Számlázható használati rendszer táblázathivatkozása

Ez a cikk áttekintést nyújt a számlázható használati rendszer tábláról, beleértve a sémát és a példa lekérdezéseket. A rendszertáblák segítségével a fiók számlázható használati adatai központosítva és az összes régióhoz irányítva lesznek, így megtekintheti a fiók globális használatát attól függően, hogy melyik régióban van a munkaterülete.

A költségek és a minta lekérdezések figyelésére szolgáló tábla használatával kapcsolatos információkért lásd: Költségek figyelése rendszertáblák használatával.

Tábla elérési útja: Ez a rendszertábla a system.billing.usagetalálható.

Számlázható használati táblaséma

A számlázható használati rendszer táblázata a következő sémát használja:

Oszlop neve Adattípus Description Example
record_id karakterlánc A használati rekord egyedi azonosítója 11e22ba4-87b9-4cc2-9770-d10b894b7118
account_id karakterlánc A jelentés által létrehozott fiók azonosítója 23e22ba4-87b9-4cc2-9770-d10b894b7118
workspace_id karakterlánc Annak a munkaterületnek az azonosítója, amelyhez a használat társítva volt 1234567890123456
sku_name karakterlánc A termékváltozat neve STANDARD_ALL_PURPOSE_COMPUTE
cloud karakterlánc A használathoz társított felhő. A lehetséges értékek a következők: AWS, AZUREés GCP. AWS, AZURE vagy GCP
usage_start_time timestamp A használati rekordhoz kapcsolódó kezdési időpont. Az időzónák adatai az érték végén lesznek rögzítve, és +00:00 az UTC időzónát jelölik. 2023-01-09 10:00:00.000+00:00
usage_end_time timestamp A használati rekordhoz kapcsolódó befejezési idő. Az időzónák adatai az érték végén lesznek rögzítve, és +00:00 az UTC időzónát jelölik. 2023-01-09 11:00:00.000+00:00
usage_date date A használati rekord dátuma, ez a mező használható a gyorsabb összesítéshez dátum szerint 2023-01-01
custom_tags leképez A használati rekordhoz társított egyéni címkék { “env”: “production” }
usage_unit karakterlánc A használat mértékegysége: DBU
usage_quantity decimális A rekordhoz felhasznált egységek száma 259.2958
usage_metadata struktúra Rendszer által biztosított metaadatok a használatról, beleértve a számítási erőforrások és feladatok azonosítóit (ha vannak). Lásd: használati metaadatok. Használati metaadatok megtekintése
identity_metadata struktúra Rendszer által biztosított metaadatok a használatban részt vevő identitásokról. Lásd: Identity Metadata. Identitás metaadatainak megtekintése
record_type karakterlánc Az, hogy a rekord eredeti, visszavonás vagy újrafogalmazás. Az érték ORIGINAL, kivéve ha a rekord egy javításhoz kapcsolódik. Lásd a rekordtípust. ORIGINAL
ingestion_date date A rekord usage táblába való betöltésének dátuma 2024-01-01
billing_origin_product karakterlánc A termék, amely a használatot eredményezte. Egyes termékek különböző termékváltozatokként számlázhatók. A lehetséges értékeket a Termékcímű témakörben talál. JOBS
product_features struktúra A használt termékfunkciók részletei. Lásd termékjellemzők. Termékfunkciók megtekintése
usage_type karakterlánc A termékhez vagy számítási feladathoz számlázási célból hozzárendelt használati típus. A lehetséges értékek a következőkCOMPUTE_TIME: , STORAGE_SPACENETWORK_BYTE, NETWORK_HOUR, API_OPERATION, TOKEN, GPU_TIMEvagy ANSWER. STORAGE_SPACE

Használati metaadatokra vonatkozó referencia

A benne lévő usage_metadata értékek mind olyan sztringek, amelyek a használati rekordban szereplő munkaterület-objektumokról és erőforrásokról tájékoztatnak.

Az értékeknek csak egy részhalmaza van feltöltve egy adott használati rekordban, a számítási típustól és a használt funkcióktól függően. A táblázat harmadik oszlopában látható, hogy mely használati típusok okozzák az egyes értékek kitöltését.

