Opérations de Fabric
Chaque expérience au sein de Microsoft Fabric prend en charge des opérations uniques. Le taux de consommation d’une opération est ce qui convertit l’utilisation des indicateurs de performance bruts de l’expérience en unités de calcul (CU).
La page de calcul de l’application Indicateurs de performance de capacité Microsoft Fabric fournit une vue d’ensemble des performances de votre capacité et répertorie les opérations Fabric qui consomment des ressources de calcul.
Cet article répertorie ces opérations par expérience et explique comment elles consomment des ressources dans Fabric.
Opérations interactives et en arrière-plan
Microsoft Fabric divise les opérations en deux types, interactifs et arrière-plan. Cet article répertorie ces opérations et explique la différence entre ces opérations.
Opérations interactives
Les requêtes et opérations à la demande qui peuvent être déclenchées par les interactions de l’utilisateur avec l’interface utilisateur, comme les requêtes de modèles de données générées par les visuels de rapports, sont classées comme des opérations interactives. Elles sont généralement déclenchées par des interactions des utilisateurs avec l’interface utilisateur (IU). Par exemple, une opération interactive est déclenchée quand un utilisateur ouvre un rapport ou clique sur un sélecteur dans un rapport Power BI. Les opérations interactives peuvent également être déclenchées sans interaction avec l’interface utilisateur, par exemple lors de l’utilisation de SQL Server Management Studio (SSMS) ou d’une application personnalisée pour exécuter une requête DAX.
Opérations en arrière-plan
Les opérations d’exécution plus longue, comme les actualisation de modèle sémantique ou de flux de données, sont classifiées comme opérations d’arrière-plan. Elles peuvent être déclenchées manuellement par un utilisateur ou automatiquement sans intervention de l’utilisateur. Les opérations d’arrière-plan incluent les actualisations planifiées, les actualisations interactives, les actualisations basées sur REST et les opérations d’actualisation basées sur XMLA. Les utilisateurs ne sont pas censés attendre la fin de ces opérations. Au lieu de cela, ils peuvent revenir ultérieurement pour vérifier l’état des opérations.
Guide pratique pour lire ce document
Chaque expérience a une table qui répertorie ses opérations, avec les colonnes suivantes :
Opération : nom de l’opération. Visible dans l’application Microsoft Fabric Capacity Metrics.
Description : Description de la colonne.
Élément : l’élément auquel cette opération peut s’appliquer. Visible dans l’application Microsoft Fabric Capacity Metrics.
Compteur de facturation Azure : Le nom du compteur sur votre facture Azure qui affiche l’utilisation de cette opération.
Type : répertorie le type de l’opération. Les opérations sont classées comme opérations de interactives ou de d’arrière-plan.
Lorsque des informations supplémentaires sur le taux de consommation sont disponibles, un lien vers le document contenant ces informations est fourni.
Opérations de structure par expérience
Cette section est divisée en expérience Fabric. Chaque expérience disposait d’une table qui répertorie ses opérations.
Important
Les taux de consommation sont susceptibles de changer à tout moment. Microsoft utilisera des efforts raisonnables pour fournir une notification par e-mail ou par le biais d’une notification dans le produit. Les modifications seront effectives à la date indiquée dans les notes de publication de Microsoft ou blog Microsoft Fabric. Si une modification apportée à un taux de consommation de charge de travail Microsoft Fabric augmente matériellement les unités de capacité requises pour utiliser une charge de travail particulière, les clients peuvent utiliser les options d’annulation disponibles pour le mode de paiement choisi.
Copilot dans Fabric
Les opérations Copilot sont répertoriées dans cette table. Vous trouverez les taux de consommation de Copilot dans Copilotconsommation.
| Operation | Description | Article | Compteur de facturation Azure | Type |
|---|---|---|---|---|
| Copilot dans Fabric | Coût de calcul associé aux invites d’entrée et à l’achèvement de la production | Multiple | Copilot dans Fabric CU | Background |
Data Factory
L’expérience Data Factory contient des opérations pour dataflows Gen2 et pipelines.
Flux de données Gen2
Vous trouverez les taux de consommation des flux de données Gen2 dans la tarification des flux de données Gen2 pour Data Factory dans Microsoft Fabric.
| Operation | Description | Article | Compteur de facturation Azure | Type |
|---|---|---|---|---|
| Actualisation de Dataflow Gen2 | Coût de calcul associé à l’opération d’actualisation de dataflow Gen2 | Dataflow Gen2 | Utilisation de capacité de calcul standard de flux de données en CU | Arrière-plan |
| Calcul de flux de données à grande échelle - Requête de point de terminaison SQL | Utilisation liée au point de terminaison SQL de l’entrepôt de préproduction Dataflow Gen2 | Entrepôt | Utilisation de capacité de calcul de flux de données à grande échelle en CU | Arrière-plan |
Pipelines
Vous trouverez les taux de consommation de Pipelines dans la tarification de données de pipelines pour Data Factory dans Microsoft Fabric.
