Megosztás a következőn keresztül:

Vállalati BI-megoldás tervezése a Microsoft Fabric használatával

Microsoft Fabric
Azure Blob Storage
Microsoft Entra ID
Power BI

Ez a cikk bemutatja, hogyan továbbíthat adatokat egy helyszíni adattárházból egy felhőkörnyezetbe, majd hogyan használhat üzletiintelligencia-modellt az adatok kiszolgálására. Ezt a megközelítést végső célként vagy a felhőalapú összetevők teljes modernizálásának első lépéseként használhatja.

Ez az útmutató a Microsoft Fabric teljes körű forgatókönyvére épül. A helyszíni SQL-kiszolgáló adatainak kinyerésére több lehetőség is van, például a Fabric Data Factory-folyamatok, a tükrözés, a másolási feladat és a Fabric valós idejű eseménystreamjei módosítják az SQL-hez készült adatrögzítést (CDC). A kinyerés után az adatok elemzésre lesznek átalakítva.

Architecture

A Fabric vállalati BI-architektúrát bemutató ábra.

Töltse le az architektúra Visio-fájlját.

Workflow

Az alábbi munkafolyamat megfelel az előző diagramnak.

Adatforrás

Betöltés és adattárolás

  • A Fabric OneLake egyetlen, egységes logikai adattó a szervezet teljes egésze számára. Ez az SaaS különféle adattárolási lehetőségeket biztosít, például a Fabric Lakehouse-t az adatmérnöki lakehouse-számítási feladatokhoz, a Fabric Warehouse-t az adattárház számítási feladataihoz, valamint a Fabric Eventhouse-t a nagy mennyiségű idősorhoz és a naplóadatkészletekhez.

  • A Fabric Data Factory-folyamatok lehetővé teszik összetett kinyerési, átalakítási, betöltési (ETL) és adat-előállítói munkafolyamatok készítését, amelyek számos különböző feladatot képesek nagy léptékben elvégezni. A vezérlési folyamatok olyan adatfolyamokba vannak beépítve, amelyek lehetővé teszik a munkafolyamat-logika kiépítését, amely hurkokat és feltételes elemeket biztosít. Ebben az architektúrában a metaadat-alapú keretrendszerek több tábla növekményes betöltését teszik lehetővé.

  • A Fabric Data Factory tükrözésével elkerülheti az összetett ETL-folyamatokat, és integrálhatja meglévő SQL Server-tulajdonát a Fabric többi adatával. Meglévő SQL Server-adatbázisait folyamatosan replikálhatja közvetlenül a Fabric OneLake-be. A Fabric Data Factory másolási feladata megkönnyíti az adatok áthelyezését a forrásból a célhelyre folyamatok nélkül. Az adatátvitel konfigurálható a kötegelt és növekményes másolás beépített mintáival, a méretezhető teljesítmény támogatásával.

  • Fabric eseményfolyamok nagy teljesítményű, valós idejű adatbevitelt biztosítanak egy virtuális gépen üzemeltetett SQL Server-adatbázisból CDC-kinyeréssel. Ez a minta olyan eseteket használ, amelyek valós idejű irányítópultokat és riasztásokat igényelnek.

Elemzés és jelentéskészítés

Components

  • Azure SQL Database egy Azure-ban üzemeltetett PaaS SQL-kiszolgáló. Ebben az architektúrában az SQL Database biztosítja a forrásadatokat, és bemutatja a migrálási forgatókönyv adatáramlását.

  • A OneLake egy egységes, felhőalapú adattó, amely strukturált és strukturálatlan adatokat is tárol a szervezetben. Ebben az architektúrában a OneLake a központi tárolási réteg. Olyan összetevőket használ, mint a Fabric Lakehouse, a Fabric Warehouse, a Fabric Eventhouse és a tükrözött adatbázisok különböző típusú adatok megőrzése és rendszerezése elemzéshez és jelentéskészítéshez.

  • A Fabric Data Warehouse egy SaaS-ajánlat, amely nagy adathalmazok adattárház-számítási feladatait üzemelteti. Ebben az architektúrában a Fabric Data Warehouse a dimenziós adathalmazok végső tárolójaként szolgál, és támogatja az elemzést és a jelentéskészítést.