Value Description Kitöltve (egyébként null)
cluster_id A használati rekordhoz társított klaszter azonosítója Nem kiszolgáló nélküli számítási használat, beleértve a jegyzetfüzeteket, a feladatokat, a Lakeflow Spark deklaratív folyamatait és az örökölt modellszolgáltatást
job_id A használati rekordhoz társított feladat azonosítója A kiszolgáló nélküli feladatok és feladatok a feladat számításán futnak (nem töltődik be a teljes célú számításon futó feladatokhoz)
warehouse_id A használati rekordhoz társított SQL Warehouse azonosítója Számítási feladatok sql-raktáron futnak
instance_pool_id A használati rekordhoz társított példánykészlet azonosítója Nem serverless számítási felhasználás poolokból, beleértve a jegyzetfüzeteket, a feladatokat, a Lakeflow Spark deklaratív pipeline-okat és az örökölt modellkiszolgálást
node_type A számítási erőforrás példánytípusa Nem kiszolgáló nélküli számítási használat, beleértve a jegyzetfüzeteket, a feladatokat, a Lakeflow Spark deklaratív folyamatait és az összes SQL-raktárat
job_run_id A használati rekordhoz társított feladatfuttatás azonosítója A kiszolgáló nélküli feladatok és feladatok a feladat számításán futnak (nem töltődik be a teljes célú számításon futó feladatokhoz)
notebook_id A használathoz társított jegyzetfüzet azonosítója Kiszolgáló nélküli jegyzetfüzetek
dlt_pipeline_id A használati rekordhoz társított csővezeték azonosítója Lakeflow Spark Deklaratív folyamatok és a Lakeflow Spark Deklaratív folyamatokat használó funkciók, például materializált nézetek, online táblák, vektorkeresési indexelés és Lakeflow Connect
endpoint_name A használati rekordhoz társított végpontot vagy vektorkeresési végpontot kiszolgáló modell neve Modellmegjelenítés és vektorkeresés
endpoint_id A használati rekordhoz társított végpontot vagy vektorkeresési végpontot kiszolgáló modell azonosítója Modellmegjelenítés és vektorkeresés
dlt_update_id A használati rekordhoz társított folyamatfrissítés azonosítója Lakeflow Spark Deklaratív folyamatok és a Lakeflow Spark Deklaratív folyamatokat használó funkciók, például materializált nézetek, online táblák, vektorkeresési indexelés és Lakeflow Connect
dlt_maintenance_id A használati rekordhoz társított folyamatkarbantartási feladatok azonosítója Lakeflow Spark Deklaratív folyamatok és a Lakeflow Spark Deklaratív folyamatokat használó funkciók, például materializált nézetek, online táblák, vektorkeresési indexelés és Lakeflow Connect
metastore_id Az érték nincs kitöltve az Azure Databricksben. Mindig null
run_name A használati rekordhoz társított alapmodell finomhangolási futtatásának egyedi, felhasználóknak szánt neve Alapmodell finomhangolása
job_name A használati rekordhoz társított feladat felhasználóneve A feladatok kiszolgáló nélküli számításon futnak
notebook_path A használathoz társított jegyzetfüzet munkaterületi tárolási útvonala A jegyzetfüzetek szerver nélküli feldolgozáson futnak
central_clean_room_id A használati rekordhoz társított központi tiszta helyiség azonosítója Tiszta szobák
source_region A használathoz társított munkaterület régiója. Csak a kiszolgáló nélküli hálózatkezeléshez kapcsolódó használat értékét adja vissza. Kiszolgáló nélküli hálózatkezelés
destination_region A hozzáférés alatt álló erőforrás régiója. Csak a kiszolgáló nélküli hálózatkezeléshez kapcsolódó használat értékét adja vissza. Kiszolgáló nélküli hálózatkezelés
app_id A használati rekordhoz társított alkalmazás azonosítója Databricks Apps
app_name A használati rekordhoz társított alkalmazás felhasználóneve Databricks Apps
private_endpoint_name A kiszolgáló nélküli számítással üzembe helyezett megfelelő privát végpont neve Kiszolgáló nélküli hálózatkezelés
budget_policy_id A számítási feladathoz csatolt kiszolgáló nélküli használati szabályzat azonosítója Kiszolgáló nélküli számítási használat, beleértve a jegyzetfüzeteket, a feladatokat, a Lakeflow Spark deklaratív folyamatait és a végpontokat kiszolgáló modellt
storage_api_type Az alapértelmezett tárolón végrehajtott művelet típusa. Lehetséges értékek a következők TIER_1 : (PUT, COPY, POST, LIST) és TIER_2 (egyéb műveletek) Alapértelmezett tároló
ai_runtime_workload_id A használati rekordhoz társított kiszolgáló nélküli GPU-számítási feladat azonosítója AI-futtatókörnyezeti számítási feladatok
uc_table_catalog A használati rekordhoz társított Unity Catalog-katalógus neve Materializált nézetek
uc_table_schema A használati rekordhoz társított Unity Catalog-sémanév Materializált nézetek
uc_table_name A használati rekordhoz társított Unity Catalog-tábla neve Materializált nézetek
database_instance_id A használati rekordhoz társított adatbázispéldány azonosítója Lakebase-adatbázispéldányok
sharing_materialization_id A használati rekordhoz társított megosztási materializáció azonosítója Megosztás, materializált nézetek és streamelési táblák megtekintése a Delta Sharing használatával
usage_policy_id A használati rekordhoz társított kiszolgáló nélküli használati szabályzat azonosítója Kiszolgáló nélküli használati szabályzatok
agent_bricks_id A használati rekordhoz társított Agent Bricks számítási feladat azonosítója TudássegédFelügyelő ügynök munkaterhelései
base_environment_id A használathoz társított alapkörnyezet azonosítója A munkaterület kiszolgáló nélküli alapkörnyezetének létrehozásából vagy frissítéséből származó használat. Feltöltve, ha billing_origin_product van BASE_ENVIRONMENTS.
schema_id A használati rekordhoz társított séma azonosítója Anomáliadetektálás
table_id A használati rekordhoz társított tábla azonosítója Adatprofilozás
catalog_id Az alapértelmezett tárhasználathoz társított Unity Catalog-katalógus azonosítója Alapértelmezett tároló

