Referensi tabel sistem penagihan penggunaan

Artikel ini memberikan gambaran umum tentang tabel sistem penggunaan yang dapat ditagih, termasuk skema serta contoh kueri. Dengan tabel sistem, data penggunaan akun Anda yang dapat ditagih dipusatkan dan dirutekan ke semua wilayah, sehingga Anda dapat melihat penggunaan global akun Anda dari wilayah mana pun ruang kerja Anda berada.

Untuk informasi tentang menggunakan tabel ini untuk memantau biaya dan kueri sampel, lihat Memantau biaya menggunakan tabel sistem.

Jalur tabel: Tabel sistem ini terletak di system.billing.usage.

Skema tabel penggunaan yang dapat dikenakan biaya

Tabel sistem penggunaan yang dapat ditagih menggunakan skema berikut:

Nama kolom	Jenis data	Description	Example
record_id	string	ID unik untuk catatan penggunaan ini	11e22ba4-87b9-4cc2-9770-d10b894b7118
account_id	string	ID akun yang dibuat untuk laporan ini	23e22ba4-87b9-4cc2-9770-d10b894b7118
workspace_id	string	ID ruang kerja yang terkait dengan penggunaan ini	1234567890123456
sku_name	string	Nama SKU	STANDARD_ALL_PURPOSE_COMPUTE
cloud	string	Cloud yang terkait dengan penggunaan ini. Nilai yang mungkin adalah AWS, AZURE, dan GCP.	AWS, AZURE, atau GCP
usage_start_time	stempel waktu	Waktu mulai yang relevan dengan catatan penggunaan ini. Informasi zona waktu dicatat di akhir nilai dengan +00:00 mewakili zona waktu UTC.	2023-01-09 10:00:00.000+00:00
usage_end_time	stempel waktu	Waktu akhir yang relevan dengan catatan penggunaan ini. Informasi zona waktu dicatat di akhir nilai dengan +00:00 mewakili zona waktu UTC.	2023-01-09 11:00:00.000+00:00
usage_date	date	Tanggal rekaman penggunaan, bidang ini dapat digunakan untuk agregasi yang lebih cepat berdasarkan tanggal	2023-01-01
custom_tags	memetakan	Tag kustom yang terkait dengan rekaman penggunaan	{ “env”: “production” }
usage_unit	string	Satuan yang digunakan untuk mengukur penggunaan ini	DBU
usage_quantity	decimal	Jumlah unit yang digunakan untuk rekaman ini	259.2958
usage_metadata	struct	Metadata yang disediakan sistem tentang penggunaan, termasuk ID untuk sumber daya komputasi dan pekerjaan (jika berlaku). Lihat Metadata Penggunaan.	Lihat Metadata penggunaan
identity_metadata	struct	Metadata yang disediakan sistem tentang identitas yang terlibat dalam penggunaan. Lihat Metadata Identitas.	Lihat Metadata identitas
record_type	string	Apakah rekaman asli, pencabutan, atau penyajian ulang. Nilainya adalah ORIGINAL, kecuali jika rekaman tersebut berkaitan dengan koreksi. Lihat Jenis Catatan.	ORIGINAL
ingestion_date	date	Tanggal rekaman diserap ke dalam tabel usage	2024-01-01
billing_origin_product	string	Produk yang menjadi asal mula penggunaan. Beberapa produk dapat diidentifikasi sebagai SKU yang berbeda. Untuk nilai yang mungkin, lihat Produk .	JOBS
product_features	struct	Detail tentang fitur produk tertentu yang digunakan. Lihat fitur produk .	Lihat Fitur produk
usage_type	string	Jenis penggunaan yang dikaitkan dengan produk atau beban kerja untuk tujuan penagihan. Nilai yang mungkin adalah COMPUTE_TIME, , STORAGE_SPACENETWORK_BYTE, NETWORK_HOUR, API_OPERATION, TOKEN, GPU_TIME, atau ANSWER.	STORAGE_SPACE

Referensi Metadata Penggunaan

Nilai di usage_metadata adalah semua string yang memberi tahu Anda tentang objek ruang kerja dan sumber daya yang terlibat dalam catatan penggunaan.

