Referentie voor factureerbaar gebruik van systeemtabel

Dit artikel bevat een overzicht van de factureerbare gebruikssysteemtabel, inclusief het schema en voorbeeldquery's. Met systeemtabellen worden de factureerbare gebruiksgegevens van uw account gecentraliseerd en doorgestuurd naar alle regio's, zodat u het globale gebruik van uw account kunt bekijken vanuit de regio waarin uw werkruimte zich bevindt.

Zie Kosten bewaken met behulp van systeemtabellenvoor meer informatie over het gebruik van deze tabel voor het bewaken van kosten en voorbeeldquery's.

tabelpad: deze systeemtabel bevindt zich op system.billing.usage.

Factureerbare gebruikstabelschema

De tabel van het gebruiksfactureringssysteem gebruikt het volgende schema:

Kolomnaam	Gegevenstype	Description	Example
record_id	string	Unieke id voor deze gebruiksrecord	11e22ba4-87b9-4cc2-9770-d10b894b7118
account_id	string	Id van het account waarvoor dit rapport is gegenereerd	23e22ba4-87b9-4cc2-9770-d10b894b7118
workspace_id	string	Id van de werkruimte waarmee dit gebruik is gekoppeld	1234567890123456
sku_name	string	Naam van de SKU	STANDARD_ALL_PURPOSE_COMPUTE
cloud	string	Cloud gekoppeld aan dit gebruik. Mogelijke waarden zijn AWS, AZUREen GCP.	AWS, AZURE of GCP
usage_start_time	timestamp	De begintijd die relevant is voor deze gebruiksrecord. Tijdzonegegevens worden vastgelegd aan het einde van de waarde met +00:00 die UTC-tijdzone vertegenwoordigen.	2023-01-09 10:00:00.000+00:00
usage_end_time	timestamp	De eindtijd die relevant is voor deze gebruiksrecord. Tijdzonegegevens worden vastgelegd aan het einde van de waarde met +00:00 die UTC-tijdzone vertegenwoordigen.	2023-01-09 11:00:00.000+00:00
usage_date	date	Datum van de gebruiksrecord, dit veld kan worden gebruikt voor snellere aggregatie op datum	2023-01-01
custom_tags	map	Aangepaste tags die zijn gekoppeld aan de gebruiksrecord	{ “env”: “production” }
usage_unit	string	Eenheid waarin dit gebruik wordt gemeten	DBU
usage_quantity	decimal	Aantal verbruikte eenheden voor deze record	259.2958
usage_metadata	struct	Door het systeem verstrekte metagegevens over het gebruik, inclusief id's voor rekenresources en taken (indien van toepassing). Zie Metagegevens van gebruik.	Gebruiksmetagegevens bekijken
identity_metadata	struct	Door het systeem verstrekte metagegevens over de identiteiten die betrokken zijn bij het gebruik. Zie identiteitsmetagegevens.	Identiteitsmetagegevens weergeven
record_type	string	Of het record origineel, een intrekking of een herformulering is. De waarde is ORIGINAL tenzij de record is gerelateerd aan een correctie. Zie Recordtype.	ORIGINAL
ingestion_date	date	Datum waarop de record is opgenomen in de usage tabel	2024-01-01
billing_origin_product	string	Het product dat het gebruik heeft geïnitieerd. Sommige producten kunnen worden gefactureerd als verschillende SKU's. Zie Productvoor mogelijke waarden.	JOBS
product_features	struct	Details over de specifieke productfuncties die worden gebruikt. Zie Producteigenschappen.	Bekijk productfuncties
usage_type	string	Het type gebruik dat is toegewezen aan het product of de workload voor factureringsdoeleinden. Mogelijke waarden zijn COMPUTE_TIME, , STORAGE_SPACE, NETWORK_BYTE, NETWORK_HOURAPI_OPERATION, , TOKEN, , , GPU_TIMEof ANSWER.	STORAGE_SPACE

Referentie voor gebruiksmetadata

De waarden in usage_metadata zijn alle tekenreeksen die u vertellen over de werkruimteobjecten en resources die betrokken zijn bij de gebruiksrecord.