  • A Power BI egy üzletiintelligencia-eszköz, amelyet a Fabric compute üzemeltet. Ebben a forgatókönyvben adatokat jelenít és ábrázol, ezáltal az üzleti felhasználók a Fabric Data Warehouse-ból és más forrásokból származó adatok alapján interakcióba léphetnek az irányítópultokkal és jelentésekkel.

  • Microsoft Entra ID egy többfelhős identitás- és hálózati megoldáscsomag, amely támogatja a hitelesítési és engedélyezési folyamatot. Ebben az architektúrában a Microsoft Entra ID biztonságos hozzáférést biztosít a Power BI- és Fabric-erőforrásokhoz csatlakozó felhasználók számára.

Forgatókönyv részletei

Ebben a forgatókönyvben a szervezet egy nagy helyszíni adattárházat tartalmazó SQL-adatbázissal rendelkezik. A szervezet a Fabric használatával szeretné bevinni és elemezni az adatokat, és elemzési elemzéseket nyújtani a felhasználóknak a Power BI-on keresztül.

Mikor érdemes használni ezt az architektúrát?

A vállalati üzleti intelligencia üzleti követelményeinek való megfeleléshez különböző módszereket használhat. Különböző szempontok határozzák meg az üzleti követelményeket, például a jelenlegi technológiai beruházásokat, az emberi készségeket, a modernizáció ütemtervét, a jövőbeli célokat, valamint azt, hogy a szolgáltatásként nyújtott platformot (PaaS) vagy a szolgáltatott szoftvert (SaaS) részesítik előnyben.

Vegye figyelembe a következő tervezési módszereket:

A cikkben szereplő architektúra feltételezi, hogy a vállalati szemantikai modell állandó rétegeként Fabric lakehouse-t vagy Fabric-raktárat használ, és hogy a Power BI-t üzleti intelligenciához használja. Ez az SaaS-megközelítés rugalmasan alkalmazkodik a különböző üzleti követelményekhez és preferenciákhoz.

Authentication

A Microsoft Entra ID hitelesíti a Power BI-irányítópultokhoz és -alkalmazásokhoz csatlakozó felhasználókat. Az egyszeri bejelentkezés (SSO) összekapcsolja a felhasználókat a Fabric-raktár és a Power BI szemantikai modell adataival. Az engedélyezés a forrásnál történik.

Növekményes betöltés

Automatizált ETL- vagy ELT-folyamat futtatásakor csak azokat az adatokat kell betöltenie, amelyek az előző futtatás óta megváltoztak. Ezt a folyamatot növekményes terhelésnek nevezzük. Ezzel szemben a teljes terhelés betölti az összes adatot. Növekményes terhelés végrehajtásához határozza meg a módosított adatok azonosításának módját. Használhat magas vízjel érték megközelítést, amely nyomon követi egy dátum-idő oszlop vagy egy egyedi egész szám oszlop legújabb értékét a forrástáblában.

Az SQL Serverben időtáblákat használhat. A temporális táblák rendszerverziójú táblák, amelyek adatváltozási előzményeket tárolnak. Az adatbázismotor automatikusan rögzíti a változások előzményeit egy külön előzménytáblában. Az előzményadatok lekérdezéséhez hozzáadhat egy FOR SYSTEM_TIME záradékot egy lekérdezéshez. Az adatbázismotor belsőleg lekérdezi az előzménytáblát, de átlátható az alkalmazás számára.

Az időbeli táblák támogatják a dimenzióadatokat, amelyek idővel változhatnak. A ténytáblák általában nem módosítható tranzakciókat, például értékesítéseket jelölnek, ahol a rendszer verzióelőzményeinek megőrzése nem értelmezhető. Ehelyett a tranzakciók általában egy olyan oszlopot tartalmaznak, amely a tranzakció dátumát jelöli. Az oszlop használható vízjelértékként. Az AdventureWorks adattárházban például a SalesLT.* táblák LastModified mezővel rendelkeznek.

Az alábbi lépések az ELT-folyamat általános folyamatát írják le:

  1. A forrásadatbázis minden táblájában kövesse nyomon, mikor volt az utolsó ELT-feladat futásának határideje. Ezeket az adatokat az adattárházban tárolhatja. Kezdeti beállításkor minden idő 1-1-1900-re van állítva.

  2. Az adatexportálási lépés során a kivágás ideje paraméterként a forrásadatbázisban tárolt eljárások egy halmazának lesz átadva. Ezek a tárolt eljárások lekérdezik a leépítési idő után módosított vagy létrehozott rekordokat. A példában szereplő összes táblához használhatja az oszlopot ModifiedDate .

