Fabric műveletek

A Microsoft Fabric minden egyes felülete támogatja az egyedi műveleteket. A művelet fogyasztási sebessége az, amely a felhasználói élmény nyers metrikáinak használatát számítási egységekké (CU) alakítja.

A Microsoft Fabric Kapacitásmetrika alkalmazás compute lapja áttekintést nyújt a kapacitás teljesítményéről, és felsorolja Fabric számítási erőforrásokat használó műveleteket.

Ez a cikk ezeket a műveleteket a tapasztalatok alapján sorolja fel, és ismerteti, hogyan használnak fel erőforrásokat Fabric.

Interaktív és háttérműveletek

Microsoft Fabric a műveleteket két típusra osztja: interactive és background. Ez a cikk felsorolja ezeket a műveleteket, és ismerteti a köztük lévő különbségeket.

Interaktív műveletek

Az igény szerinti kérelmek és műveletek, amelyeket a felhasználói felülettel való felhasználói interakciók, például a jelentésvizualizációk által generált adatmodell-lekérdezések aktiválhatnak, interaktív műveletekként vannak besorolva. Ezeket általában a felhasználói felülettel való felhasználói interakciók váltják ki. Egy interaktív művelet például akkor aktiválódik, ha egy felhasználó megnyit egy jelentést, vagy kiválaszt egy szeletelőt egy Power BI jelentésben. Az interaktív műveletek a felhasználói felület használata nélkül is aktiválhatók, például SQL Server Management Studio (SSMS) vagy egyéni alkalmazás használatával DAX-lekérdezések futtatásához.

Háttérműveletek

A hosszabb ideig futó műveletek, például a szemantikai modell vagy az adatfolyam-frissítések háttérműveletekként vannak besorolva. A felhasználók manuálisan vagy automatikusan, felhasználói beavatkozás nélkül aktiválhatják őket. A háttérműveletek közé tartoznak az ütemezett frissítések, az interaktív frissítések, a REST-alapú frissítések és az XMLA-alapú frissítési műveletek. A felhasználóknak nem kell megvárniuk, amíg ezek a műveletek befejeződnek. Ehelyett később visszatérhetnek a műveletek állapotának ellenőrzéséhez.

A dokumentum elolvasása

Minden felhasználói felület rendelkezik egy táblával, amely felsorolja a műveleteit, a következő oszlopokkal:

Ha további információk érhetők el a használati arányról, a dokumentumra mutató hivatkozás jelenik meg ezzel az információval.

Fabric műveletek tapasztalat alapján

Ez a szakasz Fabric felületre van osztva. Minden élmény tartalmazott egy táblázatot, amely felsorolta a műveleteit.

Important

A fogyasztási arányok bármikor változhatnak. Microsoft ésszerű erőfeszítéseket tesz annak érdekében, hogy e-mailben vagy terméken belüli értesítésen keresztül értesítést küldjön. A módosítások Microsoft Jegyzetek vagy Microsoft Fabric blogjában megadott napon lépnek érvénybe. Ha egy Microsoft Fabric számítási feladat használati arányának módosítása jelentősen növeli az adott számítási feladat használatához szükséges kapacitásegységeket (CU), az ügyfelek a választott fizetési módhoz elérhető lemondási lehetőségeket használhatják.

Copilot Fabric

Copilot műveletek szerepelnek ebben a táblázatban. A Copilot használati arányai a Copilot felhasználás.

Operation Description Item Azure számlázási mérő Típus
Copilot Fabric A bemeneti kérésekhez és a kimeneti befejezéshez társított számítási költség Multiple Copilot és AI Background
AI-függvények A Fabric AI-függvények és Azure OpenAI Service használatával járó számítási költségek Multiple Copilot és AI Interaktív, háttér
AI-szolgáltatások A Azure AI-szolgáltatások Fabric (Text Analytics és Azure AI Fordító) használatával kapcsolatos számítási költségek Notebook Copilot és AI Background

Note

2026. március 17-től a Kapacitásmetrikák alkalmazás külön műveletként jeleníti meg az AI-függvényeket és az AI-szolgáltatásokat. Ez csak jelentéskészítési változás; a mögöttes fogyasztási ráta nem változik.

Adatügynök a Fabric

Az adatügynök-műveletek ebben a táblázatban szerepelnek. A metrikák alkalmazás mátrixában elem és műveleti tábla szerint az adatügynök-műveletek a LlmPlugin elemtípus alatt jelennek meg.