Er wordt slechts een subset van deze waarden ingevuld in een bepaalde gebruiksrecord, afhankelijk van het rekentype en de gebruikte functies. In de derde kolom in de tabel ziet u welke gebruikstypen elke waarde vullen.

Value	Description	Ingevuld voor (anders null)
cluster_id	ID van het cluster dat is gekoppeld aan de gebruiksregistratie	Niet-serverloos rekengebruik, waaronder notebooks, taken, Lakeflow-pijplijnen en verouderde modellen
job_id	Id van de taak die is gekoppeld aan de gebruiksrecord	Serverloze taken en taken worden uitgevoerd op job compute (wordt niet ingevuld voor taken die worden uitgevoerd op algemenere rekendoeleinden)
warehouse_id	Id van het SQL-warehouse dat is gekoppeld aan de gebruiksrecord	Workloads worden uitgevoerd op een SQL-warehouse
instance_pool_id	ID van de instancepool die is gekoppeld aan de gebruiksregistratie	Niet-serverloos rekengebruik van pools, waaronder notebooks, taken, Lakeflow-pijplijnen en verouderde modellen
node_type	Het type rekeninstantie. Dit veld maakt geen onderscheid tussen stuurprogramma- en werkknooppunten. Zie Knooppunttype.	Niet-serverloos rekengebruik, inclusief notebooks, taken, Lakeflow-pijplijnen en alle SQL-warehouses
job_run_id	ID van de taakuitvoering die is gekoppeld aan de gebruikersrecord	Serverloze taken en taken worden uitgevoerd op job compute (wordt niet ingevuld voor taken die worden uitgevoerd op algemenere rekendoeleinden)
notebook_id	Id van het notebook dat is gekoppeld aan het gebruik	Serverloze notebooks
dlt_pipeline_id	ID van de pijplijn die is gekoppeld aan de gebruiksregistratie	Lakeflow-pijplijnen en -functies die gebruikmaken van Lakeflow-pijplijnen, zoals gerealiseerde weergaven, onlinetabellen, AI Search-indexering en Lakeflow Connect
endpoint_name	De naam van het model voor eindpunt of AI Search-eindpunt dat is gekoppeld aan de gebruiksrecord	Modelservice en AI Search
endpoint_id	Id van het model voor eindpunt of AI Search-eindpunt dat is gekoppeld aan de gebruiksrecord	Modelservice en AI Search
dlt_update_id	ID van de pijplijnupdate die is gekoppeld aan de gebruiksregistratie	Lakeflow-pijplijnen en -functies die gebruikmaken van Lakeflow-pijplijnen, zoals gerealiseerde weergaven, onlinetabellen, AI Search-indexering en Lakeflow Connect
dlt_maintenance_id	ID van de onderhoudstaken van pijpleidingen die gekoppeld zijn aan de gebruiksregistratie	Lakeflow-pijplijnen en -functies die gebruikmaken van Lakeflow-pijplijnen, zoals gerealiseerde weergaven, onlinetabellen, AI Search-indexering en Lakeflow Connect
metastore_id	Deze waarde wordt niet ingevuld in Azure Databricks	Altijd null
run_name	Unieke, gebruikersgerichte naam van de Foundation Model Fine-tuning-uitvoering die is gekoppeld aan de gebruiksrecord	Fijnstelling van het Fundamentele Model
job_name	Door de gebruiker opgegeven naam van de taak die is gekoppeld aan de gebruiksrecord	Taken die worden uitgevoerd op serverloze berekeningen
notebook_path	Opslagpad voor werkruimte van het notebook dat is gekoppeld aan het gebruik	Notebooks worden uitgevoerd op serverloze rekenkracht
central_clean_room_id	ID van de centrale clean room die is gekoppeld aan de gebruiksregistratie	Schone kamers
source_region	Regio waar gefactureerd verkeer afkomstig is. Retourneert alleen een waarde voor netwerkgerelateerd gebruik.	Netwerken