  3. Ha az adatmigrálás befejeződött, frissítse a kivágási időket tároló táblát.

Adatcsővezeték

Ez a forgatókönyv az AdventureWorks mintaadatbázist használja adatforrásként. A növekményes adatbetöltési minta biztosítja, hogy csak a legutóbbi folyamatfuttatás után módosított vagy hozzáadott adatok legyenek betöltve.

Metaadat-alapú betöltési keretrendszer

A Fabric Data Factory-folyamatok metaadat-alapú betöltési keretrendszere növekményesen betölti a relációs adatbázisban található összes táblát. A cikk egy adattárházra hivatkozik forrásként, de forrásként egy Azure SQL-adatbázissal helyettesíthető.

  1. Jelöljön ki egy vízjeloszlopot. Válasszon egy oszlopot a forrástáblában, amely segít nyomon követni az új vagy módosított rekordokat. Ez az oszlop általában a sorok hozzáadásakor vagy frissítésekor növekvő értékeket tartalmaz (például időbélyeget vagy azonosítót). Használja az oszlop legmagasabb értékét referenciapontként, hogy tudja, hol hagyta abba.

  2. Állítson be egy táblát az utolsó vízjel értékének tárolásához.

  3. Hozzon létre egy folyamatot, amely a következő tevékenységeket tartalmazza:

    • Két keresési tevékenység. Az első tevékenység megkapja az utolsó vízjelértéket (ahol legutóbb abbahagytuk). A második tevékenység megkapja az új vízjelértéket (ahol ezúttal leállítjuk). A rendszer mindkét értéket átadja a másolási tevékenységnek.

    • Másolási tevékenység, amely megkeresi azokat a sorokat, ahol a vízjel oszlopértéke a régi és az új vízjel között van. Ezután ezeket az adatokat átmásolja az adattárházból a tóházba egy új fájlként.

    • Tárolt eljárástevékenység, amely menti az új vízjelértéket a következő folyamatfuttatás kiindulópontjának meghatározásához.

    Az ábrán a vízjelértékek beolvasására, használatára és frissítésére szolgáló tevékenységek folyamatábra látható.

Az alábbi képen egy befejezett folyamat látható. További információ: Növekményes betöltés.

A képernyőképen egy médiabetöltési folyamat látható, amely keresési tevékenységeket tartalmaz a vízjelértékek lekéréséhez, az új adatok másolási tevékenységéhez és a vízjel frissítéséhez szükséges tárolt eljárásokkal.

Adatok betöltése Fabric-adattárházba

A másolási tevékenység adatokat másol az SQL-adatbázisból a Fabric adattárházba. A példa SQL-adatbázisa az Azure-ban található, ezért a Háló portálon a Kapcsolat és átjárók kezelése területen beállított kapcsolatot használja.

Fabric Data Factory-adattárház csatornái használata

A Fabric Data Factory folyamatai rendezett tevékenységkészletet határoznak meg egy növekményes terhelési minta végrehajtásához. Manuális vagy automatikus eseményindítók indítják el a folyamatot.

Az adatok átalakítása

Ha átalakításra van szükség, használja a Fabric-adatfolyamokat alacsony kódszámú, AI-támogatású ETL-átalakítások tervezéséhez, amelyek átalakítják az adatokat. A háló adatfolyamai a Power Query-motorra támaszkodva alkalmazzák ezeket az átalakításokat, és megírják az eredményeket a Fabric Data Warehouse-ba.

Éles környezetben a Fabric-jegyzetfüzetekkel olyan ETL-átalakításokat valósíthat meg, amelyek jól működnek a nagy adathalmazok esetében az Apache Spark által vezetett elosztott számítástechnikai keretrendszeren keresztül.

Megjegyzés:

A natív végrehajtási motorral adatmérnöki vagy ETL-számítási feladatokat futtathat.

Adatok elérése, modellezése és vizualizációja a Power BI és a Fabric kapacitásaival

A Power BI hálókapacitásai több tárolási módot is támogatnak az Azure-adatforrásokhoz való csatlakozáshoz:

  • Importál: Adatok betöltése a Power BI szemantikai modelljébe memórián belüli lekérdezéshez.

