Microsoft OneLake minták és alapvető képességek

Ez a cikk bemutatja a gyakori OneLake mintákat és azokat a platform képességeket, amelyeket ezek megvalósításához használhatsz. Használja fel a cikkben szereplő információkat arra, hogy átgondolja, hogyan szeretné rendszerezni az adatkörnyezetét, majd válassza ki azokat a mintákat, amelyek megfelelnek az üzleti, technikai és irányítási igényeinek.

Minden minta leírja, hogyan lehet rendszerezni az adatokat és a tulajdonjogot egy adott architektúra cél eléréséhez. Egy minta megvalósításához egy vagy több alapvető OneLake képességet kombinálunk – adatvirtualizációt, nyílt adatinteroperabilitást, központosított irányítást, valamint integrált analitikát és MI-t. Minden képesség viszont olyan termékfunkciókra támaszkodik, mint például a parancsikonok, a tükrözés, a OneLake biztonsága és a Direct Lake mód. Ugyanaz a képesség és funkció gyakran több mintában is megjelenik.

Note

Ez a cikk a OneLake építészeti útmutató fehér könyvében azonosított mintákon alapul.

Tekintsen erre az öt mintára a OneLake-tervezés építőelemeiként. A legtöbb környezet több mint egyet kombinál. Válaszd ki azokat a mintákat, amelyek illeszkednek a céljaidhoz:

Egységes adathozzáférés minimális replikációval

Ha az adataid több felhőn, helyszíni rendszeren vagy külső tavakon vannak elosztva, az összes másolás egy helyre nem biztos, hogy praktikus – vagy akár lehetséges. Az egységes adathozzáférés minimális replikációs mintával a OneLake-et egyetlen logikai adatrétegként kezeli ezekben a forrásokban. Ahelyett, hogy minden egyes forráshoz adatbetöltési folyamatokat építenél ki, parancsikonokat használsz az adatok helyben való eléréséhez, és tükrözést alkalmazol, amikor szinkronizált, lekérdezésekre optimalizált másolatra van szükséged.

Használja ezt a mintát a következő esetekben:

  • Az adataid több felhőn, helyszíni rendszeren vagy külső tavakon vannak szétszórva.
  • Az adatok központi tárolóba történő replikálása túlzott tárolási, késleltetési vagy megfelelőségi túlterhelést okozna.
  • Gyorsan kell új forrásokat integrálnod anélkül, hogy teljes kinyerési, átalakítási és betöltési (ETL) folyamatokat kellene kiépítened.
  • Szeretné megőrizni a meglévő adattavakba, adattárházakba és operatív adattárakba történő beruházásokat.

Egységes adathozzáférés alkalmazása

Ennek a mintának a gyakorlatában való megvalósításához két elsődleges adathozzáférési megközelítéssel kezdjük, amelyek nem igényelnek adatátviteli folyamatokat építeni vagy üzemeltetni: a virtualizáció lehetővé teszi a forrásadatokat a OneLake-en keresztül másolás nélkül, míg a zero-ETL tükrözés egy platform-által kezelt, szinkronizált másolatot hoz OneLake-be analitikai Delta táblázatokként. Csak akkor használd a Fabric adatátviteli eszközöket, ha ezek a megközelítések nem támogatják a forrást vagy nem felelnek meg az igényeidnek. A megközelítések kiválasztásához és kombinálásához további útmutatóért lásd: Az adatok egységesítése OneLake-parancsikonokkal és tükrözéssel.

  1. Készítsd fel az adatforrásokat, hogy megállapítsd, melyekhez fér hozzá a OneLake virtualizációval vagy nulla ETL tükrözéssel: felhőalapú objektumtárolás, külső katalógusok, operatív adatbázisok és Dataverse. Jelöld meg a megmaradt forrásokat adatátviteli megközelítésre szorulónak.