destination_region	Regio waar gefactureerd verkeer is ontvangen. Retourneert alleen een waarde voor netwerkgerelateerd gebruik.	Netwerken
recipient_id	Id van de OpenSharing-ontvanger die is gekoppeld aan de gebruiksrecord	Netwerken: uitgaande gegevens naar OpenSharing-geadresseerden via OpenSharing SecureConnect
associated_product	Het product dat het gebruik heeft geactiveerd. Zo kunnen netwerkkosten worden geactiveerd door een DATABASE-verbinding. Dit veld wordt alleen ingevuld wanneer het gebruik volledig is toe te schrijven aan een upstream-bronproduct.	Networking
networking_client	De client die het netwerkgebruik heeft gemaakt. Kan of SERVERLESS_WORKLOADEXTERNAL_CLIENT	Networking
app_id	Id van de app die is gekoppeld aan de gebruiksrecord	Apps van Databricks
app_name	Door de gebruiker opgegeven naam van de app die is gekoppeld aan de gebruiksrecord	Apps van Databricks
private_endpoint_name	Naam van het toepasselijke privé-eindpunt dat is geïmplementeerd met serverloze compute	Serverloze netwerken
budget_policy_id	Deprecated. Gebruik in plaats daarvan usage_policy_id. Id van het serverloze gebruiksbeleid dat is gekoppeld aan de workload.	Serverloos rekengebruik, waaronder notebooks, taken, Lakeflow-pijplijnen en model voor eindpunten
storage_api_type	Het type bewerking dat wordt uitgevoerd op de standaardopslag. Mogelijke waarden zijn TIER_1 (PUT, COPY, POST, LIST) en TIER_2 (andere bewerkingen)	Standaardopslag
ai_runtime_workload_id	Id van de serverloze GPU-workload die is gekoppeld aan de gebruiksrecord	AI Runtime workloads
uc_table_catalog	De naam van de Unity Catalog-catalogus die is gekoppeld aan de gebruiksrecord	gematerialiseerde weergaven
uc_table_schema	De schemanaam van de Unity Catalog die is gekoppeld aan de gebruiksrecord	gematerialiseerde weergaven
uc_table_name	De naam van de Unity Catalog-tabel die is gekoppeld aan de gebruiksrecord	gematerialiseerde weergaven
database_instance_id	Id van het database-exemplaar dat is gekoppeld aan de gebruiksrecord	Lakebase-database-exemplaren
sharing_materialization_id	ID van de materialisatie van delen die is gekoppeld aan het gebruikersrecord	Delen, gerealiseerde weergaven en streamingtabellen weergeven met behulp van OpenSharing
usage_policy_id	Id van het serverloze gebruiksbeleid dat is gekoppeld aan de gebruiksrecord	Beleid voor serverloos gebruik
agent_bricks_id	ID van de Agent Bricks-workload die gekoppeld is aan het gebruiksrecord	Workloads van de Knowledge AssistantSupervisor Agent
base_environment_id	Id van de basisomgeving die is gekoppeld aan het gebruik	Gebruik van het bouwen of vernieuwen van de serverloze basisomgeving van een werkruimte. Ingevuld wanneer billing_origin_product is BASE_ENVIRONMENTS.
schema_id	Id van het schema dat is gekoppeld aan de gebruiksrecord	Anomaliedetectie
table_id	Id van de tabel die is gekoppeld aan de gebruiksrecord	Gegevensprofilering
catalog_id	Id van de Unity Catalog-catalogus die is gekoppeld aan het standaardopslaggebruik	Standaardopslag

Knooppunttype

Wanneer het stuurprogramma en de werkrollen van een klassieke rekenresource hetzelfde exemplaartype gebruiken, wordt het gebruik ervan gecombineerd tot één record. Wanneer het stuurprogramma en de werkrolknooppunten van het rekenproces verschillende exemplaartypen gebruiken, wordt het gebruik ervan weergegeven als afzonderlijke records: één voor het exemplaartype van het stuurprogramma en een voor de werkrol.