Az adatügynök használati arányai a adatügynök fogyasztása című részben találhatók.

Operation Description Item Azure számlázási mérő Típus
AI-lekérdezés A bemeneti kérésekhez és a kimeneti befejezéshez társított számítási költség LlmPlugin Copilot és AI Background

Data Factory

A Data Factory-élmény tartalmazza a Gen2 adatfolyamok és a csővezetékek műveleteit.

Adatfolyamok Gen2

A Gen2 adatfolyamok használati arányait a Data Factory Dataflow Gen2 díjszabásában találja Microsoft Fabric.

Note

2025 októberétől a Dataflow Gen2 Refresh művelet neve át lett nevezve a 2. generációs adatfolyam-futtatási lekérdezésekre.

Operation Description Item Azure számlázási mérő Típus
Dataflow Gen2 lekérdezések futtatása Az adatfolyam Gen2-kiértékelési műveletéhez társított számítási költség Adatfolyam Gen2 Adatfolyamok – Standard számítási kapacitás kihasználtsága – CU Background
Nagy léptékű adatfolyam-számítás – SQL-végpontlekérdezés Az adatfolyam Gen2 átmeneti terület SQL-végpontjával kapcsolatos használat Warehouse Magas szintű adatfolyam-feldolgozási kapacitás használat CU Background

Pipelines

A Data Factory Pipeline díjszabásában megtalálja a folyamatok használati díjait Microsoft Fabric.

Operation Description Item Azure számlázási mérő Típus
DataMovement A Data Factory-folyamatban a másolási tevékenység által felhasznált idő, osztva az adatintegrációs egységek számával Pipeline Adatáthelyezési kapacitás kihasználtsága CU Background
ActivityRun A Data Factory folyamat tevékenység végrehajtása Pipeline Adat vezénylési kapacitás kihasználtsága CU Background

Databases

Egy Fabric kapacitásegység = 0,383 SQL-adatbázis virtuális magja.

Operation Description Item Azure számlázási mérő Típus
SQL-használat Számítás a felhasználó által generált és rendszer által generált SQL-lekérdezésekhez, módosításokhoz és adatfeldolgozási műveletekhez egy adatbázisban Database SQL-adatbázis a Microsoft Fabric kapacitáshasználati CU-ban Interactive
Kiosztott SQL Storage A táblák, indexek, tranzakciónaplók és metaadatok tárolására használt Fabric SQL-adatbázisok dinamikusan lefoglalt tárterülete. Teljesen integrálva a OneLake-vel. Database Tárolt SQL-adatok Background

adatraktár

Egy Fabric Data Warehouse mag (Data Warehouse számítási egység) két Fabric kapacitásegységnek (CU) felel meg.

Operation Description Item Azure számlázási mérő Típus
Raktári lekérdezés Számítási díj az összes felhasználó által létrehozott és a rendszer által létrehozott T-SQL-utasításokért egy raktáron belül Warehouse Data Warehouse kapacitás kihasználtsága CU Background
SQL végpont lekérdezés Számítási díj az összes felhasználó által generált és a rendszer által létrehozott T-SQL-utasításokért egy Lakehouse SQL Analytics-végponton belül Warehouse Data Warehouse kapacitás kihasználtsága CU Background

Fabric API a GraphQL-hez

A GraphQL-műveletek api-ügyfelek által a GraphQL-elemekre vonatkozó API-kérelmekből állnak. Minden GraphQL kérés- és válaszművelet feldolgozási ideje kapacitásegységekben (CU) lesz jelentve, másodpercekben, tíz CU óránkénti értékkel.

Operation Description Item Azure számlázási mérő Típus
Query A GraphQL API-n belüli ügyfelek által generált GraphQL-lekérdezések (olvasások) és mutációk (írások) számítási díja GraphQL API a GraphQL Lekérdezési Kapacitás Használatához CU Interactive

Fabric felhasználói adatfüggvények

Fabric Felhasználói adatfüggvények műveletek a Fabric portál, más Fabric összetevők vagy ügyfélalkalmazások által kezdeményezett kérelmekből állnak. Minden műveletért díjat kell fizetnie a függvény végrehajtásáért, a függvény metaadatainak belső tárolásáért a OneLake-ben, valamint a kapcsolódó olvasási és írási műveleteket a OneLake-ben.

