Catatan
Akses ke halaman ini memerlukan otorisasi. Anda dapat mencoba masuk atau mengubah direktori.
Akses ke halaman ini memerlukan otorisasi. Anda dapat mencoba mengubah direktori.
Penting
Fitur ini sedang dalam tahap pratinjau.
Mirroring in Fabric memberikan pengalaman mudah untuk menghindari ETL yang kompleks (Extract Transform Load) dan mengintegrasikan sistem Azure Database for MySQL Anda yang ada dengan sisa data Anda di Microsoft Fabric. Anda dapat terus mereplikasi Azure Database for MySQL yang ada langsung ke OneLake Fabric, apakah server Anda dapat diakses secara publik, diisolasi jaringan melalui jaringan virtual atau titik akhir privat, atau dikonfigurasi untuk ketersediaan tinggi. Di dalam Fabric, Anda dapat membuka kecerdasan bisnis yang kuat, kecerdasan buatan, rekayasa data, ilmu data, dan skenario berbagi data.
Untuk tutorial tentang mengonfigurasi Pencerminan Azure Database for MySQL anda di Fabric, lihat Tutorial: Membuat database cermin dari Azure Database for MySQL di Microsoft Fabric (pratinjau).
Mengapa menggunakan Mirroring in Fabric?
Dengan menggunakan Mirroring in Fabric, Anda tidak perlu mengumpulkan layanan yang berbeda dari beberapa vendor. Sebagai gantinya, gunakan produk yang sangat terintegrasi, end-to-end, dan mudah digunakan yang menyederhanakan kebutuhan analitik Anda. Ini dibangun untuk keterbukaan dan kolaborasi antara Microsoft, Azure Database for MySQL, dan ribuan solusi teknologi yang dapat membaca format tabel Delta Lake sumber terbuka.
Pengalaman analitik apa yang sudah terintegrasi?
Database yang dicerminkan adalah item di Fabric Data Warehousing yang berbeda dari Gudang dan titik akhir analitik SQL.
Pencerminan membuat item ini di ruang kerja Fabric Anda:
- Item database yang direplikasi. Mirroring mengelola replikasi data ke OneLake serta konversi menjadi Parquet dalam format yang siap untuk analitik. Proses ini memungkinkan skenario hilir seperti rekayasa data, ilmu data, dan banyak lagi.
- Ujung analisis SQL
Setiap database yang dicerminkan di Azure Database for MySQL memiliki titik akhir analitik SQL yang dihasilkan secara otomatis, yang memberikan pengalaman analitik yang kaya berdasarkan Tabel Delta yang dibuat oleh proses pencerminan. Pengguna memiliki akses ke perintah T-SQL yang familier yang dapat menentukan dan mengkueri objek data tetapi tidak dapat memanipulasi data dari titik akhir analitik SQL, karena ini adalah salinan baca-saja. Anda dapat melakukan tindakan berikut di titik akhir analitik SQL:
- Jelajahi tabel yang mereferensikan data dalam tabel Delta Lake Anda dari Azure Database for MySQL.
- Buat kueri dan tampilan tanpa kode serta jelajahi data secara visual tanpa menulis baris kode.
- Kembangkan tampilan SQL, TVF sebaris (Fungsi Bernilai Tabel), dan prosedur tersimpan untuk merangkum semantik dan logika bisnis Anda di T-SQL.
- Mengelola izin pada objek.
- Kueri data di Gudang dan Lakehouse lain di ruang kerja yang sama.
Selain editor kueri SQL, ada ekosistem alat yang luas yang dapat mengkueri titik akhir analitik SQL, termasuk SQL Server Management Studio (SSMS), ekstensi mssql dengan Visual Studio Code, dan bahkan GitHub Copilot.
Database yang dicerminkan juga menawarkan integrasi satu klik dengan Microsoft Power BI dalam Fabric, memungkinkan pembuatan laporan cepat langsung dari data cermin atau titik akhir analitik SQL.
Persyaratan jaringan
Pencerminan mendukung server yang dapat diakses publik dan konfigurasi terisolasi jaringan, termasuk server yang dihosting di jaringan virtual. Jika server Anda tidak dapat diakses secara publik dan tidak mengizinkan akses publik untuk menyambungkannya, Anda dapat membuat gateway data jaringan virtual atau menyiapkan gateway data lokal untuk mencerminkan data. Pastikan Jaringan Virtual Azure atau jaringan komputer gateway dapat tersambung ke Azure Database for MySQL dan diizinkan oleh aturan firewall.
Transaksi aktif, beban kerja, dan perilaku mesin replikator
Transaksi aktif atau berjalan lama dapat menunda pemurnian log biner (binlog) hingga transaksi dikomit dan proses replikasi atau migrasi ke hilir terkejar. Penundaan ini dapat menyebabkan penyimpanan binlog tumbuh secara tak terduga, jadi pantau pemanfaatan penyimpanan di server sumber untuk menghindari kelelahan ruang.
Selama rekam jepret awal atau beban data, penggunaan CPU dan IOPS yang lebih tinggi normal karena data dibaca dan disalin. Beban kerja dengan operasi UPDATE atau DELETE yang sering dapat menghasilkan aktivitas pengulangan dan binlog tambahan, yang semakin meningkatkan IO dan konsumsi penyimpanan.
Pantau penyimpanan, IOPS, dan transaksi jangka panjang untuk memastikan kapasitas yang memadai sepanjang proses.
Dukungan tingkat komputasi
Sumber Azure Database for MySQL dapat menggunakan tingkat komputasi Tujuan Umum atau Memori yang Dioptimalkan. Lapis komputasi burstable tidak didukung sebagai sumber pencerminan.
Untuk informasi selengkapnya tentang tingkat komputasi yang tersedia di Azure Database for MySQL, lihat tingkat layanan.