  2. Válassz ki a megfelelő adathozzáférési technikát minden támogatott forráshoz. A virtualizációt akkor preferáljuk, ha a forrás támogatja a nem másolási hozzáférést. Használj nulla ETL tükrözést, ha a forrás szinkronizált, lekérdezésre optimalizált másolatot igényel:

Forrásadatok Hogyan lehet hozzá férni Adatkezelés
Cloud object storage (Azure Data Lake Storage Gen2, Amazon S3, Google Cloud Storage) és S3-kompatibilis on-premises storage Parancsikonok Virtualizáció: A forrásadatokat másolás nélkül teszi elérhetővé
Olyan, külső katalógusban kezelt adatok, amelyeket másolás nélkül szeretnél elérhetővé tenni (például az Azure Databricks Unity Catalogban) Metaadat-tükrözés – csak katalógus metaadatokat (sémákat, táblákat) szinkronizál, és rövidítéseken keresztül fér hozzá a forrásadathoz Virtualizáció: A forrásadatokat másolás nélkül teszi elérhetővé
Működési adatbázisok, amelyeknek lekérdezésekhez optimalizált másolatra van szükségük (Azure SQL Database, Azure Cosmos DB, Snowflake, PostgreSQL, SQL Server 2025, Oracle Database, Google BigQuery) Adatbázis-tükrözés, vagy nyílt tükrözés támogatott egyedi és partner megoldásokhoz Zero-ETL tükrözés: Szinkronizált Delta másolatot hoz létre
Dataverse (Dynamics 365 és Power Platform data) Parancsikonok vagy Hivatkozás a Microsoft Fabricre a nullamásolatos hozzáféréshez Virtualizáció: A forrásadatokat másolás nélkül teszi elérhetővé

  1. Szükség esetén alakítsd át a forrásadatokat. A parancsikon-átalakítások képesek feldolgozni a parancsikonon keresztül elérhetővé tett támogatott fájlokat, függetlenül attól, hogy a fájlok külső helyen vannak tárolva, vagy már a OneLake-ben találhatók. Használj gyorsbillentyűs fájlátalakításokat a strukturált fájlok Delta táblákká alakításához, vagy MI átalakulásokat a strukturálatlan szöveg feldolgozásához. A gyorsítvány-transzformációk átalakított Delta kimenetet hoznak létre, és azt szinkronizálják a gyorsítvány által hivatkozott adatokkal.

  2. Használj Fabric adatmozgatási eszközöket, ha a virtualizáció és a tükrözés nem támogatja a forrást, vagy amikor bonyolult transzformációkra, orkestrációra, ütemezett mozgási ritmusra vagy streaming felvételre van szükség. A folyamatok, adatfolyamok, másolási feladatok és eseményfolyamok közötti választáshoz segítségért lásd a következőt: Az adatmozgatási stratégia kiválasztása.

Amikor az adatmozgást választod, lemásolod az adatokat nyílt táblázat formátumban, például Delta Parquet vagy Iceberg formátumban. A tükrözés és a parancsikon-átalakítások már Delta-kimenetet hoznak létre. A nyílt formátumok használata biztosítja, hogy a virtualizált adatok, a szinkronizált másolatok és az átalakított Delta-kimenet olvasható maradjon a Fabric-motorok és a külső platformok számára.

  1. Rögzítse az okot minden alkalommal, amikor szinkronizált másolatot, átalakított Delta-kimenetet vagy a Fabric adatmozgatási eszközeivel létrehozott másolatot hoz létre. Ez a nyilvántartás auditálhatóvá teszi a döntést. Csak akkor hozz létre másolatot, ha egy forrásnak fizikai, lekérdezésre optimalizált elrendezésre van szüksége, vagy nem tudja vállamilag kielégíteni a frissességi, átalakulási költségedet, megfelelőségi vagy feldolgozási igényeidet.

  2. Alkalmazza a OneLake biztonságát a OneLake-en keresztül elérhetővé tett adatokra, így ugyanazok a szabályzatok vonatkoznak a virtualizált adatokra, a szinkronizált másolatokra és az átalakított Delta-kimenetre.

  3. Lássa el jóváhagyással, és írja le az így létrejövő adatelemeket a OneLake-katalógusban, hogy a felhasználók megtalálhassák, és bízhassanak bennük.