| Operation | Description | Article | Compteur de facturation Azure | Type |
|---|---|---|---|---|
| DataMovement | Durée utilisée par l’activité de copie dans un pipeline Data Factory divisé par le nombre d’unités d’intégration de données | Pipeline | Utilisation de capacité de déplacement des données en CU | Arrière-plan |
| ActivityRun | Exécution d’une activité de pipeline de données Data Factory | Pipeline | Utilisation de capacité d’orchestration des données en CU | Arrière-plan |
entrepôt de données
Un cœur Synapse Data Warehouse (unité de calcul pour Data Warehouse) équivaut à deux unités de capacité Fabric (CU).
| Operation | Description | Article | Compteur de facturation Azure | Type |
|---|---|---|---|---|
| Requête d’entrepôt | Frais de calcul pour toutes les instructions T-SQL générées par l’utilisateur et le système dans un entrepôt | Entrepôt | Utilisation de capacité de l’entrepôt de données en CU | Arrière-plan |
| Requête de point de terminaison SQL | Frais de calcul pour toutes les instructions T-SQL générées par l’utilisateur et le système au sein du point de terminaison d'analytique SQL | Entrepôt | Utilisation de capacité de l’entrepôt de données en CU | Background |
API Fabric pour GraphQL
Les opérations GraphQL sont constituées de requêtes effectuées sur des éléments de l’API pour GraphQL par les clients de l’API. Tous les temps de traitement d’opération de requête et de réponse de GraphQL sont signalés en unités de capacité (CU) en secondes au taux de dix CU par heure.
| Operation | Description | Article | Compteur de facturation Azure | Type |
|---|---|---|---|---|
| Requête | Frais de calcul pour toutes les requêtes (lectures) et mutations (écritures) GraphQL générées par les clients au sein d’une API GraphQL | GraphQL | API pour les CU d’utilisation de la capacité de requête GraphQL | Interactive |
OneLake
Les opérations de calcul One Lake représentent les transactions effectuées sur les éléments One Lake. Le taux de consommation pour chaque opération varie en fonction de son type. Pour plus d’informations, reportez-vous à consommation de One Lake.
| Operation | Description | Article | Compteur de facturation Azure | Type |
|---|---|---|---|---|
| Lecture OneLake via la redirection | Lecture OneLake via la redirection | (Multiple) | Utilisation de capacité des opérations de lecture OneLake en CU | Arrière-plan |
| Lecture OneLake via proxy | Lecture OneLake via proxy | (Multiple) | Utilisation de capacité des opérations de lecture OneLake via API en CU | Arrière-plan |
| Écriture OneLake via la redirection | Écriture OneLake via la redirection | (Multiple) | Utilisation de capacité des opérations d’écriture OneLake en CU | Arrière-plan |
| OneLake Write via Proxy | OneLake Write via Proxy | (Multiple) | Utilisation de capacité des opérations d’écriture OneLake via la CU d’utilisation de la capacité de l’API | Arrière-plan |
| Écriture itérative OneLake via la redirection | Écriture itérative OneLake via la redirection | (Multiple) | Opérations d’écriture itérative OneLake | Arrière-plan |
| Lecture itérative OneLake via Redirect | Lecture itérative OneLake via Redirect | (Multiple) | Cu d’utilisation de capacité des opérations de lecture itérative OneLake | Arrière-plan |
| OneLake Autres opérations | OneLake Autres opérations | (Multiple) | Utilisation de capacité des autres opérations OneLake en CU | Arrière-plan |
| OneLake Other Operations via Redirect | OneLake Other Operations via Redirect | (Multiple) | Utilisation de capacité des autres opérations OneLake via API en CU | Arrière-plan |
| Écriture itérative OneLake via le proxy | Écriture itérative OneLake via le proxy | (Multiple) | Utilisation de capacité des opérations d’écriture itérative OneLake via API en CU | Arrière-plan |
| Lecture itérative OneLake via le proxy | Lecture itérative OneLake via le proxy | (Multiple) | Utilisation de capacité des opérations de lecture itérative OneLake via API en CU | Arrière-plan |
| Lecture BCDR OneLake via le proxy | Lecture BCDR OneLake via le proxy | (Multiple) | Utilisation de capacité des opérations de lecture BCDR OneLake via API en CU | Arrière-plan |
| Écriture BCDR OneLake via le proxy | Écriture BCDR OneLake via le proxy | (Multiple) | Opérations d’écriture BCDR OneLake via la CU d’utilisation de la capacité de l’API | Arrière-plan |
| Lecture BCDR OneLake via la redirection | Lecture BCDR OneLake via la redirection | (Multiple) | Utilisation de capacité des opérations de lecture BCDR OneLake en CU | Arrière-plan |
| Écriture BCDR OneLake via la redirection | Écriture BCDR OneLake via la redirection | (Multiple) | Utilisation de capacité des opérations d’écriture BCDR OneLake en CU | Arrière-plan |
| Lecture itérative de OneLake BCDR via le proxy | Lecture itérative de OneLake BCDR via le proxy | (Multiple) | Utilisation de capacité des opérations de lecture itérative BCDR OneLake via API en CU | Arrière-plan |
