilaus eivät tue lähdettä tai kun tarvitset monimutkaisia muunnoksia, orkestrointia, ajoitettua liikerytmiä tai suoratoiston vastaanottoa. Apua putkistojen, datavirtojen, kopiointitöiden ja tapahtumavirtojen välillä löydät kohdasta Valitse datan siirtostrategia.

Kun valitset datan siirron, kopioidut tiedot avoimeen taulukkomuotoon, kuten Delta Parquet tai Iceberg. Peilaus ja pikakuvakemuunnokset tuottavat jo Delta-tuloksen. Avoimien formaattien käyttö pitää virtualisoidun datan, synkronoidut kopiot ja muunnetut Delta-tulokset luettavina Fabric-moottoreilla ja ulkoisilla alustoilla.

  1. Tallenna syy aina, kun luot synkronoidun kopion, muunnetun Delta-ulostulon tai kopion Fabric-datan siirtotyökalujen avulla. Tämä asiakirja pitää päätöksen tarkastettavana. Luo kopio vain, kun lähdekoodi tarvitsee fyysisen, kyselyoptimoidun asettelun tai ei pysty täyttämään tuoreuttasi, muunnoskustannuksiasi, vaatimustenmukaisuuttasi tai prosessointivaatimuksiasi virtuaalisesti.

  2. Sovella OneLake-turvallisuutta OneLaken kautta saatavilla olevaan dataan, jotta samat käytännöt kattavat virtualisoidun datan, synkronoidut kopiot ja muunnetut Delta-tulokset.

  3. Hyväksy ja kuvaile OneLake-katalogin tuloksena olevat tietokohteet, jotta kuluttajat löytävät ne ja voivat luottaa.

Yhtenäiset datan käyttömahdollisuudet

  • Datan virtualisointi ja zero-ETL-peilaus – Altista dataa, joka on muissa järjestelmissä ja pilvissä, kopioimattomien viittausten tai synkronoitujen, analytiikkavalmiiden kopioiden kautta. Ominaisuudet:
  • Keskitetty hallinto – Sovella johdonmukaista tietoturvaa ja löytämistä virtualisoituihin lähteisiin samalla tavalla kuin tekisit OneLake-natiividataan. Ominaisuudet:
  • Avoimen datan yhteentoimivuus – Pidä virtualisoidut tiedot ja alustan hallinnoimat kopiot luettavina sekä Fabric-moottoreilla että ulkoisilla alustoilla. Ominaisuudet:

Medallion-arkkitehtuuri (pronssi, hopea, kulta)

Datan saatavuuden tekeminen OneLakessa on vasta ensimmäinen askel. Raakadataa lähdejärjestelmistä ei yleensä ole turvallista käyttää suoraan analytiikassa tai tekoälyssä. Se sisältää usein kaksoiskappaleita, virheitä, epäjohdonmukaisia formaatteja tai arkaluontoisia kenttiä. Kun useat tiimit rakentavat saman lähdedatan varaan, he tarvitsevat yhteisen määritelmän siitä, mihin kukin datan vaihe luotetaan.

Medallion-arkkitehtuurimalli järjestää OneLake-datan kolmeen laatukerrokseen: pronssi raakaan, muuttumattomaan lähdedataan; hopea puhdistetuille ja konformoiduille tiedoista; ja kulta sertifioiduille, liiketoimintakelpoisille taulukoille ja semanttisille malleille. Jokainen kerros on määritelty vaihe, johon alavirran kuluttajat voivat luottaa. Hopea- ja kultataulut ovat uudelleenkäytettävissä BI-, analytiikka- ja tekoälykuormien välillä, joten tiimit eivät rakenna samaa puhdistus- tai mallinnuslogiikkaa erillisillä työkaluilla.

Käytä tätä kaavaa, kun:

  • Useat tiimit rakentavat saman lähdedatan varaan ja tarvitsevat johdonmukaista laatua.
  • Tarvitset jäljitettävän linjan raakasyötteistä sertifioituihin lähtöihin.
  • Tarvitset selkeän sopimuksen data-insinöörin, analytiikan tai tekoälykuluttajien välillä.