  • DirectQuery: Lekérdezéseket futtat közvetlenül a relációs tárolón anélkül, hogy adatokat tölt be a memóriába.

  • Összetett modell: Egyes táblák importálási módját egyesíti a DirectQueryvel az ugyanabban az adatkészletben lévő többi tábla esetében.

  • Direct Lake: Lekérdezi a OneLake-ben tárolt delta táblákat egy Fabric-munkaterület szemantikai modelljéből. A nagyméretű táblák interaktív elemzésére van optimalizálva, mivel az adatokat igény szerint betölti a memóriába.

Ez a forgatókönyv a DirectQuery-irányítópultot használja, mert kis mennyiségű adattal és alacsony modellösszetettséggel rendelkezik. A DirectQuery delegálja a lekérdezést a mögöttes számítási motorra, és biztonsági képességeket használ a forráson. A DirectQuery biztosítja, hogy az eredmények mindig összhangban legyenek a legújabb forrásadatokkal.

Az importálási mód a legalacsonyabb lekérdezési késést biztosíthatja. Fontolja meg az importálási módot, ha az alábbi tényezők teljesülnek:

  • A modell teljes mértékben a Power BI memóriájába illeszkedik.
  • A frissítések közötti adatkésés elfogadható.
  • Összetett átalakításokra van szükség a forrásrendszer és a végső modell között.

Ebben az esetben a felhasználók teljes hozzáférést szeretnének biztosítani a legutóbbi adatokhoz a Power BI frissítésének késleltetése nélkül, és minden előzményadatot szeretnének, amely meghaladja a Power BI-adathalmaz kapacitását. A Power BI-adatkészletek a kapacitás méretétől függően 25 gigabájtot (GB) és 400 GB-ot képesek kezelni. A dedikált SQL-készlet adatmodellje már csillagsémában van, és nem igényel átalakítást, ezért a DirectQuery megfelelő választás.

A képernyőképen egy Power BI-irányítópult látható értékesítési metrikákkal, trenddiagramokkal, szűrőkkel és részletes adattáblával.

A Power BI használatával nagy modelleket, lapszámozott jelentéseket és üzembehelyezési folyamatokat kezelhet. Használja ki a beépített Azure Analysis Services-végpont előnyeit. Dedikált kapacitással is rendelkezhet, egyedi értékajánlattal.

Amikor a BI modell növekszik, vagy az irányítópultok bonyolultsága nő, válthat összetett modellekre, és importálhatja a keresési táblák részeit hibrid táblák segítségével, valamint importálhat előre összesített adatokat. Engedélyezheti a lekérdezések gyorsítótárazását a Power BI-ban importált adathalmazokhoz, és használhatja a kettős táblákat a tárolási mód tulajdonsághoz.

Az összetett modellben az adathalmazok virtuális átmenő rétegként szolgálnak. Amikor a felhasználók interakcióba lépnek a vizualizációkkal, a Power BI SQL-lekérdezéseket hoz létre a Fabric Data Warehouse-ba. A Power BI a hatékonyság alapján határozza meg, hogy memóriabeli vagy DirectQuery-tárolót használjon-e. A motor dönti el, hogy mikor váltson a memóriából DirectQueryre, és leküldi a logikát a Fabric adattárházba. A lekérdezéstáblák környezetétől függően gyorsítótárazott (importált) vagy nem gyorsítótárazott összetett modellekként is szolgálhatnak. Kiválaszthatja, hogy melyik táblát gyorsítótárazza a memóriába, egyesítse egy vagy több DirectQuery-forrás adatait, vagy egyesítse a DirectQuery-forrásadatokat és az importált adatokat.

Ha a DirectQueryt Fabric-adattárházzal vagy lakehouse-nal használja, hajtsa végre a következő műveleteket:

  • A Fabric Z-Order és a V-Order használatával javíthatja a lekérdezési teljesítményt a mögöttes táblaadatok delta formátumú fájlokban való tárolásának optimalizálásával.

  • A Fabric lakehouse materializált nézeteivel előre kiszámíthatja, tárolhatja és karbantarthatja az adatokat, mintha egy tábla lenne. Azok a lekérdezések, amelyek az összes adatot vagy az adatok egy részhalmazát materializált nézetben használják, gyorsabb teljesítményt érhetnek el anélkül, hogy közvetlenül kellene hivatkozni a definiált materializált nézetre a használatukhoz.