Egységes adathozzáférési képességek

  • Adatvirtualizáció és nulla ETL tükrözés – Olyan adatokat, amelyek más rendszerekben és felhőkben élnek, nem másolható hivatkozásokon vagy szinkronizált, analitikára kész másolatokon keresztül jelenítse meg. Funkciók:
  • Központosított irányítás – Alkalmazz következetes biztonságot és felfedezést a virtualizált forrásokra, ahogy a natív OneLake adatokra is. Funkciók:
  • Nyílt adat interoperabilitás – Tartsák a virtualizált adatokat és a platformkezelő másolatokat olvashatóvá mind a Fabric motorok, mind a külső platformok számára. Funkciók:

Medálépítészet (bronz, ezüst, arany)

Az adatok elérhetővé tétele a OneLake-ben csak az első lépés. A forrásrendszerekből származó nyers adatok általában nem biztonságosak közvetlenül analitikai vagy mesterséges intelligencia céljából. Gyakran tartalmaz duplikátumokat, hibákat, következetlen formátumokat vagy érzékeny mezőket. Ha több csapat ugyanazon forrásadatra épít, közös definícióra van szükségük arra, hogy az egyes adatszakaszok mire bíznak.

A medálarchitektúra mintája az OneLake-ben az adatokat három minőségi rétegre rendezi: bronz a nyers, változatlan forrásadatokhoz; ezüst a tisztított és konformált adatokért; valamint aranyat tanúsított, üzleti kész asztalokhoz és szemantikai modellekhez. Minden réteg egy meghatározott szakasz, amelyre a lefelé irányuló fogyasztók támaszkodhatnak. Az ezüst és arany táblázatok újrahasználhatók a BI, analitika és AI munkaterheléseken, így a csapatok nem építik újra ugyanazt a tisztítási vagy modellezési logikát külön eszközökben.

Használja ezt a mintát a következő esetekben:

  • Több csapat ugyanazon forrásadatra épít, és következetes minőségre van szükségük.
  • Követhető származásra van szükséged a nyers bemenetektől a tanúsított kimenetig.
  • Világos szerződésre van szükség az adatmérnökség és az analitika vagy az AI fogyasztók között.

További információért erről a mintáról lásd: Értsd meg a medallion architecture for Fabric with OneLake-et. Ez a cikk a rétegtervezést, telepítési modelleket, tárolóformátumokat, materializált tónézeteket és Delta tábla optimalizálását tárgyalja.

Hogyan lehet alkalmazni

Egy működő medál egyetlen ötleten alapul: minden réteg szerződés a lefelé vezető fogyasztókkal, és az adatok csak akkor kerülnek előre a következő rétegre, ha megfelelnek annak a rétegnek a minőségi követelményeinek.

  1. Azonosítsd a nyers forrásaidat és azokat a fogyasztókat, akik tanúsított adatokra támaszkodnak.

  2. Határozzuk meg, mi tartozik az egyes rétegekhez, és ezeket a definíciókat következetesen alkalmazzuk a tartományok között:

    Réteg Tartalom Tipikus fogyasztók
    Bronz Nyers, változatlan adatokat gyűjtenek közvetlenül forrásból, séma végrehajtás nélkül Adatmérnökök (korlátozott hozzáférés)
    Ezüst Tisztították, deduplikálták és a közös üzleti definícióknak feleltek meg adatmérnökök és képzett elemzők
    Arany Gondosan összeállított, üzleti használatra kész táblázatok és szemantikai modellek Minden BI, analitika és AI fogyasztó

  3. Az egyes rétegeket a megfelelő Fabric-szolgáltatással hozd létre – jellemzően Data Engineering (Spark) vagy Data Factory használatával a bronz- és ezüstréteghez, az aranyréteghez pedig Data Warehouse vagy Power BI szemantikai modellek használatával. Őrizze meg a forráshűséget a bronzrétegben az eredeti formátum, a forrásadatokra mutató hivatkozás, a Parquet vagy a Delta használatával, adott esetben. Használj Delta táblázatokat ezüsthöz és aranyhoz, hogy a Fabric munkaterhelései megbízhatóan olvassák és írják a finomított adatokat.

  4. Alkalmazz rétegtudatos hozzáférési szabályzatokat. Használd a OneLake biztonságot a támogatott elemekhez, valamint a raktárakhoz szükséges Fabric és SQL jogosultságokhoz. Korlátozzuk a bronzhoz való hozzáférést, tegyék elérhetővé az ezüstöt az elemzők számára, és biztosítsanak hozzáférést az aranyhoz a fogyasztói igények és a legkisebb kiváltságok szabványai alapján.

  5. Használj válogatott referencia-kimeneteket a további elemzésekhez. Építs aranyrétegű szemantikai modelleket Direct Lake módban, hogy a Power BI olvashassa a OneLake adatokat anélkül, hogy importált másolatot hozna létre vagy ütemezett frissítéseket kellene létrehoznia.