Lisätietoja tästä kuviosta löytyy kohdasta Ymmärrä medallion architecture for Fabric with OneLake. Tämä artikkeli käsittelee kerrossuunnittelua, käyttöönottomalleja, tallennusmuotoja, materialisoituja järvinäkymiä ja Delta-taulukon optimointia.

Miten sitä sovelletaan

Toimiva medaljonki perustuu yhteen ajatukseen: jokainen kerros on sopimus alavirran kuluttajien kanssa, ja data etenee seuraavaan kerrokseen vasta, kun se täyttää kyseisen kerroksen laatuvaatimukset.

  1. Tunnista raakalähteesi ja kuluttajat, jotka luottavat sertifioituihin tietoihin.

  2. Määrittele, mitä kuhunkin kerrokseen kuuluu, ja sovella näitä määritelmiä johdonmukaisesti eri alueiden:

    Kerros Sisältö Tyypilliset kuluttajat
    Pronssi Raaka, muuttumaton data, joka on kerätty suoraan lähteistä ilman skeeman valvontaa Data-insinöörit (rajoitettu pääsy)
    Hopea Puhdistettu, duplikoitu ja mukautettu yhteisiin liiketoimintamääritelmiin Data-insinöörit ja koulutetut analyytikot
    Kulta Kuratoituja, liiketoimintavalmiita taulukoita ja semanttisia malleja Kaikki BI-, analytiikka- ja tekoälykuluttajat

  3. Valmista jokainen kerros oikealla Fabric-työkuormalla – tyypillisesti Data Engineering (Spark) tai Data Factory pronssille ja hopealle, ja tietovarasto- tai Power BI-semanttiset mallit kullalle. Säilytä lähdekooditarkkuus pronssissa käyttämällä alkuperäistä formaattia, oikotietä datan lähteeseen, Parquetilla tai Deltalla tarpeen mukaan. Käytä Delta-taulukoita hopealle ja kullalle, jotta Fabric-työkuormat voivat luotettavasti lukea ja kirjoittaa puhdistettua dataa.

  4. Sovella kerrostietoisia käyttöoikeuksia. Käytä OneLake-turvallisuutta tuetuille kohteille sekä soveltuville Fabric- ja SQL-käyttöoikeuksille varastoille. Rajoitetaan pronssin saatavuutta, annetaan hopean saataville analyytikoille ja myönnetään kultaan kuluttajatarpeiden ja vähän etuoikeuden standardien perusteella.

  5. Käytä kuratoituja kultatuloksia alavirran analytiikkaan. Rakenna kultakerroksen semanttisia malleja Direct Lake -tilassa, jotta Power BI voi lukea OneLake-dataa ilman tuotua kopiota tai aikataulutettuja päivityksiä.

  6. Varmista, että jokaisella kultatuotannolla on jäljitettävissä oleva sukulinja hopean kautta pronssilähteisiin. Sitten suosittele kultakerrostaulukoita ja semanttisia malleja, jotka on sertifioitu OneLake-katalogissa. Tämä validointi auttaa kuluttajia tunnistamaan, mitkä tiedot ovat valmiita tuotantokäyttöön.

  7. Käytä kultasemanttisia malleja uudelleen, jotta Fabric IQ -ontologiat voidaan käynnistää. Tämä vaihe antaa tekoälyagenteille ohjatun liiketoimintakontekstin, joka perustuu sertifioituun dataan.