Megfontolások

Ezek a szempontok implementálják az Azure Well-Architected Framework alappilléreit, amely a számítási feladatok minőségének javítására használható vezérelvek készlete. További információ: Well-Architected Framework.

Reliability

A megbízhatóság biztosítja, hogy az alkalmazás megfeleljen az ügyfelek felé vállalt kötelezettségeknek. További információkért tekintse meg a Megbízhatósági terv felülvizsgálati ellenőrzőlistát.

A Megbízhatóság című cikk bemutatja, hogyan támogatja a Fabric a megbízhatóságot, beleértve a rendelkezésre állási zónákon keresztüli regionális rugalmasságot, valamint a régiók közötti helyreállítást és az üzletmenet folytonosságát. A Fabric vészhelyreállítási kapcsolót biztosít a kapacitásbeállítások oldalán. Itt érhető el, ahol az Azure regionális párosításai összhangban vannak a Fabric szolgáltatás jelenlétével. Ha a vészhelyreállítási kapacitás beállítása be van kapcsolva, a régiók közötti replikáció engedélyezve van a OneLake-adatok vészhelyreállítási képességeként .

Biztonság

A biztonság biztosítékokat nyújt a szándékos támadások és az értékes adatokkal és rendszerekkel való visszaélés ellen. További információkért lásd a Biztonsági terv felülvizsgálati ellenőrzőlistát.

A felhő modernizálása biztonsági problémákat, például adatszivárgásokat, kártevő-fertőzéseket és rosszindulatú kódinjektálásokat vezet be. Olyan felhőszolgáltatóra vagy szolgáltatásmegoldásra van szüksége, amely képes kezelni az aggályait, mert a nem megfelelő biztonsági intézkedések jelentős problémákat okozhatnak.

Ez a forgatókönyv a rétegzett biztonsági vezérlők kombinációjával kezeli a legigényesebb biztonsági problémákat, beleértve a hálózati, identitás-, adatvédelmi és engedélyezési vezérlőket. A Fabric-adattárház tárolja a legtöbb adatot. A Power BI az SSO-val a DirectQueryn keresztül fér hozzá az adatokhoz. Hitelesítéshez használja a Microsoft Entra-azonosítót. Az ellátott készleteken belül kiterjedt biztonsági vezérlők is rendelkezésre állnak az adatok engedélyezésére.

Vegye figyelembe a következő gyakori biztonsági problémákat:

  • Határozza meg, hogy kik láthatják az adatokat.

    • Győződjön meg arról, hogy az adatok megfelelnek a szövetségi, a helyi és a vállalati irányelveknek az adatszivárgási kockázatok csökkentése érdekében. A Fabric átfogó adatvédelmi képességeket biztosít a biztonság támogatásához és a megfelelőség előmozdításához.

    • A OneLake-biztonság a szülőelemtől vagy munkaterület engedélyétől örökölt különböző engedélyekkel szabályozza a OneLake-adatokhoz való hozzáférést.

      • A munkaterületek az elemek létrehozására és kezelésére szolgáló együttműködési környezetek. A munkaterületi szerepkörök ezen a szinten kezelhetők.

      • Az elemek egy adott összetevőbe csomagolt képességek készletei. Az adatelem az elem olyan altípusa, amely lehetővé teszi az adatok tárolását a OneLake használatával. Az elemek a munkaterületi szerepköröktől öröklik az engedélyeket, de további engedélyekkel is rendelkezhetnek. Az elemek mappái az adatok tárolására és kezelésére szolgálnak, például Tables/ a Files/.

  • Határozza meg, hogyan ellenőrizheti a felhasználó identitását.

  • Válasszon egy hálózati biztonsági technológiát a hálózatok és adatok integritásának, titkosságának és hozzáférésének védelméhez.

  • Válassza ki a fenyegetések észleléséhez és értesítéséhez szükséges eszközöket.

  • Határozza meg, hogyan védheti meg az adatokat a Fabric OneLake-en.

    • A Microsoft Purview Information Protection bizalmassági címkéivel védheti a Fabricen tárolt adatokat . Az általános, bizalmas és szigorúan bizalmas címkék széles körben használhatók a Microsoft Office-alkalmazásokban, például a Wordben, a PowerPointban és az Excelben a bizalmas információk védelme érdekében. Automatikusan követik az adatokat egyik elemtől a másikig, miközben a rendszeren keresztül áramlanak, egészen az adatforrástól az üzleti felhasználóig.