Als u het gebruik aan een specifieke knooppuntrol wilt toewijzen, kunt u kruisverwijzingen usage_metadata.cluster_id in de gebruikstabel met gegevens uit de rekensysteemtabellen. De system.compute.clusters tabel registreert elk cluster driver_node_type en worker_node_typede system.compute.node_timeline tabel bevat een driver booleaanse kolom die de rol van elk knooppunt identificeert.

naslaginformatie voor metagegevens van identiteit

De kolom identity_metadata bevat meer informatie over de identiteiten die betrokken zijn bij het gebruik.

• Het run_as veld logt wie de workload heeft uitgevoerd. Zie de volgende tabel voor meer informatie over hoe deze waarde wordt ingevuld voor elk type werkbelasting.
• Het veld owned_by is alleen van toepassing op het gebruik van SQL Warehouse en registreert de gebruiker of service-principal die eigenaar is van het SQL-magazijn dat verantwoordelijk is voor het gebruik.

• Het created_by veld is van toepassing op Databricks Apps, Knowledge Assistant en Supervisor Agent. Het veld registreert het e-mailadres van de gebruiker die de app of agent heeft gemaakt.

identiteiten run_as

De in identity_metadata.run_as vastgelegde identiteit is afhankelijk van het product dat aan het gebruik is gekoppeld. Raadpleeg de volgende tabel voor het identity_metadata.run_as gedrag:

Werkbelastingtype	Identiteit van run_as
Verwerkingsopdrachten uitvoeren	De gebruiker of service-principal die in de run_as instelling is gedefinieerd. Taken worden standaard uitgevoerd als de persoon van de taakeigenaar, maar beheerders kunnen dit wijzigen naar een andere gebruiker of service-principal.
Serverloze rekenkracht voor taken	De gebruiker of service-principal die in de run_as instelling is gedefinieerd. Taken worden standaard uitgevoerd als de persoon van de taakeigenaar, maar beheerders kunnen dit wijzigen naar een andere gebruiker of service-principal.
Serverloze rekenkracht voor notebooks	De gebruiker die de notebookopdrachten heeft uitgevoerd (met name de gebruiker die de notebooksessie heeft gemaakt). Voor gedeelde notitieblokken omvat dit gebruik door andere gebruikers die dezelfde sessie delen.
Rekenproces voor alle doeleinden	De identiteit die de rekenresource heeft gemaakt. Dit is niet noodzakelijkerwijs de eigenaar van het rekenproces. Als u het gebruik aan de eigenaar wilt toewijzen, moet u deelnemen aan system.compute.clusters.owned_by het gebruik.usage_metadata.cluster_id
Lakeflow-pijplijnen	De gebruiker of service principal waarvan de machtigingen worden gebruikt om de pijplijn uit te voeren. Dit kan worden gewijzigd door het eigendom van de pijplijn over te dragen.
Fijnstelling van het Fundamentele Model	De gebruiker of service-principal die de trainingsuitvoering heeft geïnitieerd.
Voorspellende optimalisatie	De service-principal die eigendom is van Databricks en voorspellende optimalisatiebewerkingen uitvoert.
Bewaking van gegevenskwaliteit	De gebruiker die het profiel heeft gemaakt.

verwijzing naar recordtype

De billing.usage tabel ondersteunt correcties. Correcties treden op wanneer een veld van de gebruiksrecord onjuist is en moet worden opgelost.