Perustavanlaatuiset kyvyt

  • Integroitu analytiikka ja tekoäly – Pronssi-, hopea- ja kultakerrokset syöttävät jokaisen analytiikka- ja tekoälytyökuorman OneLakessa ilman moottorikohtaisia kopioita. Ominaisuudet:
  • Keskitetty hallinto – Sovella eri pääsypolitiikoita ja laatuportteja jokaisessa kerroksessa, jotta kuluttajat näkevät vain heidän rooliinsa sopivan datan. Ominaisuudet:
  • Avoimen datan yhteentoimivuus – Tallenna kerrokset avoimiin muotoihin, jotta ulkoiset moottorit voivat lukea niitä yhdessä Fabric:n kanssa. Ominaisuudet:

Toimialapohjainen dataverkko jaetulla alustalla

Jos useat liiketoimintatiimit tuottavat ja käyttävät dataa, jokaisen pyynnön reitittäminen yhden keskitetyn datatiimin kautta voi hidastaa toimitusta. Liiketoimintatiimit ymmärtävät usein parhaiten omat datansa ja vaatimuksensa, mutta omistajuuden hajauttaminen ilman yhteistä hallintoa voi johtaa epäjohdonmukaiseen turvallisuuteen, laatuun ja perintöihin.

Domain-pohjainen dataverkkomalli antaa jokaiselle yritysdomainille omistajuuden omistaa omat datatuotteensa, kun taas kaikki toimialueet noudattavat yhteisiä standardeja OneLake-pohjalla. Jokainen verkkotunnus julkaisee omat datatuotteensa, ja muut verkkotunnukset käyttävät niitä pikanäppäiköiden kautta ja käyttävät niitä Fabric-analytiikan ja tekoälykuormien avulla. Keskitetyt identiteetti-, turvallisuus- ja hallintopolitiikat pätevät tasaisesti kaikilla toimialoilla.

Käytä tätä kaavaa, kun:

  • Yksi keskitetty datatiimi muodostuu toimituksen pullonkaulaksi.
  • Eri liiketoiminta-alueilla on erilaiset data-, vaatimukset- ja julkaisurytmit.
  • Tarvitset selkeää vastuullisuutta datan laadusta toimialatasolla ilman, että luovut koko yrityksen kattavasta hallinnasta.

Sovella toimialapohjaista dataverkkoa

Löydä oikea tasapaino hajauttamisen ja johdonmukaisuuden välillä. Siirrä omistajuus domainille, joka tuntee datan parhaiten, ja pidä identiteetti, tietoturva ja sukulinjat keskitetyinä, jotta jokaisen domainin datatuotteet täyttävät samat standardit.

  1. Tunnista liiketoimintasi toimialueet. Jokaisen toimialueen tulisi edustaa liiketoiminnan yhtenäistä osa-aluetta, jossa tiimi voi omistaa ja operoida sen datatuotteita kokonaisvaltaisesti.

  2. Luo toimialue jokaiselle liiketoiminta-alueelle ja määritä sille työtilat. Perusta erillinen keskitetty alue jaetulle infrastruktuurille ja uudelleenkäytettävälle yritysdatalle.

  3. Määrittele datatuotestandardit, jotka jokaisen toimialueen on täytettävä – esimerkiksi hyväksyntä- tai sertifiointivaatimukset, dokumentoidut skeemat, omistusmetatiedot, versiointi ja palvelutasosopimukset (SLA:t). Nämä standardit tekevät jokaisesta tuotteesta uudelleenkäytettävän, löydettävän sopimuksen pelkän työtilan kansion sijaan.

  4. Käytä OneLake-turvallisuutta roolipohjaisten tietojen käyttöoikeuksien soveltamiseen kansion, taulukon, rivin ja sarakkeen tasolla, jotta tuottajat voivat julkaista datatuotteita paljastamatta kaikkea työtilassaan.

  5. Sovella vuokralaisen laajuista hallintaa OneLake-katalogilla toimialueiden väliseen löytämiseen ja linjaukseen sekä Microsoft Purview herkkyysmerkintöihin ja auditointiin. Laajenna sama identiteetti- ja politiikkamalli tekoälyagenteille, jotka käyttävät domain-datatuotteita, jotta agenttien pääsy on säädelty kuten muidenkin kuluttajien.

  6. Anna kuluttajaverkkotunnusten käyttää pikakuvakkeitä viitatakseen tuottajien tietotuotteisiin sen sijaan, että kopioisivat niitä. Kuluttajat voivat sitten käyttää Fabric-työkuormassa viitattuja datatuotteita, jotka vastaavat heidän tarpeitaan. Power BI:n semanttisissa malleissa käytä Direct Lake -tilaa lukeaksesi dataa suoraan OneLakesta. Käytä Fabric Data Agenteja tai Fabric IQ:ta luodaksesi tekoälykokemuksia, jotka perustuvat hallittuihin domain-datatuotteisiin.