| Lecture itérative de OneLake BCDR via la redirection | Lecture itérative de OneLake BCDR via la redirection | (Multiple) | Utilisation de capacité des opérations de lecture itérative BCDR OneLake en CU | Arrière-plan |
| Écriture itérative OneLake BCDR via le proxy | Écriture itérative OneLake BCDR via le proxy | (Multiple) | Utilisation de capacité des opérations d’écriture itérative BCDR OneLake via API en CU | Arrière-plan |
| Écriture itérative OneLake BCDR via la redirection | Écriture itérative OneLake BCDR via la redirection | (Multiple) | Utilisation de capacité des opérations d’écriture itérative BCDR OneLake en CU | Arrière-plan |
| OneLake BCDR Autres opérations | OneLake BCDR Autres opérations | (Multiple) | Utilisation de capacité des autres opérations BCDR OneLake en CU | Arrière-plan |
| OneLake BCDR Autres opérations via la redirection | OneLake BCDR Autres opérations via la redirection | (Multiple) | Utilisation de capacité des autres opérations BCDR OneLake via API en CU | Arrière-plan |
Power BI
L’utilisation de chaque opération est signalée en temps de traitement CU en secondes. Huit processeurs sont équivalents à un cœur virtuel Power BI.
Remarque
Le terme modèle sémantique remplace le terme jeu de données. Vous pouvez toujours voir l’ancien terme dans l’interface utilisateur jusqu’à ce qu’il soit complètement remplacé.
Actuellement, nous ne facturons pas les visuels R/Py dans Power BI.
| Operation | Description | Article | Compteur de facturation Azure | Type |
|---|---|---|---|---|
| Intelligence artificielle (IA) | Évaluation des fonctions d’IA | Intelligence artificielle | CU d’utilisation de la capacité Power BI | Arrière-plan |
| Requête en arrière-plan | Requêtes pour actualiser les vignettes et créer des instantanés de rapports | Modèle sémantique | CU d’utilisation de la capacité Power BI | Arrière-plan |
| Flux de données DirectQuery | Se connecter directement à un flux de données sans avoir à importer les données dans un modèle sémantique | Dataflow Gen1 | CU d’utilisation de la capacité Power BI | Interactive |
| Actualisation du flux de données | Actualisation planifiée du flux de données en arrière-plan à la demande, effectuée par le service ou avec des API REST. | Dataflow Gen1 | CU d’utilisation de la capacité Power BI | Arrière-plan |
| Actualisation à la demande du modèle sémantique | Actualisation d’un modèle sémantique en arrière-plan à l’initiative de l’utilisateur, à l’aide du service, des API REST ou des points de terminaison publics XMLA | Modèle sémantique | CU d’utilisation de la capacité Power BI | Arrière-plan |
| Actualisation planifiée du modèle sémantique | Actualisation planifiée du modèle sémantique en arrière-plan, effectuée par le service, les API REST ou les points de terminaison XMLA publics | Modèle sémantique | CU d’utilisation de la capacité Power BI | Arrière-plan |
| Abonnement par e-mail au rapport complet | Copie PDF ou PowerPoint d’un rapport Power BI entier, jointe à un abonnement par e-mail | État | CU d’utilisation de la capacité Power BI | Arrière-plan |
| Requête interactive | Requêtes initiées par une demande de données à la demande d’un utilisateur. Par exemple, le chargement d’un modèle lors de l’ouverture d’un rapport ou l’interaction de l’utilisateur avec un rapport | Modèle sémantique | CU d’utilisation de la capacité Power BI | Interactive |
| PublicApiExport | Rapport Power BI exporté avec le rapport d’exportation vers un fichier API REST | État | CU d’utilisation de la capacité Power BI | Arrière-plan |
| Rendu | Rapport paginé Power BI exporté avec le exporter le rapport paginé vers un fichier API REST | Rapport paginé | CU d’utilisation de la capacité Power BI | Arrière-plan |
| Rendu | Un rapport paginé Power BI affiché dans le service Power BI | Rapport paginé | CU d’utilisation de la capacité Power BI | Interactive |
| Lecture de la modélisation web | Opération de lecture de modèle de données dans l’expérience utilisateur de modélisation web du modèle sémantique | Modèle sémantique | CU d’utilisation de la capacité Power BI | Interactive |
| Écriture de la modélisation web | Opération d’écriture de modèle de données dans l’expérience utilisateur de modélisation web du modèle sémantique | Modèle sémantique | CU d’utilisation de la capacité Power BI | Interactive |
| Lecture XMLA | Opérations de lecture XMLA initiées par l’utilisateur, pour les requêtes et les découvertes | Modèle sémantique | CU d’utilisation de la capacité Power BI | Interactive |
| Écriture XMLA | Une opération d’écriture XMLA en arrière-plan qui modifie le modèle | Modèle sémantique | CU d’utilisation de la capacité Power BI | Background |
Informations en temps réel
L’expérience d’informations en temps réel contient des opérations autour du flux d’événements et de la base de données KQL et l’ensemble de requêtes KQL.