Operation Description Item Azure számlázási mérő Típus
Felhasználói adatokkal kapcsolatos függvények végrehajtása A Felhasználói adatfüggvények elemen belüli függvény végrehajtásának számítási díja. Ez a művelet egy függvény futtatását eredményezi a Fabric portálról, egy másik Fabric elemből vagy egy külső alkalmazásból érkező kérés után. Adatkezelő funkciók Felhasználói adatfüggvény végrehajtása (CU/s) Interactive
Felhasználói adatkezelési funkciók portáltesztje A Felhasználói adatfüggvények elemen belüli függvények tesztvégrehajtásának számítási díja. Ez a művelet egy függvény tesztelését eredményezi "Fejlesztési módban" egy tesztidőszak során. A tesztelési munkamenet időtartama legalább 15 perc. Adatkezelő funkciók Felhasználói adatfüggvény végrehajtása (CU/s) Interactive
Felhasználói adatfüggvények statikus tárolása Belső függvény metaadatainak statikus tárolása egy szolgáltatás által felügyelt OneLake-fiókban. Ez a Felhasználói adatfüggvények elem metaadatainak tömörített méretével számítódik ki. Ez a felhasználói adatfüggvény-elemek létrehozásának költsége akkor is, ha nincsenek használatban. OneLake Storage OneLake Storage Background
Felhasználói adatfüggvények – Statikus tároló olvasása Belső funkció metaadatainak olvasása, amelyek szolgáltatás által kezelt OneLake-fiókban vannak tárolva. Ezt a műveletet minden alkalommal végrehajtja a rendszer, amikor egy függvény inaktivitási időszak után lesz végrehajtva. Az OneLake olvasási műveletei Az OneLake olvasási műveletei Background
Felhasználói adatfunkciók statikus tárhely írása A rendszer által felügyelt OneLake-fiókban tárolt belső függvény metaadatainak írása és frissítése. Ezt a műveletet a rendszer minden alkalommal végrehajtja, amikor a Felhasználói adatfüggvények elemet közzéteszi. OneLake írási műveletek OneLake írási műveletek Background
Felhasználói adatok funkciók statikus tárolás iteratív olvasás A szolgáltatás által felügyelt OneLake-fiókban tárolt belső függvény metaadatainak olvasási műveletei. Ezt a műveletet a rendszer minden alkalommal végrehajtja, amikor a felhasználói adatfüggvények fel vannak sorolva. OneLake rendszer iteratív olvasási műveletei OneLake rendszer iteratív olvasási műveletei Background
Felhasználói adatfüggvények – Statikus tárolás egyéb műveletek A szolgáltatás által felügyelt OneLake-fiók különböző függvény metaadataihoz kapcsolódó tárolási műveletek. OneLake Egyéb műveletek OneLake Egyéb műveletek Background

ML-modell végpontja

Az ML-modell végponti dokumentumai lehetővé teszik a valós idejű előrejelzések zökkenőmentes kiszolgálását. A háttérben Fabric felpörgeti és kezeli a mögöttes tárolóinfrastruktúrát a modell üzemeltetéséhez.

Operation Description Item Azure számlázási mérő Típus
Modellvégpont az alkalmazásban TBD ML-modell ML-modell végpontkapacitásának kihasználtsága CU Background

OneLake

A One Lake számítási műveletei a One Lake-elemeken végrehajtott tranzakciókat jelölik. Az egyes műveletek használati aránya típustól függően változik. További részletekért tekintse meg a One Lake-használatot.