  7. Jos verkkotunnukset julkaisevat luetteloihin Fabric:n ulkopuolelta, suunnittele pääsynhallinta-synkronointi, jotta käyttöoikeudet pysyvät yhtenäisinä OneLaken ja ulkoisen katalogin välillä.

    Vinkki

    Microsoftin avoimen lähdekoodin kiihdytin Policy Weaver voi automatisoida tämän synkronoinnin Azure Databricks (Unity Catalog), Snowflake ja Dataverse -lähteille. Se peilaa datan pääsyn käytännöt OneLake-tietoturvarooleihin, täydentäen peilausta (joka siirtää dataa mutta ei oikeuksia).

Dataverkko-ominaisuudet

  • Keskitetty hallinto – Hajauta omistajuus domaineihin samalla kun identiteetti, tietoturva ja sukulinjat pysyvät keskitetyinä. Ominaisuudet:
  • Datan virtualisointi – Kuluttajaverkkotunnukset voivat käyttää tuottajien omistamia datatuotteita viitteiden kautta kopioiden sijaan. Ominaisuudet:
    • Pikakuvakkeet mahdollistavat nollakopion jakamisen verkkotunnusten välillä.
  • Integroitu analytiikka ja tekoäly – Tee jokaisen toimialueen datatuotteista kulutettavia Fabric-työkuormissa. Ominaisuudet:

Alustan yhdistäminen analytiikkaan ja tekoälyyn

Jos käytät useita analytiikkaalustoja rinnakkain – erilliset työkalut datavarastointiin, liiketoimintatiedusteluun, data-analytiikkaan, reaaliaikaiseen analytiikkaan ja tekoälyyn – jokaisella työkalulla on omat datakopiot, putkensa ja hallintomallinsa. Tämä pirstoutuminen nostaa kustannuksia ja vaikeuttaa johdonmukaisen turvallisuuden soveltamista tai yhden vastauksen saamista liiketoimintakysymykseen.

Alustan konsolidointimalli tuo nämä työkuormat Fabric:lle, jossa OneLake tarjoaa jaetun, hallitun dataperustan. Fabric-työkuormat pääsevät käsiksi, muuntavat, synkronoivat tai analysoivat dataa tämän perustan kautta sen sijaan, että jokaiselle työkalulle luottaisiin erillisiin data- ja hallintamalleihin.

Käytä tätä kaavaa, kun:

  • Käytät useita analytiikkaalustoja, joilla on päällekkäiset ominaisuudet.
  • Moottorikohtaiset datakopiot ja putket lisäävät kustannuksia ja ylläpitokustannuksia.
  • Tarvitset yhden hallinta- ja turvallisuusmallin kaikille analytiikan ja tekoälyn työkuormille.

Hae alustan yhdistämistä

Tavoittele vähemmän alustoja, älä enemmän integraatioita. Yhdistä työkuormat Fabric-ohjelmaan työkalujen yhdistämisen sijaan, ja yhdistä ulkoiset moottorit vain, kun niitä ei vielä voi poistaa.

  1. Inventoi nykyiset analytiikka-, tietovarasto-, data-analytiikan, liiketoimintatiedon (BI) ja tekoälytyökalut ja -putket. Huomaa, mitä työkuormia kukin työkalu palvelee ja mitä dataa se kopioi.