Hanya subset nilai-nilai ini yang diisi dalam catatan penggunaan tertentu, tergantung pada jenis komputasi dan fitur yang digunakan. Kolom ketiga dalam tabel menunjukkan jenis penggunaan mana yang menyebabkan setiap nilai diisi.

Value	Description	Diisi untuk (sebaliknya null)
cluster_id	ID kluster yang terkait dengan rekaman penggunaan	Penggunaan komputasi tanpa server, termasuk notebook, pekerjaan, Alur Deklaratif Lakeflow Spark, dan penyajian model warisan
job_id	ID pekerjaan yang terkait dengan catatan penggunaan	Pekerjaan tanpa server dan pekerjaan dijalankan pada komputasi pekerjaan (tidak berlaku untuk pekerjaan yang dijalankan pada komputasi serba guna)
warehouse_id	ID gudang SQL yang terkait dengan catatan penggunaan	Beban kerja berjalan pada gudang SQL
instance_pool_id	ID kumpulan instans yang terkait dengan catatan penggunaan	Penggunaan komputasi tanpa server dari kumpulan, termasuk notebook, pekerjaan, Alur Deklaratif Lakeflow Spark, dan penyajian model warisan
node_type	Jenis instans sumber daya komputasi	Penggunaan komputasi tanpa server, termasuk notebook, pekerjaan, Alur Deklaratif Lakeflow Spark, dan semua gudang SQL
job_run_id	ID pelaksanaan pekerjaan yang terkait dengan catatan penggunaan	Pekerjaan tanpa server dan pekerjaan dijalankan pada komputasi pekerjaan (tidak berlaku untuk pekerjaan yang dijalankan pada komputasi serba guna)
notebook_id	ID buku catatan yang terkait dengan penggunaan	Buku catatan tanpa server
dlt_pipeline_id	ID alur yang terkait dengan catatan penggunaan	Alur dan fitur Deklaratif Lakeflow Spark yang menggunakan Alur Deklaratif Lakeflow Spark, seperti tampilan materialisasi, tabel online, pengindeksan pencarian vektor, dan Lakeflow Connect
endpoint_name	Nama model yang melayani titik akhir atau titik akhir pencarian vektor yang terkait dengan catatan penggunaan	Penyajian model dan Pencarian Vektor
endpoint_id	ID model yang melayani titik akhir atau titik akhir pencarian vektor yang terkait dengan catatan penggunaan	Penyajian model dan Pencarian Vektor
dlt_update_id	ID pembaruan alur yang terkait dengan catatan penggunaan	Alur dan fitur Deklaratif Lakeflow Spark yang menggunakan Alur Deklaratif Lakeflow Spark, seperti tampilan materialisasi, tabel online, pengindeksan pencarian vektor, dan Lakeflow Connect
dlt_maintenance_id	ID tugas pemeliharaan alur yang terkait dengan catatan penggunaan	Alur dan fitur Deklaratif Lakeflow Spark yang menggunakan Alur Deklaratif Lakeflow Spark, seperti tampilan materialisasi, tabel online, pengindeksan pencarian vektor, dan Lakeflow Connect
metastore_id	Nilai ini tidak diisi dalam Azure Databricks	Selalu null
run_name	Nama unik yang menghadap pengguna dari eksekusi Penyempurnaan Model Foundation yang terkait dengan catatan penggunaan	Penyempurnaan Model Dasar