  6. Győződjön meg róla, hogy minden arany kitermelése nyomon követhető az ezüstön keresztül a bronz forrásaiig. Ezután ajánlja az aranyrétegű táblázatokat és szemantikai modelleket, amelyeket a OneLake katalógusban tanúsítottak. Ez az ellenőrzés segít a fogyasztóknak felismerni, mely adatok állnak készen a termelési használatra.

  7. Használd újra az arany szemantikai modelleket, hogy elindítsuk a Fabric IQ ontológiáit. Ez a lépés az AI ügynökök által irányított üzleti kontextust biztosít, amely tanúsított adatokon alapul.

Alapvető képességek

  • Integrált analitika és MI – Bronz, ezüst és arany rétegek táplálják az összes analitikai és mesterséges intelligencia munkaterhelést a OneLake-en motor-specifikus másolatok nélkül. Funkciók:
  • Központosított irányítás – Alkalmazz különböző hozzáférési szabályzatokat és minőségi kapukat minden rétegen, hogy a felhasználók csak a szerepükhöz megfelelő adatokat lássanak. Funkciók:
  • Nyílt adat interoperabilitás – Tárold a rétegeket nyílt formátumokban, hogy külső motorok olvassák őket a Fabric mellett. Funkciók:

Domainorientált adatháló megosztott platformon

Ha több üzleti csapatod is adatokat állít és fogyaszt, az összes kérés egyetlen központi adatcsapaton keresztül történő irányítása lassíthatja a szállítást. Az üzleti csapatok gyakran a legjobban értik saját adataikat és követelményeiket, de a tulajdonjog decentralizálása megosztott irányítás nélkül következetlen biztonsághoz, minőséghez és származáshoz vezethet.

A tartományorientált adatháló minta minden üzleti tartomány számára a saját adattermékei feletti tulajdonjogot biztosítja, miközben az összes tartomány közös szabványokat követ a OneLake alapjain. Minden tartomány közzéteszi a saját adattermékeit, a többi tartomány pedig parancsikonokon keresztül fér hozzájuk, és a Fabric analitikai és MI-munkaterheléseivel használja fel őket. A központosított identitás-, biztonsági és irányítási politikák egységesen érvényesek minden domainen.

Használja ezt a mintát a következő esetekben:

  • Egyetlen központi adatcsapat szűk keresztmetszetté válik a megvalósításban.
  • A különböző üzleti területeken eltérő adatok, követelmények és megjelenési ritmusok vannak.
  • Tiszta felelősségvállalásra van szükség az adatminőségért a domain szintjén, anélkül, hogy feladnánk a vállalati szintű irányítást.

Domain-orientált adatháló alkalmazása

Találd meg a megfelelő egyensúlyt a decentralizáció és a következetesség között. A tulajdonjogot arra a domainre helyezzük, amely a legjobban ismeri az adatokat, és tartsd az identitást, biztonságot és a származást központosítva, hogy minden domain adatterméke megfeleljen ugyanazoknak a szabványoknak.

  1. Azonosítsd üzleti területeidet. Minden domainnek egy koherens területet kell képviselnie, olyan csapattal, amely végpontig képes birtokolni és üzemeltetni az adat termékeit.

  2. Hozz létre egy domainet minden üzleti területhez, és rendelj hozzá munkaterületeket. Hozz létre egy külön központi domaint a megosztott infrastruktúra és az újrahasználható vállalati adatok számára.

  3. Határozzuk meg az adattermék-szabványokat, amelyeknek minden domainnek teljesítenie kell – például jóváhagyási vagy tanúsítási követelmények, dokumentált sémák, tulajdonosi metaadatok, verziózás és szolgáltatási szintű megállapodások (SLA-k). Ezek a szabványok minden terméket újrahasználható, felfedezhető szerződésré tesznek, nem csupán egy munkaterületi mappává.

  4. Használd a OneLake biztonságot szerepalapú adathozzáférési vezérlések alkalmazására a mappák, táblázat, sor és oszlop szinten, így a gyártók adattermékeket publikálhatnak anélkül, hogy minden elérhetővé tennék a munkaterületükön.