  2. Yhdistä jokainen olemassa oleva työkuorma siihen Fabric-työkuormaan, joka voi korvata sen:

    Perintökuorma Fabric-työkuorma
    Datan orkestrointi ja ETL Tietotehdas
    Spark-muistikirjat ja järvimajan käsittely Tietotekniikka
    SQL-tietovarastointi Tietovarasto
    Suoratoisto ja KQL-analytiikka Real-Time intelligence
    ML-mallin koulutus ja kokeiden seuranta datatieteen
    Toiminnalliset tietokannat Tietokannat (SQL-tietokanta Fabric-muodossa ja Cosmos DB Fabric-versiossa)
    BI-visualisointi ja semanttiset mallit Power BI Direct Lake -tilassa
    Keskusteleva tekoäly, joka perustuu yritysdataan Fabric Data Agents, Copilot for Fabric, Fabric IQ

  3. Luo yksi hallinta- ja tietoturvamalli kaikille työkuormille käyttäen OneLake-tietoturvaa, Microsoft Purview'ta ja OneLake-katalogia. Määritä asiakkaan hallinnoimat avaimet, kun tuetut Fabric-tuotteet vaativat toisen salauskerroksen.

  4. Yhdistä analyyttinen data OneLakeen käyttämällä Delta- tai Iceberg-muotoa, jotta työkuormat voivat jakaa hallitun dataperustan. Sisällytä operatiiviset työkuormat yhdistämällä ne Fabric-tietokantoihin, jotka tekevät synkronoidusta analyyttistä dataa saataville OneLakessa.

  5. Pohja tekoäly yhdistetyllä datalla. Rakenna ontologioita (esikatselu) kuratoidun tietokerroksen päälle ja altista ne agenteille Ontology MCP -palvelimen kautta, jotta Fabric Data Agents, Microsoft 365 Copilot ja ulkoiset työkalut toimivat samalla hallitun kontekstin päällä. Voit luoda ontologiamääritelmiä Power BI:n semanttisista malleista Import-, Direct Lake- tai DirectQuery-tilassa. Käytä Direct Lake -tilaa , kun tarvitset generoituja sidoksia tuettuun OneLake-dataan, ja tarkastele nykyisiä ontologian rajoituksia.

  6. Ulkoisille moottoreille, joita et voi vielä poistaa, voit avata OneLake-dataa Azure Databricks -integraation, Icebergin yhteensopivuuden Snowflaken kanssa tai OneLake-pääsyn ja API:n kautta.

  7. Poista korvatut työkalut, datakopiot ja putket, kun olet validoinut Fabric-vastineen. Näin yhdistäminen poistaa kustannukset, lisenssit ja luovutukset sen sijaan, että lisättäisiin uusi alusta pinoon.

Alustan yhdistämiskyvyt

Ulkoinen datan jakaminen organisaatioiden välillä

Jos vaihdat dataa kumppaneiden, toimittajien, asiakkaiden tai muiden osastojen kanssa jatkuvasti, erävienti, tiedostosiirrot ja päällekkäiset alavirran järjestelmät lisäävät viivettä, kustannuksia ja hallinnon aukkoja. Ulkoinen datanjakamismalli antaa kuluttajille organisaatiosi tai liiketoimintasi ulkopuolisille käyttäjille suoran pääsyn kuratoituihin OneLake-tietoihin ilman toistuvia vientivirheitä. Kuluttajat voivat käyttää dataa Fabric-ristiinvuokralaisten jakamisen kautta tai ulkoisten analytiikkaalustojen, kuten Snowflaken ja Azure Databricks, kautta OneLake-yhteensopivuusominaisuuksien avulla.

Kuluttajat näkevät päivitykset sitä mukaa kun julkaiset niitä. Hallitset pääsyä lähdedataan jakamis- tai yhteentoimivuusmekanismin kautta, joka tukee kuluttajan alustaa.

Käytä tätä kaavaa, kun:

  • Vaihdat tietoja ulkoisten organisaatioiden kanssa jatkuvasti.
  • Erävienti tai tiedostonsiirto lisäävät viivettä, monimutkaisuutta tai hallintaaukkoja.
  • Sinun täytyy seurata ja peruuttaa ulkoinen pääsy keskitetysti.

Ulkoisen datan jakamisen soveltaminen

Ulkoinen jakaminen toimii parhaiten, kun käytät virtualisointia datan viemisen sijaan. Sovita pääsytapa siihen, mitä kukin kuluttaja voi lukea, ja sovella kyseisen jakamis- tai yhteentoimivuusmekanismin tukemat käyttöoikeudet.