job_name	Nama tugas yang diberikan pengguna terkait dengan catatan penggunaan	Pekerjaan berjalan pada komputasi tanpa server
notebook_path	Jalur penyimpanan ruang kerja buku catatan yang terkait dengan penggunaan	Notebook berjalan pada komputasi tanpa server
central_clean_room_id	ID ruang bersih pusat yang terkait dengan catatan penggunaan	Kamar Bersih
source_region	Wilayah ruang kerja yang terkait dengan penggunaan. Hanya mengembalikan nilai untuk penggunaan terkait jaringan tanpa server.	Jaringan tanpa server
destination_region	Wilayah sumber daya yang diakses. Hanya mengembalikan nilai untuk penggunaan terkait jaringan tanpa server.	Jaringan tanpa server
app_id	ID aplikasi yang terkait dengan catatan penggunaan	Aplikasi Databricks
app_name	Nama aplikasi yang diberikan pengguna yang terkait dengan catatan penggunaan	Aplikasi Databricks
private_endpoint_name	Nama titik akhir privat yang berlaku yang disebarkan dengan komputasi tanpa server	Jaringan tanpa server
budget_policy_id	ID kebijakan penggunaan tanpa server yang dilampirkan ke beban kerja	Penggunaan komputasi tanpa server, termasuk notebook, pekerjaan, Alur Deklaratif Lakeflow Spark, dan model yang melayani titik akhir
storage_api_type	Jenis operasi yang dilakukan pada penyimpanan default. Nilai yang mungkin adalah TIER_1 (PUT, COPY, POST, LIST) dan TIER_2 (operasi lainnya)	Penyimpanan default
ai_runtime_workload_id	ID beban kerja GPU tanpa server yang terkait dengan catatan penggunaan	Beban kerja AI Runtime
uc_table_catalog	Nama katalog Unity Catalog yang terkait dengan catatan penggunaan	Tampilan materialisasi
uc_table_schema	Nama skema Unity Catalog yang terkait dengan catatan penggunaan	Tampilan materialisasi
uc_table_name	Nama tabel Katalog Unity yang terkait dengan catatan penggunaan	Tampilan materialisasi
database_instance_id	ID instans database yang terkait dengan catatan penggunaan	Instans database Lakebase
sharing_materialization_id	ID materialisasi berbagi yang terkait dengan catatan penggunaan	Berbagi tampilan, tampilan materialisasi, dan tabel streaming menggunakan Delta Sharing
usage_policy_id	ID kebijakan penggunaan tanpa server yang terkait dengan catatan penggunaan	Kebijakan penggunaan tanpa server
agent_bricks_id	ID beban kerja Agent Bricks yang terkait dengan catatan penggunaan	Beban kerja Asisten PengetahuanAgen Supervisor
base_environment_id	ID lingkungan dasar yang terkait dengan penggunaan	Penggunaan dari proses membangun atau memperbarui lingkungan dasar tanpa server untuk ruang kerja. Diisi ketika billing_origin_product adalah BASE_ENVIRONMENTS.
schema_id	ID skema yang terkait dengan catatan penggunaan	Deteksi anomali
table_id	ID tabel yang terkait dengan rekaman penggunaan	Pembuatan profil data
catalog_id	ID katalog Unity Catalog yang terkait dengan penggunaan penyimpanan default	Penyimpanan default