  5. Alkalmazzon bérlőszintű irányítást a OneLake katalógussal a tartományok közötti felderítés és az adatleszármazás érdekében, valamint a Microsoft Purview szolgáltatást az érzékenységi címkék és a naplózás céljára. Ugyanezt az identitás- és szabályzatmodellt terjesztsük ki olyan AI ügynökökre is, amelyek domain adattermékeket használnak, így az ügynök hozzáférése úgy legyen szabályozva, mint bármely más fogyasztóé.

  6. A fogyasztói domainek rövidítéseket használjanak a gyártói adat-termékekre való hivatkozásra, nem pedig másolnák őket. A fogyasztók ezután használhatják a Fabric munkaterhelésében szereplő hivatkozott adattermékeket, amelyek megfelelnek az igényeiknek. Power BI szemantikai modellekhez használj Direct Lake módot az adatok közvetlen OneLake-ből olvasásához. Használd a Fabric Data Agenteket vagy a Fabric IQ-t AI élmények létrehozására, amelyek szabályozott tartományi adattermékekre épülnek.

  7. Ha a domainek a Fabric-en kívüli katalógusokban jelennek meg, tervezzük meg a hozzáférés-vezérlés szinkronizációját, hogy a jogosultságok konzisztensek maradjanak a OneLake és a külső katalógus között.

    Tip

    A Microsoft nyílt forráskódú gyorsítója, a Policy Weaver automatizálni tudja ezt a szinkronizációt Azure Databricks (Unity Catalog), Snowflake és Dataverse források számára. Az adathozzáférési szabályzatokat tükrözi a OneLake biztonsági szerepkörökbe, kiegészítve a tükrözést (amely adatokat mozgat, de nem jogosultságokat).

Data mesh képességei

  • Központosított irányítás – Decentralizáld a tulajdonjogot a domainekre, miközben az identitás, biztonság és a származás központosítva marad. Funkciók:
    • A domainek üzleti terület szerint csoportosítják a munkaterületeket.
    • A OneLake biztonság szerepalapú mappák, tábla, sorok és oszlopok hozzáférési vezérlését biztosítja.
    • A OneLake katalógus lehetővé teszi a különböző területek közötti felfedezést és származási rendszert.
    • Microsoft Purview érzékenységi címkéket és auditot alkalmaz.
  • Adatvirtualizáció – Engedd, hogy a fogyasztói domainek gyártói tulajdonú adattermékeket használjanak referencia alapján, nem másolatokon keresztül. Funkciók:
    • A rövidítések lehetővé teszik a nulla másolatos megosztást a domainek között.
  • Integrált analitika és MI – Tedd minden domain adattermékeit fogyaszthatóvá a Fabric munkaterheléseken. Funkciók:

Platformkonszolidáció analitika és mesterséges intelligencia számára

Ha több analitikai platformot futtatsz egymás mellett – külön eszközöket adattározáshoz, üzleti intelligenciához, adattudományhoz, valós idejű elemzéshez és MI-hez –, mindegyik eszköz saját adatmásolatokkal, pipeline-ekkel és irányítási modellrel rendelkezik. Ez a töredezettség megemeli a költségeket, és megnehezíti a következetes biztonság alkalmazását vagy egyetlen választ egy üzleti kérdésre.

A platform konszolidációs mintázata ezeket a munkaterheléseket a Fabric-re viszi, ahol a OneLake megosztott, szabályozott adatalapot biztosít. A Fabric munkaterhelései ezen az alapon keresztül érhetik el az adatokat, átalakítják, szinkronizálják vagy elemeznek, ahelyett, hogy külön adatokra és irányítási modellekre támaszkodnának minden eszközhöz.

Használja ezt a mintát a következő esetekben:

  • Több, átfedő képességű analitikai platformot használsz.
  • A motorhoz kötött adatmásolatok és adatfolyamatok növelik a költség- és karbantartási többletterhet.
  • Egyetlen irányítási és biztonsági modellre van szükség minden analitikai és mesterséges intelligencia munkaterhelésre.

Platformkonszolidáció alkalmazása

Kevesebb platformra törekedj, ne több integrációra. Konszolidáld a munkaterhelést a Fabric-ben, ahelyett, hogy eszközöket hidalnál össze, és csak akkor hidalj át külső motorokat, ha még nem tudod őket nyugdíjba vonni.