Flux d'événements
Vous trouverez les taux de consommation des flux d’événements dans Surveiller la consommation de capacité pour les flux d’événements Microsoft Fabric.
| Operation | Description | Article | Compteur de facturation Azure | Type |
|---|---|---|---|---|
| Flux d’événements par heure | Ingestion ou traitement pour le flux d’événements | Diffusion en continu des événements | Utilisation de capacité eventstream en CU | Arrière-plan |
| Trafic de données Eventstream par Go | Entrée et sortie des données | Diffusion en continu des événements | Utilisation de capacité de trafic de données eventstream par Go en CU | Arrière-plan |
| Processeur Eventstream par heure | Traitement ASA | Diffusion en continu des événements | Utilisation de capacité de processeur eventstreams en CU | Arrière-plan |
Base de données KQL et ensemble de requêtes KQL
Vous trouverez les taux de consommation de la base de données KQL dans Consommation de la base de données KQL.
| Operation | Description | Article | Compteur de facturation Azure | Type |
|---|---|---|---|---|
| KustoUpTime | Mesure du temps pendant lequel la base de données KQL est active | Base de données KQL ou ensemble de requêtes KQL | Utilisation de capacité de base de données KQL en CU | Interactive |
Spark
Deux VCores Spark (une unité de puissance de calcul pour Spark) sont égaux à une unité de capacité (CU). Pour comprendre comment les opérations Spark consomment des unités de gestion cloud, reportez-vous à pools Spark.
| Operation | Description | Article | Compteur de facturation Azure | Type |
|---|---|---|---|---|
| Opérations Lakehouse | Table d’aperçu des utilisateurs dans l’explorateur Lakehouse | Lakehouse | Utilisation de capacité à mémoire optimisée Spark en CU | Arrière-plan |
| Chargement de table Lakehouse | Les utilisateurs chargent la table delta dans l’explorateur Lakehouse | Lakehouse | Utilisation de capacité à mémoire optimisée Spark en CU | Arrière-plan |
| Exécution du notebook | Synapse Notebook s’exécute manuellement par les utilisateurs | Notebook Synapse | Utilisation de capacité à mémoire optimisée Spark en CU | Arrière-plan |
| Exécution HC du notebook | Synapse Notebook s’exécute sous la session Spark haute concurrence | Notebook Synapse | Utilisation de capacité à mémoire optimisée Spark en CU | Arrière-plan |
| Exécution planifiée du notebook | Exécutions synapse Notebook déclenchées par des événements planifiés de notebook | Notebook Synapse | Utilisation de capacité à mémoire optimisée Spark en CU | Arrière-plan |
| Exécution du pipeline de notebook | Exécutions synapse Notebook déclenchées par le pipeline | Notebook Synapse | Utilisation de capacité à mémoire optimisée Spark en CU | Arrière-plan |
| Exécution VS Code du notebook | Synapse Notebook s’exécute dans VS Code. | Notebook Synapse | Utilisation de capacité à mémoire optimisée Spark en CU | Arrière-plan |
| Exécution de tâche Spark | Exécutions de travaux par lots Spark initiées par l’envoi d’utilisateurs | Définition de la tâche Spark | Utilisation de capacité à mémoire optimisée Spark en CU | Arrière-plan |
| Exécution planifiée de tâche Spark | Exécutions de travaux de traitement par lots Synapse déclenchées par des événements planifiés de notebook | Définition de la tâche Spark | Utilisation de capacité à mémoire optimisée Spark en CU | Arrière-plan |
| Exécution du pipeline de tâche Spark | Exécutions de travaux de traitement par lots Synapse déclenchées par le pipeline | Définition de la tâche Spark | Utilisation de capacité à mémoire optimisée Spark en CU | Arrière-plan |
| Exécution de tâches Spark VS Code | Définition de travail Synapse Spark envoyée à partir de VS Code | Définition de la tâche Spark | Utilisation de capacité à mémoire optimisée Spark en CU | Background |