Wanneer er een correctie plaatsvindt, voegt Azure Databricks twee nieuwe records toe aan de tabel. Een intrekkingsvermelding annuleert de oorspronkelijke onjuiste vermelding, waarna een herziening de gecorrigeerde informatie bevat. Correctierecords worden geïdentificeerd met behulp van het record_type veld:

• RETRACTION: Wordt gebruikt om het oorspronkelijke onjuiste gebruik te vernieten. Alle velden zijn identiek aan de ORIGINAL record, behalve usage_quantityeen negatieve waarde die de oorspronkelijke gebruikshoeveelheid annuleert. Als de gebruikshoeveelheid van de oorspronkelijke record bijvoorbeeld was 259.4356, zou de intrekkingsrecord een gebruikshoeveelheid van -259.4356hebben.
• RESTATEMENT: De record met de juiste velden en gebruikshoeveelheid.

De volgende query retourneert bijvoorbeeld de juiste hoeveelheid per uur met betrekking tot een job_id, zelfs als er correcties zijn aangebracht. Door de gebruikshoeveelheid te aggregeren, wordt de oorspronkelijke record door de intrekkingsrecord ontkend en worden alleen de waarden van de restatement geretourneerd.

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

Voor correcties waarbij de oorspronkelijke gebruiksrecord niet mag zijn geschreven, kan een correctie alleen een intrekkingsrecord en geen aanpassingsrecord toevoegen.

productreferentie voor factureringsoorsprong

Sommige Databricks-producten worden gefactureerd onder dezelfde gedeelde SKU. Bewaking van gegevenskwaliteit, voorspellende optimalisatie en serverloze werkstromen worden bijvoorbeeld allemaal gefactureerd onder dezelfde serverloze taken-SKU.

Om u te helpen onderscheid te maken tussen het gebruik, bieden de kolommen billing_origin_product en product_features meer inzicht in het specifieke product en de specifieke functies die aan het gebruik zijn gekoppeld.

In de kolom billing_origin_product ziet u het Databricks-product dat is gekoppeld aan de gebruiksrecord. De waarden zijn onder andere:

Value	Description
JOBS	Kosten die verbonden zijn aan Lakeflow-werkbelastingen
DLT	Kosten die zijn gekoppeld aan Workloads van Lakeflow-pijplijnen
SQL	Kosten die zijn gekoppeld aan Databricks SQL, inclusief workloads die worden uitgevoerd op SQL-magazijnen en gerealiseerde weergaven
ALL_PURPOSE	Kosten die zijn gekoppeld aan klassieke berekeningen voor alle doeleinden
MODEL_SERVING	Kosten die zijn gekoppeld aan Model Serving
INTERACTIVE	Kosten die zijn gekoppeld aan serverloze interactieve workloads
DEFAULT_STORAGE	Kosten die zijn gekoppeld aan standaardopslag
VECTOR_SEARCH	Kosten die zijn gekoppeld aan AI Search
LAKEHOUSE_MONITORING	Kosten die zijn gekoppeld aan bewaking van gegevenskwaliteit
PREDICTIVE_OPTIMIZATION	Kosten die zijn gekoppeld aan voorspellende optimalisatie
ONLINE_TABLES	Kosten die zijn gekoppeld aan onlinetabellen (verouderd)
FOUNDATION_MODEL_TRAINING	Kosten die verbonden zijn aan Foundation Model Fine-tuning
AGENT_EVALUATION	Kosten die zijn gekoppeld aan de evaluatie van agents
FINE_GRAINED_ACCESS_CONTROL	Serverloos gebruik van fijnmazig toegangsbeheer op toegewezen rekenkracht
EXTERNAL_COMPATIBILITY	Serverloos gebruik van cross-engine ABAC
BASE_ENVIRONMENTS	Gebruik dat is gekoppeld aan het bouwen of vernieuwen van de serverloze basisomgeving van een werkruimte
DATA_CLASSIFICATION	Kosten die zijn gekoppeld aan gegevensclassificatiebewerkingen
DATA_QUALITY_MONITORING	Kosten die zijn gekoppeld aan bewaking van gegevenskwaliteit, waaronder anomaliedetectie en gegevensprofilering
DATA_SHARING	Kosten gekoppeld aan OpenSharing
AI_GATEWAY	Kosten voor AI Gateway-gebruik
AI_RUNTIME	Kosten die zijn gekoppeld aan serverloze GPU-workloads
NETWORKING	Kosten die zijn gekoppeld aan het verbinden van serverloze rekenkracht met uw resources via privé-eindpunten en met uitgaand verkeer naar clients voor prestatie-intensieve producten. Voor gebruik van serverloze privé-eindpunten is , workspace_id is null, usage_unit is houren is networking.connectivity_type.PRIVATE_IP
APPS	Kosten voor het bouwen en uitvoeren van Databricks-apps
DATABASE	Kosten die zijn gekoppeld aan door Lakebase ingerichte database-exemplaren
LAKEBASE	Kosten die zijn gekoppeld aan Lakebase Postgres
AI_FUNCTIONS	Kosten die zijn gekoppeld aan het gebruik van AI Functions . Dit product registreert het gebruik voor AI_PARSE_DOCUMENT, AI_EXTRACTAI_CLASSIFY.
AGENT_BRICKS	Kosten die zijn gekoppeld aan workloads voor de Knowledge Assistant en Supervisor Agent
CLEAN_ROOM	Kosten die verbonden zijn met werklasten in Clean Rooms.
LAKEFLOW_CONNECT	Kosten die verbonden zijn aan de beheerde connectors van Lakeflow Connect
GENIE	Kosten die zijn gekoppeld aan gebruik van AI/BI Genie voor betalen per gebruik
FEATURE_STORE	Kosten die zijn gekoppeld aan de functieopslag
SUPERVISOR_AGENT	Kosten die zijn gekoppeld aan workloads van supervisoragent
LAKEHOUSE_REAL_TIME	Kosten gekoppeld aan Lakehouse Real-Time