Operation Description Item Azure számlázási mérő Típus
OneLake Olvas átirányításon keresztül OneLake Olvas átirányításon keresztül Multiple OneLake olvasási műveletek kapacitáshasználat CU Background
Proxyn keresztüli OneLake olvasás Proxyn keresztüli OneLake olvasás Multiple OneLake olvasási műveletek API-kapacitásfogyasztási CU használatával Background
Írás OneLake-en átirányításon keresztül Írás OneLake-en átirányításon keresztül Multiple OneLake írási műveletek kapacitásfelhasználása CU Background
OneLake írása proxy-n keresztül OneLake írása proxy-n keresztül Multiple OneLake írási műveletek API-n keresztül kapacitáskihasználás CU Background
OneLake iteratív írás átirányítással OneLake iteratív írás átirányítással Multiple OneLake Ismétlődő Írásműveletek Background
OneLake Iteratív olvasási művelet átirányítás révén OneLake Iteratív olvasási művelet átirányítás révén Multiple OneLake Iteratív olvasási műveletek kapacitáshasználata CU egység Background
OneLake Egyéb műveletek OneLake Egyéb műveletek Multiple OneLake Egyéb műveleti kapacitás kihasználtsága CU Background
OneLake Egyéb műveletek átirányítással OneLake Egyéb műveletek átirányítással Multiple OneLake egyéb műveletek az API-kapacitáshasználaton keresztül (CU) Background
Iteratív írás a OneLake-en keresztül proxyval Iteratív írás a OneLake-en keresztül proxyval Multiple OneLake iteratív írási műveletek API-n keresztüli kapacitásegység-használattal Background
OneLake Iteratív olvasás proxyn keresztül OneLake Iteratív olvasás proxyn keresztül Multiple OneLake iteratív olvasási műveletek API kapacitáshasználati CU-val Background
OneLake BCDR olvasása proxyn keresztül OneLake BCDR olvasása proxyn keresztül Multiple OneLake BCDR olvasási műveletek az API-kapacitás használatával CU-ban Background
OneLake BCDR írás proxy segítségével OneLake BCDR írás proxy segítségével Multiple OneLake BCDR írási műveletek API kapacitás használati egységen (CU) keresztül Background
OneLake BCDR Átirányítással történő olvasás OneLake BCDR Átirányítással történő olvasás Multiple OneLake BCDR olvasási műveletek kapacitásigény CU Background
OneLake BCDR Írás átirányítás segítségével OneLake BCDR Írás átirányítás segítségével Multiple OneLake BCDR írási műveletek kapacitáskihasználás CU Background
OneLake BCDR ismétlődő olvasás proxyn keresztül OneLake BCDR ismétlődő olvasás proxyn keresztül Multiple OneLake BCDR iteratív olvasási műveletek az API kapacitáshasználati egységen (CU) keresztül Background
OneLake BCDR Iteratív Olvasás Átirányítással OneLake BCDR Iteratív Olvasás Átirányítással Multiple OneLake BCDR iteratív olvasási műveletek kapacitáshasználat CU Background
OneLake BCDR iteratív írás proxy-n keresztül OneLake BCDR iteratív írás proxy-n keresztül Multiple OneLake BCDR iteratív írási műveletek a CU API-kapacitás használata révén Background
OneLake BCDR átirányításon keresztüli iteratív írás OneLake BCDR átirányításon keresztüli iteratív írás Multiple OneLake BCDR iteratív írási műveletek kapacitás használat CU Background
OneLake BCDR Egyéb műveletek OneLake BCDR Egyéb műveletek Multiple OneLake BCDR Egyéb műveleti kapacitás kihasználtsága CU Background
OneLake BCDR Egyéb műveletek végrehajtása átirányítással OneLake BCDR Egyéb műveletek végrehajtása átirányítással Multiple OneLake BCDR egyéb műveletek API-n keresztül Kapacitás Kihasználtság CU Background

Power BI

Az egyes műveletek használati adatait a rendszer a CU feldolgozási ideje alatt, másodpercben jelenti. Nyolc termékváltozat egyenértékű egy Power BI virtuális maggal.

Note

A szemantikai modell a kifejezés adatkészletét váltja fel. A régi kifejezés továbbra is megjelenik a felhasználói felületen, amíg teljesen le nem cseréli.

Jelenleg nem számlázunk R/Py-vizualizációkért Power BI.