Identitás metaadatainak referenciája

A identity_metadata oszlop további információt nyújt a használatban részt vevő identitásokról.

  • A run_as mező naplózza, hogy ki futtatta a számítási feladatot. Ez az érték csak az alábbi táblázatban felsorolt egyes számítási feladatokhoz van feltöltve.
  • A owned_by mező csak az SQL tárraktár használatára vonatkozik, és naplózza azt a felhasználót vagy szolgáltatási főképviselőt, aki a használatért felelős SQL tárraktár tulajdonosa.
  • A created_by mező a Databricks Appsre, a Tudássegédre és a Felügyelőügynökre vonatkozik. A mező naplózza az alkalmazást vagy ügynököt létrehozó felhasználó e-mail-címét.

"run_as felhasználói identitások"

A rögzített identity_metadata.run_as identitás a használathoz társított terméktől függ. A identity_metadata.run_as viselkedéséhez tekintse meg az alábbi táblázatot:

Terhelés típusa Identitása run_as
Feladatok számítása A beállításban definiált run_as felhasználó vagy szolgáltatásnév. Alapértelmezés szerint a feladatok a feladat tulajdonosának identitásaként futnak, de a rendszergazdák módosíthatják ezt egy másik felhasználó vagy szolgáltatásnévként.
Kiszolgáló nélküli számítás feladatokhoz A beállításban definiált run_as felhasználó vagy szolgáltatásnév. Alapértelmezés szerint a feladatok a feladat tulajdonosának identitásaként futnak, de a rendszergazdák módosíthatják ezt egy másik felhasználó vagy szolgáltatásnévként.
Kiszolgáló nélküli számítás jegyzetfüzetekhez A jegyzetfüzet-parancsokat futtató felhasználó (pontosabban a jegyzetfüzet-munkamenetet létrehozó felhasználó). Megosztott jegyzetfüzetek esetén ez magában foglalja az ugyanazon a jegyzetfüzet-munkameneten osztozó felhasználók általi használatot is.
Lakeflow Spark deklaratív csővezetékek Az a felhasználó vagy szolgáltatásfőszereplő, akinek az engedélyei a folyamat futtatásához szükségesek. Ez a folyamatlánc tulajdonjogának átadásával módosítható.
Alapmodell finomhangolása A betanítási futtatás finomhangolását kezdeményező felhasználó vagy szolgáltatásnév.
Prediktív optimalizálás A Databricks tulajdonában lévő szolgáltatási főszereplő, amely prediktív optimalizálási műveleteket hajt végre.
Adatminőség-monitorozás A profilt létrehozó felhasználó.