Overzicht van productkenmerken

De kolom product_features is een object met informatie over de specifieke productfuncties die worden gebruikt en bevat de volgende sleutel-/waardeparen:

Veld	Description
jobs_tier	Waarden zijn onder andere LIGHT, CLASSICof null
sql_tier	Waarden zijn onder andere CLASSIC, PROof null
dlt_tier	Waarden zijn onder andere CORE, PRO, ADVANCEDof null
is_serverless	Waarden bevatten true, false, of null (waarde is true of false wanneer u kunt kiezen tussen serverloze en klassieke berekening, anders is het null)
is_photon	Waarden omvatten true, false, of null
serving_type	Waarden zijn onder andereMODEL, GPU_MODEL, FOUNDATION_MODEL, of FEATUREnull
offering_type	Waarden zijn BATCH_INFERENCE of null
performance_target	Geeft de prestatiemodus van de serverloze taak of pijplijn aan. Waarden zijn onder andere PERFORMANCE_OPTIMIZED, STANDARDof null. Niet-serverloze workloads hebben een null waarde.
ai_runtime.compute_type	Geeft het rekentype aan voor serverloze GPU-workloads of null
model_serving.offering_type	Geeft het aanbiedingstype aan voor het leveren van modellen of null
ai_gateway.feature_type	Geeft het type functionaliteit aan voor AI Gateway-workloads of null
serverless_gpu.workload_type	Geeft het workloadtype voor AI Runtime (serverloze GPU) of null
ai_functions.ai_function	Geeft het type AI-functie aan of null
networking.connectivity_type	Waarden omvatten PUBLIC_IP en PRIVATE_IP
agent_bricks.problem_type	Geeft het probleemtype voor Knowledge Assistant-workloads aan. Waarden bevatten AGENT_BRICKS_KNOWLEDGE_ASSISTANT of null.
agent_bricks.workload_type	Geeft het workloadtype voor Knowledge Assistant aan. Waarden zijn AGENT_BRICKS_REAL_TIME_INFERENCE of null