Operation Description Item Azure számlázási mérő Típus
Mesterséges intelligencia (MI) MI-funkció értékelése AI Power BI kapacitáshasználati CU Interactive
Háttér-lekérdezés Lekérdezések csempék frissítésére és jelentéspillanatképek létrehozására Szemantikai modell Power BI kapacitáshasználati CU Background
Adatfolyam DirectQuery Csatlakozás közvetlenül egy adatfolyamhoz anélkül, hogy az adatokat szemantikai modellbe kellene importálni 1. generációs adatfolyam Power BI kapacitáshasználati CU Interactive
Adatfolyam frissítése Igény szerinti vagy ütemezett háttér adatfolyam-frissítés, amelyet a szolgáltatás vagy REST API-k hajtanak végre. 1. generációs adatfolyam Power BI kapacitáshasználati CU Background
Szemantikai modell igény szerinti frissítése A felhasználó által kezdeményezett háttér szemantikai modellfrissítés a szolgáltatás, REST API-k vagy nyilvános XMLA-végpontok használatával Szemantikai modell Power BI kapacitáshasználati CU Background
Szemantikai modell ütemezett frissítése Ütemezett háttér szemantikai modellfrissítés, amelyet a szolgáltatás, REST API-k vagy nyilvános XMLA-végpontok hajtanak végre Szemantikai modell Power BI kapacitáshasználati CU Background
Teljes jelentéses e-mail-előfizetés Egy teljes Power BI jelentés PDF-fájlja vagy PowerPoint másolata email-előfizetéshez csatolva Jelentés Power BI kapacitáshasználati CU Background
Interaktív lekérdezés Igény szerinti adatkérés által kezdeményezett lekérdezések. Például betölthet egy modellt egy jelentés megnyitásakor, egy jelentés felhasználói interakciója során, vagy lekérdezhet egy adathalmazt a renderelés előtt. A szemantikai modell betöltése jelenthet különálló interaktív lekérdezési műveletet. Szemantikai modell Power BI kapacitáshasználati CU Interactive
PublicApiExport A export jelentéssel fájlba exportált Power BI jelentés REST API Jelentés Power BI kapacitáshasználati CU Background
Render Power BI lapszámozott jelentés, amelyet a export lapszámozott jelentéssel exportál a fájlba REST API Többoldalas jelentés Power BI kapacitáshasználati CU Background
Render Power BI lapszámozott jelentés Power BI szolgáltatás Többoldalas jelentés Power BI kapacitáshasználati CU Interactive
Olvasás a webmodellezésről Adatmodell olvasási művelete a szemantikai modell webes modellezési felhasználói felületén Szemantikai modell Power BI kapacitáshasználati CU Interactive
Webmodellezés megírása Adatmodell írási művelete a szemantikai modell webes modellezési felhasználói felületén Szemantikai modell Power BI kapacitáshasználati CU Interactive
XMLA olvasása A felhasználó által kezdeményezett XMLA olvasási műveletek lekérdezésekhez és felderítésekhez Szemantikai modell Power BI kapacitáshasználati CU Interactive
XMLA-írás A modellt módosító háttér XMLA írási művelet Szemantikai modell Power BI kapacitáshasználati CU Background
Power BI vizualizáció végrehajtásának szkriptelése Az R- és Py-vizualizációk Power BI jelentés renderelésével aktiválódnak Power BI szkriptelési jelentés Spark memória-optimalizált kapacitás (CU) Interactive

Valós idejű intelligencia

A Real-Time Intelligence felület Anomaly-detektor, Azure és Fabric események műveleteit tartalmazza, digital twin builder (előzetes verzió), Eventstream és KQL Database és KQL Queryset.

anomáliadetektor

Az Anomáliadetektor használati arányai az Anomáliadetektor kapacitáshasználata és számlázása szakaszban találhatók meg a Real-Time Intelligence-ben.

Operation Description Item Azure számlázási mérő Típus
Anomáliadetektor – Lekérdezések futtatása Interaktív elemzés és folyamatos monitorozás Anomáliaérzékelő Anomáliadetektor – Kapacitáshasználati mértékegység (CU) Background

Azure és Fabric események

A Azure és Fabric események kapacitáshasználatában Azure és Fabric események használati arányai találhatók.

Operation Description Item Azure számlázási mérő Típus
Eseményműveletek Közzétételi, kézbesítési és szűrési műveletek Multiple Valós idejű intelligencia – Eseményműveletek Background
Eseményfigyelő Az eseményfigyelő üzemideje Multiple Valós idejű intelligencia – Eseményfigyelő és riasztás Background

Digitális ikerpár-készítő (előzetes)

A Digitális ikerkészítő (előzetes verzió) kapacitáshasználatában, a használat jelentésében és a számlázásban megtalálhatja a fogyasztási arányokat.

Note

A digitális ikereszköz-készítő mérői jelenleg előzetes verzióban érhetők el, és változhatnak.