  1. Tunnista ne datatuotteet, joita haluat jakaa ulkoisesti, sekä kuluttajat, jotka niitä tarvitsevat (kumppanit, toimittajat, asiakkaat). Tyypillisesti jaat huolellisesti määriteltyjä ja dokumentoituja taulukoita ja tiedostoja.

  2. Valitse oikea jakamistapa jokaiselle kuluttajalle:

    Kuluttajatyyppi Suositeltu lähestymistapa
    Fabric-käyttäjät toisessa vuokralaisessa Ulkoisen datan jakaminen vain luku -tilassa, virtualisoitu vuokralaisten välinen pääsy
    Snowflake Azure-käyttäjillä Icebergin yhteentoimivuus Snowflaken kanssa Fabric-taulukoiden lukemiseksi Iceberg-muodossa
    Azure Databricks users OneLake-katalogin federaatio Azure Databricks OneLake-taulukoiden kyselyyn Unity Catalogin kautta ilman datan kopiointia
    Sovellukset tai työkalut, jotka tukevat ADLS Gen2- tai Blob-rajapintoja OneLake-pääsy ja API: t OneLake-datan hyödyntämiseen tuettujen API-rajapintojen kautta

    Tuodaksesi Dataverse-datan OneLakeen ennen niiden jakamista, käytä yhtenäistä datan käyttömallia.

  3. Laajenna ulkoinen pääsy valitun jakamismekanismin tukemilla oikeuksilla. Fabric-ulkoisessa tiedonjaossa jako antaa vain luku -oikeuden kaikille kutsutun käyttäjän kotivuokralaisille käyttäjille. Palveluntarjoajan puolen turvallisuus- ja hallintakäytännöt, mukaan lukien OneLake-turvallisuus, herkkyysmerkinnät ja tietohäviön ehkäisykäytännöt, eivät ole voimassa kuluttajan vuokralaisessa. Kuluttajan on säädeltävä alavirran pääsyä omassa ympäristössään.

  4. Sovitkaa jokaisen suhteen ehdoista heti alussa – mitä jaetaan, kenen kanssa ja kuinka kauan. Fabric-ulkoisen datan jakamisen yhteydessä peruuta pääsy External data shares -välilehdeltä Hallintaoikeudet -sivulla. Muita lähestymistapoja varten peruuta pääsy valitun jakamismekanismin kautta. Varmista, että kuluttaja menettää näkyvyyden.

  5. Käytä herkkyysmerkintöjä, auditointia ja tietojen häviöiden ehkäisyä Microsoft Purview'lla palveluntarjoajan Fabric-ympäristössä.

  6. Hyväksy ja dokumentoi lähdedatatuotteet OneLake-luettelossa , jotta palveluntarjoajat voivat löytää ja hallita niitä ennen jakamista. OneLake-katalogi ei julkaise datatuotteita ulkoisille vuokralaisille tai analytiikkaalustoille.

Ulkoisen tiedon jakamisen ominaisuudet

  • Datan virtualisointi – Jaa dataa kopioimattomien viitteiden kautta ilman vientiputkien hallintaa. Ominaisuudet:
  • Avoimen datan yhteentoimivuus – Jaa kuluttajille, jotka eivät käytä Fabric:ää, julkaisemalla sitä avoimissa formaateissa. Ominaisuudet:
  • Keskitetty hallinta – Hallinnoi lähdedataa Fabric-ohjelmassa ja hallitse ulkoista pääsyä jokaisen jakamismekanismin kautta. Ominaisuudet:
    • OneLake-turvallisuus kattaa pääsyn lähdetietoihin Fabric-järjestelmässä.
    • Microsoft Purview soveltaa herkkyysmerkintöjä, auditointia ja tietojen häviöiden ehkäisyä palveluntarjoajan Fabric-ympäristössä.
    • OneLake-luettelo tukee palveluntarjoajan puolen tiedonhankintaa ja hyväksyntää ennen jakamista.
  • Last updated on