  1. Mérje fel azokat az analitikai, adattárház-kezelési, adattudományi, üzleti intelligencia (BI) és mesterségesintelligencia- (AI-) eszközöket és folyamatokat, amelyeket jelenleg használ. Vedd figyelembe, hogy melyik eszköz milyen munkaterheléseket szolgál ki, és milyen adatokat másol.

  2. Rendelje hozzá az egyes meglévő munkaterheléseket az azokat kiváltó Fabric-munkaterheléshez:

    Örökös munkaterhelés Fabric munkaterhelés
    Adatvezénylés és ETL Adatgyár
    Spark-jegyzetfüzetek és lakehouse-feldolgozás adatmérnök
    SQL adattárolók Adattárház
    Streaming és KQL elemzés Valós idejű intelligencia
    ML modell képzés és kísérleti követés Adatelemzési
    Működő adatbázisok Adatbázisok (SQL adatbázis a Fabric-ben és Cosmos DB a Fabric-ben)
    BI vizualizáció és szemantikai modellek Power BI Direct Lake módban
    Vállalati adatokon alapuló beszélgető AI Fabric Data Agents, Copilot for Fabric, Fabric IQ

  3. Hozzon létre egyetlen irányítási és biztonsági modellt minden munkaterhelésre a OneLake biztonság, Microsoft Purview és OneLake katalógus használatával. Konfiguráld az ügyfél által kezelt kulcsokat, amikor a támogatott Fabric elemek további titkosítási réteget igényelnek.

  4. Analitikai adatokat konszolidáljon OneLake-ben Delta vagy Iceberg formátum használatával, hogy a munkaterhelések egy szabályozott adatalapot oszthassanak meg. Integrálja az operatív munkaterheléseket azáltal, hogy konszolidálja azokat Fabric adatbázisokban, amelyek révén a szinkronizált analitikus adatok elérhetővé válnak a OneLake-ben.

  5. Alapozza a mesterséges intelligenciát az összesített adatokra. Építs ontológiakat (előnézeteket) a kurált adatrétegedre, és add ki őket az ügynököknek az Ontology MCP szerveren keresztül, így a Fabric Data Agents, a Microsoft 365 Copilot és a külső eszközök ugyanazon a szabályozott kontextuson érvelnek. Ontológiai definíciókat generálhatsz Power BI szemantikai modellekből Import, Direct Lake vagy DirectQuery módban. Használd a Direct Lake módot , amikor generált kötelékekre van szükséged a támogatott OneLake-adatokhoz, és nézd át a jelenlegi ontológiai korlátokat.

  6. Azok számára a külső motorok számára, amelyeket még nem tud kivezetni, a OneLake-adatokat elérhetővé teheti Azure Databricks-integráción, Snowflake-kel való Iceberg-interoperabilitáson vagy OneLake-hozzáférésen és API-kon keresztül.

  7. Vond ki a lecserélt eszközöket, adatmásolatokat és pipeline-okat, miután validáltad a Fabric megfelelőt. Így a konszolidáció megszünteti a költségeket, a licenceket és az átadásokat, ahelyett, hogy egy újabb platformot adna a halomhoz.

Platformkonszolidációs képességek

Külső adatmegosztás szervezetek között

Ha folyamatosan cserélsz adatokat partnerekkel, beszállítókkal, ügyfelekkel vagy más részlegekkel, a köteges exportok, fájlátvitelek és duplikált lejstromrendszerek késleltetést, költségeket és irányítási hiányosságokat okoznak. A külső adatmegosztási minta közvetlen hozzáférést biztosít a szervezeten vagy üzleti részlegen kívüli fogyasztóknak a válogatott OneLake-adatokhoz ismétlődő exportok nélkül. A fogyasztók hozzáférhetnek az adatokhoz a Fabric cross-tenant megosztáson keresztül, vagy külső elemző platformokról, mint a Snowflake és az Azure Databricks, a OneLake interoperabilitási képességeinek használatával.

A fogyasztók látják a frissítéseket, amikor közzéteszed őket. A forrásadatokhoz való hozzáférést a fogyasztó platformját támogató megosztási vagy interoperabilitási mechanizmuson keresztül irányítod.

Használja ezt a mintát a következő esetekben:

  • Folyamatosan cserélsz adatokat külső szervezetekkel.
  • A kötett exportok vagy fájlátvitelek késleltetést, összetettséget vagy irányítási hiányosságokat hoznak hozzá.
  • Központilag kell követni és visszavonni a külső hozzáférést.