Költségoptimalizálás

A költségoptimalizálás a szükségtelen kiadások csökkentésére és a működési hatékonyság javítására összpontosít. További információt a Költségoptimalizálás tervezési felülvizsgálati ellenőrzőlistájában talál.

Ez a szakasz a megoldásban használt különböző szolgáltatások díjszabását ismerteti, és egy mintaadatkészlet használatával ismerteti az ehhez a forgatókönyvhöz hozott döntéseket. Használja a kezdő konfigurációt az Azure díjkalkulátorában , és állítsa be a forgatókönyvnek megfelelően. A Fabric termékváltozatairól további információt a Fabric díjszabásának áttekintésében talál. További információért arról, hogyan lehet becslést készíteni a Fabric összfogyasztásáról, tekintse meg a Fabric kapacitásbecslő eszközét.

Hálóméretezhető architektúra

A Fabric egy kiszolgáló nélküli architektúra a számítási és tárolási szintek egymástól függetlenül történő skálázásához a legtöbb számítási feladathoz. A számítási erőforrások használat alapján költségekkel járnak. Ezeket az erőforrásokat igény szerint skálázhatja vagy szüneteltetheti. A tárolási erőforrások GB-onkénti költségekkel járnak, így az adatok betöltésekor a költségek növekednek.

Fabric Factory-csővezetékek

A csővezeték árát három fő összetevő befolyásolja:

  • Vezényléshez szükséges adatfolyam-tevékenységek: A költségek optimalizálása érdekében csökkentse a teljes vezénylési időt párhuzamos folyamatok implementálásával.

  • Dataflow Gen2 a számításhoz: A költségek optimalizálása érdekében egyszerűsítse az ETL-folyamatokat a szükségtelen adatok szűrésével és a növekményes kinyerés feldolgozásával.

  • Adatáthelyezés másolási feladathoz vagy másolási tevékenységhez: A költségek optimalizálásához konfigurálja a másolási feladatot növekményes kinyeréssel, és állítsa be a másolási tevékenység átviteli sebességét.

További információért lásd a Data Factory árazási mérőórák lapját a Data Factory díjszabás lapján.

Az ár az összetevőktől vagy tevékenységektől, a gyakoriságtól és a vezényléshez kapcsolódó teljes számítástól függően változik. A folyamattevékenységekből vagy másolási feladatokból eredő adatáthelyezés költséges. A hálótükrözésen keresztüli adatáthelyezéshez kapcsolódó számítás azonban ingyenes, és a tükrözött adatok tárolási költsége a kapacitás méretétől függően ingyenes. Ha például F64-kapacitást vásárol, 64 ingyenes terabájt (TB) tárterületet kap, amelyet kizárólag tükrözéshez használnak. A OneLake storage számlázása az ingyenes tükrözési tárterület korlát túllépése vagy a kapacitás szüneteltetése esetén történik.

Háló számítási feladatainak döntési útmutatója

Ezzel a döntési útmutatóval kiválaszthat egy adattárat a Fabric számítási feladataihoz. A OneLake-ben minden lehetőség elérhető egységes tárterületen.

A Fabric Lakehouse vagy a Fabric Warehouse SQL-végpontja lehetővé teszi, hogy ad-hoc lekérdezéseket futtasson elemzés céljából. Emellett lehetővé teszi a Power BI szemantikai modelljeinek az adatok importálását vagy közvetlen lekérdezését. A lakehouse-hoz vagy -raktárhoz társított költség megegyezik az SQL végponton végzett SQL-lekérdezések feldolgozásához szükséges CUs fogyasztásával. A költségek optimalizálásához implementálja a Z-Ordering és a V-Ordering szolgáltatást a Fabric Lakehouse-ban a lekérdezési teljesítmény javítása érdekében. Az Adattárház esetében optimalizálja a lekérdezéseket kisebb kötegek olvasására.

OneLake tárolás

A OneLake Storage használatalapú fizetéssel kerül számlázásra a felhasznált adatok GB-jánként, és nem használja fel a Fabric-kapacitásegységeket (CU-kat). Az olyan fabric elemek, mint a tóházak és a raktárak, OneLake tárhelyet használnak. További információkért lásd a Fabric díjszabását.