Operation Description Item Azure számlázási mérő Típus
Digital Twin Builder működtetés Igény szerinti és ütemezett digitális ikerpéldány-készítői folyamatműveletek használata Digitális ikerépítő folyamat Digital Twin Építő Működés Kapacitáshasználat CU Background

Eventstream

Az Eventstream használati arányait a Monitor-kapacitáshasználatban találja Microsoft Fabric Eventstream.

Operation Description Item Azure számlázási mérő Típus
Eseményfolyam óránként Átalánydíj Eventstream Eventstream CU kapacitáshasználat Background
Eventstream-adatforgalom GB-onként A beérkező és kimenő adatforgalom alapértelmezett és származtatott adatfolyamokban (24 órás megőrzést tartalmaz) Eventstream Eventstream-adatforgalom kapacitásának használata CU Background
Processzor eseménystream óránként A processzor által felhasznált számítási erőforrások Eventstream Eventstream processzorkapacitás kihasználtsága CU Background
Eventstream-összekötők virtuális mag óránként Az összekötők által felhasznált számítási erőforrások Eventstream Eventstream-összekötő kapacitás használat CU Background

KQL-adatbázis és KQL-lekérdezéskészlet

A KQL-adatbázis használati arányai a KQL-adatbázis használatában találhatók.

Operation Description Item Azure számlázási mérő Típus
Eventhouse Rendelkezésre állási idő Az Eventhouse aktív idejének mértéke Eventhouse Az Eventhouse kapacitás kihasználtsága CU Background

Spark

Két Spark virtuális mag (a Spark számítási teljesítménye) egy kapacitásegységnek (CU) felel meg. Ha szeretné megtudni, hogy a Spark-műveletek hogyan használják fel a számítási egységeket, tekintse meg a Spark-készleteket.

Operation Description Item Azure számlázási mérő Típus
Lakehouse-műveletek Felhasználók előnézeti táblázata a Lakehouse Explorerben Lakehouse Spark memóriaoptimalizált kapacitás kihasználtsága (CU) Background
Lakehouse-tábla feltöltése A felhasználók deltatáblát töltenek be a Lakehouse Explorerben Lakehouse Spark memóriaoptimalizált kapacitás kihasználtsága (CU) Background
Notebook futtatása A jegyzetfüzetet manuálisan indítják a felhasználók Notebook Spark memóriaoptimalizált kapacitás kihasználtsága (CU) Background
HC Notebook futtatása Jegyzetfüzet futtatása magas egyidejűségű Spark-munkamenetben Notebook Spark memóriaoptimalizált kapacitás kihasználtsága (CU) Background
Ütemezett notebook futás Ütemezett események által aktivált jegyzetfüzet-futtatás Notebook Spark memóriaoptimalizált kapacitás kihasználtsága (CU) Background
Jegyzetfüzet-folyamatlánc futtatása Jegyzetfüzet futtatása a folyamat által megkezdve Notebook Spark memóriaoptimalizált kapacitás kihasználtsága (CU) Background
Notebook VS Code futtatása A jegyzetfüzet a VS Code-ban fut. Notebook Spark memóriaoptimalizált kapacitás kihasználtsága (CU) Background
Spark-feladat futtatás A Felhasználók beküldése által kezdeményezett Spark-kötegelt feladatfuttatások Spark-munka definíciója Spark memóriaoptimalizált kapacitás kihasználtsága (CU) Background
Spark-feladat ütemezett végrehajtása A batch-feladatokat a jegyzetfüzet ütemezett eseményei aktiválják Spark-munka definíciója Spark memóriaoptimalizált kapacitás kihasználtsága (CU) Background
Spark-feladat folyamatának végrehajtása Gyűjtőfeldolgozási feladatok futtatása csővezeték indította el Spark-munka definíciója Spark memóriaoptimalizált kapacitás kihasználtsága (CU) Background
Spark-feladat VS Code futtatása A VS Code-ból elküldött Spark-feladatdefiníció Spark-munka definíciója Spark memóriaoptimalizált kapacitás kihasználtsága (CU) Background
Megvalósult tóra néző kilátás futás A felhasználók anyagosított "lake view" futtatásokat ütemeznek Lakehouse Spark memóriaoptimalizált kapacitás kihasználtsága (CU) Background
Billentyűparancsok módosítása A Lakehouse-ban létrehozott gyorsbillentyű-átalakítások Lakehouse Spark memóriaoptimalizált kapacitás kihasználtsága (CU) Background

Kapcsolódó tartalom

  • Last updated on