Külső adatmegosztás alkalmazása

A külső megosztás akkor működik a legjobban, ha virtualizációt használsz adatexportolás helyett. Egyeztesd össze a hozzáférési módszert azzal, amit minden felhasználó el tud olvasni, és alkalmazzuk az adott megosztási vagy interoperabilitási mechanizmus által támogatott hozzáférési vezérlést.

  1. Azonosítsd azokat az adattermékeket, amelyeket külsőleg szeretnél megosztani, és azokat a fogyasztókat, akiknek szükségük van rájuk (partnerek, beszállítók, ügyfelek). Általában jól definiált és dokumentált táblázatokat és fájlokat osztunk meg.

  2. Válaszd ki a megfelelő megosztási megközelítést minden fogyasztó számára:

    Fogyasztói típus Ajánlott megközelítés
    Fabric felhasználók egy másik bérlőben Külső adatmegosztás csak olvasható, virtualizált, bérlők közötti hozzáféréshez
    A Snowflake Azure-felhasználói Iceberg-interoperabilitás a Snowflake-kel az Iceberg formátumban elérhetővé tett Fabric-táblák olvasásához
    Azure Databricks-felhasználók OneLake-katalógusföderáció az Azure Databricksben a OneLake-táblák Unity Catalogon keresztüli lekérdezéséhez adatmásolás nélkül
    Alkalmazások vagy eszközök, amelyek támogatják az ADLS Gen2 vagy Blob API-kat OneLake-hozzáférés és API-k a OneLake-adatokhoz való hozzáféréshez támogatott API-kon keresztül

    Ha Dataverse adatokat a OneLake-be szeretnénk behozni, mielőtt megosztanád őket, használd az egységes adathozzáférési mintát.

  3. Külső hozzáférés hatóköre a kiválasztott megosztási mechanizmus által támogatott jogosultságokkal. A Fabric külső adatmegosztásához a megosztás csak olvasási hozzáférést biztosít bármely felhasználónak a meghívott felhasználó otthoni bérlőjében. A szolgáltató oldali biztonsági és irányítási szabályzatok, beleértve a OneLake biztonságát, érzékenységi címkéket és adatvesztés-megelőzési szabályzatokat, nem érvényben vannak a fogyasztó bérlőjénél. A fogyasztónak kell szabályoznia a környezetében a lefelé irányuló hozzáférést.

  4. Egyeztek meg előre a közös kapcsolatok feltételeiben – mit osztanak meg, kivel és meddig. Fabric külső adatmegosztásához vonja vissza a hozzáférést a Külső adatmegosztások fülről a Jogosultságok kezelése oldalon. Más megközelítéseknél a hozzáférés visszavonása a kiválasztott megosztási mechanizmuson keresztül. Győződjön meg róla, hogy a fogyasztó elveszíti a látótávolságot.

  5. Alkalmazza érzékenységi címkéket, auditot és adatvesztés-megelőzést a Microsoft Purview-val a szolgáltató Fabric környezetében.

  6. Támogatni és dokumentálni a forrásadat-termékeket a OneLake katalógusban , hogy a szolgáltatók megtalálhassák és szabályozzák azokat, mielőtt megosztanák. A OneLake katalógus nem publikál adattermékeket külső bérlőknek vagy elemző platformoknak.

Külső adatmegosztási képességek

  • Adatvirtualizáció – Adatokat megosztás másolás nélküli hivatkozásokon keresztül anélkül, hogy exportvezetékeket kezelsz. Funkciók:
  • Nyílt adat interoperabilitás – Ossza meg azokat a fogyasztókat, akik nem használják a Fabric-et, nyílt formátumban publikálva. Funkciók:
  • Központosított irányítás – Irányítsa a forrásadatokat a Fabric-ben, és irányítsa a külső hozzáférést minden megosztási mechanizmuson keresztül. Funkciók:
    • A OneLake biztonsága szabályozza a forrásadatokhoz való hozzáférést a Fabricben.
    • Microsoft Purview érzékenységi címkéket, auditot és adatvesztés-megelőzést alkalmaz a szolgáltató Fabric környezetében.
    • Az OneLake katalógus támogatja a szolgáltató oldali felfedezést és jóváhagyást a megosztás előtt.
  • Last updated on