Rekordtípusra vonatkozó hivatkozás

A billing.usage tábla támogatja a javításokat. Javítások akkor fordulnak elő, ha a használati rekord bármely mezője helytelen, és ki kell javítani.

Ha javítás történik, Azure Databricks két új rekordot ad hozzá a táblához. A visszahúzási rekord az eredeti helytelen rekordot tagadja meg, majd az átértékelési rekord tartalmazza a javított adatokat. A javítási rekordok a record_type következő mező használatával azonosíthatók:

  • RETRACTION: Az eredeti helytelen használat tagadására szolgál. Minden mező megegyezik a ORIGINAL rekorddal, kivéve usage_quantityazt a negatív értéket, amely megszakítja az eredeti használati mennyiséget. Ha például az eredeti rekord használati mennyisége volt 259.4356, akkor a visszavonási rekord használati mennyisége -259.4356a következő lenne: .
  • RESTATEMENT: A megfelelő mezőket és használati mennyiséget tartalmazó rekord.

Az alábbi lekérdezés például a job_id-hez kapcsolódó megfelelő óránkénti használati mennyiséget adja vissza, még akkor is, ha javításokat végeztek. A használati mennyiség összesítésével a visszahúzási rekord eltitkolja az eredeti rekordot, és csak az újrabecsülés értékei lesznek visszaadva.

SELECT
  usage_metadata.job_id, usage_start_time, usage_end_time,
  SUM(usage_quantity) as usage_quantity
FROM system.billing.usage
GROUP BY ALL
HAVING usage_quantity != 0

Note

Olyan javítások esetén, amelyeknél az eredeti használati rekordot nem kellett volna megírni, a javítás csak visszavonási rekordot adhat hozzá, és nem adhat hozzá visszahelyezési rekordot.

Számlázási forrás termékreferenciája

Egyes Databricks-termékek számlázása ugyanazon megosztott termékváltozat alapján történik. Az adatminőség monitorozása, a prediktív optimalizálás és a kiszolgáló nélküli munkafolyamatok számlázása például ugyanabban a kiszolgáló nélküli feladatváltozatban történik.

A használat megkülönböztetése érdekében a billing_origin_product és a product_features oszlop további betekintést nyújt a használathoz társított konkrét termékbe és funkciókba.

A billing_origin_product oszlop a használati rekordhoz társított Databricks-terméket jeleníti meg. Az értékek a következők:

Value Description
JOBS A Lakeflow-feladatok számítási feladataihoz társított költségek
DLT Lakeflow Spark deklaratív folyamatokhoz kapcsolódó számítási feladatok költségei
SQL A Databricks SQL-hez kapcsolódó költségek, beleértve az SQL-raktárakon futtatott számítási feladatokat és a materializált nézeteket
ALL_PURPOSE A klasszikus, teljes célú számításhoz kapcsolódó költségek
MODEL_SERVING A Mozaik AI-modell kiszolgálásával kapcsolatos költségek
INTERACTIVE Kiszolgáló nélküli interaktív számítási feladatokhoz kapcsolódó költségek
DEFAULT_STORAGE Az alapértelmezett tároláshoz társított költségek
VECTOR_SEARCH A Vektorkereséssel társított költségek
LAKEHOUSE_MONITORING Az adatminőség monitorozásával kapcsolatos költségek
PREDICTIVE_OPTIMIZATION A prediktív optimalizáláshoz kapcsolódó költségek
ONLINE_TABLES Online táblákhoz társított költségek (régi)
FOUNDATION_MODEL_TRAINING Az alapmodell finomhangolásával kapcsolatos költségek
AGENT_EVALUATION Ügynökértékeléshez kapcsolódó költségek
FINE_GRAINED_ACCESS_CONTROL Kiszolgáló nélküli használat egyedi hozzáférés-vezérléssel dedikált számítási erőforrásokon
BASE_ENVIRONMENTS A munkaterület kiszolgáló nélküli alapkörnyezetének létrehozásához vagy frissítéséhez kapcsolódó használat
DATA_CLASSIFICATION Az adatbesorolási műveletekhez kapcsolódó költségek
DATA_QUALITY_MONITORING Az adatminőség-monitorozással kapcsolatos költségek, beleértve az anomáliadetektálást és az adatprofilozást
DATA_SHARING A Delta-megosztáshoz kapcsolódó költségek
AI_GATEWAY Az AI-átjáró használatával kapcsolatos költségek
AI_RUNTIME Kiszolgáló nélküli GPU-számítási feladatokhoz kapcsolódó költségek
NETWORKING A kiszolgáló nélküli számítás magánvégpontokon keresztüli erőforrásokhoz való csatlakoztatásával kapcsolatos költségek. NETWORKING használat esetén workspace_idnull, usage_unithour, networking.connectivity_type pedig PRIVATE_IP.
APPS A Databricks Apps létrehozásával és futtatásával kapcsolatos költségek
DATABASE A Lakebase-adatbázispéldányokkal kapcsolatos költségek
AI_FUNCTIONS Az AI-függvények használatával kapcsolatos költségek. Ez a termék a AI_PARSE_DOCUMENT, AI_EXTRACT és AI_CLASSIFY használatát rögzíti.
AGENT_BRICKS A Knowledge AssistantSupervisor Agent munkaterheléséhez kapcsolódó költségek
CLEAN_ROOM Clean Rooms számítási feladatokhoz társított költségek
LAKEFLOW_CONNECT A Lakeflow Connect által felügyelt összekötőkkel társított költségek

termékfunkciókra vonatkozó referencia

A product_features oszlop egy objektum, amely információkat tartalmaz a használt termékfunkciókról, és a következő kulcs-érték párokat tartalmazza:

szakterület Description
jobs_tier Az értékek között szerepel LIGHT, CLASSIC vagy null
sql_tier Az értékek között szerepel CLASSIC, PRO vagy null
dlt_tier Értékek: CORE, PRO, ADVANCED, vagy null
is_serverless Az értékek között szerepelhet true, false, vagy null (az érték true vagy false, ha választhat a kiszolgáló nélküli és a hagyományos számítási között, ellenkező esetben null).
is_photon Az értékek közé tartozik true vagy false, vagy null
serving_type Értékek: MODEL, GPU_MODEL, FOUNDATION_MODEL, FEATURE vagy null
offering_type Az értékek közé tartoznak BATCH_INFERENCE vagy null
performance_target A kiszolgáló nélküli feladat vagy folyamat teljesítménymódját jelzi. Az értékek között szerepel PERFORMANCE_OPTIMIZED, STANDARD vagy null. A nem kiszolgáló nélküli számítási feladatok rendelkeznek null értékkel.
ai_runtime.compute_type A kiszolgáló nélküli GPU-számítási feladatok számítási típusát jelzi, vagy null
model_serving.offering_type A modell kiszolgálásának ajánlattípusát jelzi, vagy null
ai_gateway.feature_type Az AI-átjáró munkaterhelések szolgáltatástípusának jelzése vagy null
serverless_gpu.workload_type Az AI futtatási idő (kiszolgáló nélküli GPU)-hoz tartozó terheléstípus vagy a null
ai_functions.ai_function Jelzi az AI-függvény típusát vagy null
networking.connectivity_type Az értékek közé tartoznak PUBLIC_IP és PRIVATE_IP
agent_bricks.problem_type A Knowledge Assistant számítási feladatainak problématípusát jelzi. Az értékek közé tartozik AGENT_BRICKS_KNOWLEDGE_ASSISTANT vagy null.
agent_bricks.workload_type A Knowledge Assistant számítási feladattípusát jelzi. Az értékek közé tartoznak AGENT_BRICKS_REAL_TIME_INFERENCE vagy null
  • Last updated on