A OneLake költségeinek optimalizálása érdekében koncentráljon a tárterület kezelésére a nem használt adatok rendszeres törlésével, beleértve a helyreállítható törlésű tárolóban lévő adatokat, valamint az olvasási/írási műveletek optimalizálását. A OneLake Storage számlázása külön történik a számítástól, ezért fontos a használat monitorozása a Fabric-kapacitásmetrikák alkalmazással. A havi átlagos napi használat alapján kiszámított tárolási költségek csökkentése érdekében fontolja meg a tárolt adatok mennyiségének minimalizálását.

Power BI

Ez a forgatókönyv a Power BI-munkaterületeket használja beépített teljesítménybeli fejlesztésekkel az igényes elemzési igények kielégítése érdekében. A költségek optimalizálása érdekében növekményes frissítést kell implementálni az importálási mód kinyeréséhez. A Direct Lake mód implementálása nagyobb adathalmazokról való jelentéskészítéshez, ha lehetséges, a Fabric-kapacitások teljes terhelésének csökkentése érdekében.

További információ: Power BI díjszabási.

Működési kiválóság

Az Operational Excellence azokat az üzemeltetési folyamatokat fedi le, amelyek üzembe helyeznek egy alkalmazást, és éles környezetben működtetik. További információ: Az operatív kiválóság tervezési felülvizsgálati ellenőrzőlistája.

  • Egy Azure DevOps-kiadási folyamat és a GitHub Actions használatával automatizálhatja a Fabric-munkaterület összetevőjének üzembe helyezését több környezetben. További információ: Folyamatos integráció és folyamatos kézbesítés Fabric munkaterülethez.

  • Helyezze az egyes számítási feladatokat egy külön üzembehelyezési sablonba, és tárolja az erőforrásokat a forrásvezérlő rendszerekben. A sablonokat egy folyamatos integrációs és folyamatos kézbesítési (CI/CD) folyamat részeként helyezheti üzembe együtt vagy külön-külön. Ez a megközelítés leegyszerűsíti az automatizálási folyamatot. Ez az architektúra négy fő számítási feladatból áll:

    • Az adattárház és a kapcsolódó erőforrások
    • Data Factory-csővezetékek
    • Power BI-objektumok, beleértve az irányítópultokat, alkalmazásokat és adatkészleteket
    • Helyszíni és felhőbeli szimulált forgatókönyv

  • Érdemes lehet a számítási feladatokat olyan környezetbe elhelyezni, ahol praktikus. A számítási feladat üzembe helyezése különböző szakaszokban. Mielőtt a következő szakaszra lépne, minden szakaszban futtassa az ellenőrzéseket. Ez a megközelítés szabályozott módon juttatja el az éles környezetek frissítéseit, és minimalizálja a váratlan telepítési problémákat. A kék-zöld üzembe helyezési és kanári kiadási stratégiák alkalmazásával frissítsd az élő éles környezeteket.

  • Sikertelen telepítések kezeléséhez használjon visszaállítási stratégiát. Például automatikusan újra üzembe helyezhet egy korábbi, sikeres üzembe helyezést az üzembe helyezési előzményekből. Használja a --rollback-on-error jelzőt az Azure CLI-ben.

  • A Fabric kapacitásmetrikák alkalmazásával átfogóan monitorozza a Fabric-kapacitásfelhasználást. Használja a munkaterület monitorozását a Fabric-munkaterület telemetriai naplóinak részletes monitorozásához.

  • Használja a Fabric kapacitásbecslőt a Fabric-kapacitás igényeinek becsléséhez.

Teljesítményhatékonyság

A teljesítményhatékonyság arra utal, hogy a számítási feladat hatékonyan képes skálázódni a felhasználói igények kielégítésére. További információt a Teljesítményhatékonyság tervezési felülvizsgálati ellenőrzőlistájában talál.

Ez a cikk a Fabric F64-kapacitást használja a BI-képességek bemutatásához. A Fabric dedikált Power BI-kapacitásai az F64-től a maximális termékváltozat-méretig terjednek. További információkért lásd a Fabric díjszabását.

A szükséges kapacitás meghatározásához hajtsa végre a következő műveleteket:

Közreműködők

A Microsoft fenntartja ezt a cikket. A következő közreműködők írták ezt a cikket.

Fő szerző:

Egyéb közreműködők:

A nem nyilvános LinkedIn-profilok megtekintéséhez jelentkezzen be a LinkedInbe.

Következő lépések