referensi metadata identitas

Kolom identity_metadata menyediakan informasi selengkapnya tentang identitas yang terlibat dalam penggunaan.

• Bidang run_as mencatat siapa yang menjalankan beban kerja. Nilai ini hanya diisi untuk jenis beban kerja tertentu yang tercantum dalam tabel di bawah ini.
• Bidang owned_by hanya berlaku untuk penggunaan gudang SQL dan mencatat pengguna atau perwakilan layanan yang memiliki gudang SQL yang bertanggung jawab atas penggunaan.

• Bidang ini created_by berlaku untuk Aplikasi Databricks, Asisten Pengetahuan, dan Agen Supervisor. Bidang mencatat email pengguna yang membuat aplikasi atau agen.

identitas run_as

Identitas yang direkam dalam identity_metadata.run_as tergantung pada produk yang terkait dengan penggunaan produk tersebut. Referensikan tabel berikut untuk perilaku identity_metadata.run_as:

Tipe beban kerja	Identitas run_as
Komputasi pekerjaan	Pengguna atau prinsipal layanan yang ditentukan dalam pengaturan run_as. Secara default, pekerjaan berjalan sebagai identitas pemilik pekerjaan, tetapi admin dapat mengubahnya menjadi pengguna atau perwakilan layanan lain.
Komputasi tanpa server untuk pekerjaan	Pengguna atau prinsipal layanan yang ditentukan dalam pengaturan run_as. Secara default, pekerjaan berjalan sebagai identitas pemilik pekerjaan, tetapi admin dapat mengubahnya menjadi pengguna atau perwakilan layanan lain.
Komputasi tanpa server untuk buku catatan	Pengguna yang menjalankan perintah notebook (khususnya, pengguna yang membuat sesi buku catatan). Untuk buku catatan bersama, ini termasuk penggunaan oleh pengguna lain yang berbagi sesi buku catatan yang sama.
Alur Deklaratif Lakeflow Spark	Pengguna atau prinsipal layanan yang izin aksesnya digunakan untuk menjalankan pipeline. Ini dapat diubah dengan mentransfer kepemilikan alur.
Penyempurnaan Model Dasar	Pengguna atau prinsipal layanan yang memulai menjalankan pelatihan penyempurnaan.
Pengoptimalan prediktif	Service principal milik Databricks yang menjalankan operasi pengoptimalan prediktif.
Pemantauan kualitas data	Pengguna yang membuat profil.

referensi tipe rekaman

Tabel billing.usage mendukung koreksi. Koreksi terjadi ketika bidang catatan penggunaan salah dan harus diperbaiki.

Saat koreksi terjadi, Azure Databricks menambahkan dua rekaman baru ke tabel. Rekaman pencabutan meniadakan rekaman asli yang salah, lalu rekaman pemulihan menyertakan informasi yang dikoreksi. Rekaman koreksi diidentifikasi menggunakan record_type bidang :

• RETRACTION: Digunakan untuk meniadakan penggunaan asli yang salah. Semua bidang identik dengan ORIGINAL catatan kecuali usage_quantity, yang merupakan nilai negatif yang membatalkan kuantitas penggunaan asli. Misalnya, jika kuantitas penggunaan dari rekaman asli adalah 259.4356, maka kuantitas penggunaan dari rekaman pencabutan akan menjadi -259.4356.
• RESTATEMENT: Catatan yang mencakup bidang dan kuantitas penggunaan yang sesuai.

Misalnya, kueri berikut mengembalikan kuantitas penggunaan per jam yang benar terkait dengan job_id, meskipun telah dilakukan koreksi. Dengan menggabungkan kuantitas penggunaan, rekaman pencabutan meniadakan rekaman asli dan hanya nilai pengungkapan ulang yang dikembalikan.

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

Untuk koreksi di mana catatan penggunaan asli seharusnya tidak ditulis, koreksi hanya dapat menambahkan rekaman pencabutan dan tidak ada catatan pemulihan.

referensi produk dari asal penagihan

Beberapa produk Databricks ditagih di bawah SKU bersama. Misalnya, pemantauan kualitas data, pengoptimalan prediktif, dan alur kerja tanpa server semuanya ditagih di bawah SKU pekerjaan tanpa server yang sama.

Untuk membantu Anda membedakan penggunaan, kolom billing_origin_product dan product_features memberikan lebih banyak wawasan tentang produk dan fitur tertentu yang terkait dengan penggunaan.

Kolom billing_origin_product memperlihatkan produk Databricks yang terkait dengan catatan penggunaan. Nilainya meliputi:

Value	Description
JOBS	Biaya yang terkait dengan beban pekerjaan Lakeflow Jobs
DLT	Biaya yang terkait dengan beban kerja Alur Deklaratif Lakeflow Spark
SQL	Biaya yang terkait dengan Databricks SQL, termasuk beban kerja yang berjalan pada gudang SQL dan tampilan materialisasi
ALL_PURPOSE	Biaya yang terkait dengan komputasi serba guna klasik
MODEL_SERVING	Biaya yang terkait dengan Mosaic AI Model Serving
INTERACTIVE	Biaya yang terkait dengan beban kerja interaktif tanpa server
DEFAULT_STORAGE	Biaya yang terkait dengan penyimpanan default
VECTOR_SEARCH	Biaya yang terkait dengan Pencarian Vektor
LAKEHOUSE_MONITORING	Biaya yang terkait dengan Pemantauan Kualitas Data
PREDICTIVE_OPTIMIZATION	Biaya yang terkait dengan pengoptimalan prediktif
ONLINE_TABLES	Biaya yang terkait dengan tabel online (Legacy)
FOUNDATION_MODEL_TRAINING	Biaya yang terkait dengan Penyempurnaan Model Foundation
AGENT_EVALUATION	Biaya yang terkait dengan evaluasi agen
FINE_GRAINED_ACCESS_CONTROL	Penggunaan tanpa server dari kontrol akses halus pada komputasi khusus
BASE_ENVIRONMENTS	Penggunaan yang terkait dengan membangun atau menyegarkan lingkungan dasar tanpa server ruang kerja
DATA_CLASSIFICATION	Biaya yang terkait dengan operasi klasifikasi data
DATA_QUALITY_MONITORING	Biaya yang terkait dengan pemantauan kualitas data, termasuk deteksi anomali dan pembuatan profil data
DATA_SHARING	Biaya yang berhubungan dengan Delta Sharing
AI_GATEWAY	Biaya yang terkait dengan penggunaan Gateway AI
AI_RUNTIME	Biaya yang terkait dengan beban kerja GPU tanpa server
NETWORKING	Biaya yang terkait dengan menghubungkan komputasi tanpa server ke sumber daya Anda melalui titik akhir privat. Untuk penggunaan NETWORKING, workspace_idnull, usage_unithour, dan networking.connectivity_typePRIVATE_IP.
APPS	Biaya yang terkait dengan membangun dan menjalankan Aplikasi Databricks
DATABASE	Biaya yang terkait dengan instans database Lakebase
AI_FUNCTIONS	Biaya yang terkait dengan penggunaan AI Functions . Produk ini mencatat penggunaan untuk AI_PARSE_DOCUMENT, AI_EXTRACT, AI_CLASSIFY.
AGENT_BRICKS	Biaya yang terkait dengan beban kerja Asisten PengetahuanAgen Supervisor
CLEAN_ROOM	Biaya yang terkait dengan beban kerja Clean Rooms
LAKEFLOW_CONNECT	Biaya yang terkait dengan konektor terkelola Lakeflow Connect

referensi fitur produk

Kolom product_features adalah objek yang berisi informasi tentang fitur produk tertentu yang digunakan dan menyertakan pasangan kunci/nilai berikut:

Bidang	Description
jobs_tier	Nilai termasuk LIGHT, CLASSIC, atau null
sql_tier	Nilai termasuk CLASSIC, PRO, atau null
dlt_tier	Nilai termasuk CORE, PRO, ADVANCED, atau null
is_serverless	Nilai termasuk true atau false, atau null (nilai adalah true atau false ketika Anda dapat memilih antara komputasi serverless dan klasik, jika tidak, nilainya null)
is_photon	Nilai meliputi true atau false, atau null
serving_type	Nilai termasuk MODEL, GPU_MODEL, FOUNDATION_MODEL, FEATURE, atau null
offering_type	Nilai meliputi BATCH_INFERENCE atau null
performance_target	Menunjukkan mode performa pekerjaan atau alur tanpa server. Nilai termasuk PERFORMANCE_OPTIMIZED, STANDARD, atau null. Beban kerja tanpa server memiliki null nilai.
ai_runtime.compute_type	Menunjukkan jenis komputasi untuk beban kerja GPU tanpa server atau null
model_serving.offering_type	Menunjukkan jenis penawaran untuk penyajian model atau null
ai_gateway.feature_type	Menunjukkan jenis fitur untuk beban kerja Gateway AI atau null
serverless_gpu.workload_type	Menunjukkan jenis beban kerja untuk Runtime AI (GPU tanpa server) atau null
ai_functions.ai_function	Menunjukkan jenis fungsi AI atau null
networking.connectivity_type	Nilai meliputi PUBLIC_IP dan PRIVATE_IP
agent_bricks.problem_type	Menunjukkan jenis masalah untuk beban kerja Asisten Pengetahuan . Nilai termasuk AGENT_BRICKS_KNOWLEDGE_ASSISTANT atau null.
agent_bricks.workload_type	Menunjukkan jenis beban kerja untuk Asisten Pengetahuan . Nilai meliputi AGENT_BRICKS_REAL_TIME_INFERENCE atau null