Microsoft OneLake-patronen en fundamentele mogelijkheden

Dit artikel introduceert veelvoorkomende OneLake-patronen en de platformmogelijkheden die je kunt gebruiken om ze te implementeren. Gebruik de informatie in dit artikel om na te denken over hoe je je dataomgeving wilt organiseren, en kies vervolgens de patronen die passen bij je bedrijfs-, technische en governancebehoeften.

Elk patroon beschrijft hoe data en eigendom georganiseerd kunnen worden om een specifiek architectonisch doel te bereiken. Om een patroon te implementeren, combineer je een of meer fundamentele OneLake-mogelijkheden - datavirtualisatie, open data-interoperabiliteit, gecentraliseerd bestuur en geïntegreerde analyses en AI. Elke functie is op zijn beurt afhankelijk van specifieke productfuncties zoals snelkoppelingen, spiegeling, OneLake-beveiliging en Direct Lake-modus. Dezelfde capaciteit en functie verschijnen vaak in meer dan één patroon.

Note

Dit artikel is gebaseerd op patronen die zijn geïdentificeerd in het OneLake architecturale richtlijnwitboek.

Beschouw deze vijf patronen als bouwstenen voor je OneLake-ontwerp. De meeste omgevingen combineren er meer dan één. Kies de patronen die bij je doelen passen:

Geünificeerde data-toegang met minimale replicatie

Als je data verspreid is over meerdere clouds, on-premises systemen of externe meren, is het mogelijk niet praktisch – of zelfs mogelijk – om alles op één plek te kopiëren. Het uniforme data-toegangspatroon met minimale replicatie behandelt OneLake als een enkele logische datalaag over die bronnen. In plaats van voor elke bron ingest-pipelines te bouwen, gebruik je sneltoetsen om data ter plekke te refereren en te spiegelen wanneer je een gesynchroniseerde, query-geoptimaliseerde kopie nodig hebt.

Gebruik dit patroon wanneer:

  • Je data is verspreid over meerdere clouds, on-premises systemen of externe meren.
  • Het repliceren van data naar een centrale opslag zou overmatige opslag, latentie of compliance-overhead veroorzaken.
  • Je moet nieuwe bronnen snel aansluiten zonder volledige ETL-pijplijnen te ontwikkelen.
  • Je wilt investeringen behouden in bestaande datalakes, magazijnen en operationele opslagplaatsen.

Pas uniforme gegevenstoegang toe

Om dit patroon in de praktijk te brengen, begin je met twee primaire data-toegangsbenaderingen die niet vereisen dat je databewegingsprocessen bouwt of bedient: virtualisatie maakt brondata beschikbaar via OneLake zonder kopieën, en zero-ETL-mirroring brengt een platformbeheerde, gesynchroniseerde kopie in OneLake als analytics-ready Delta-tabellen. Gebruik alleen Fabric data movement tools als deze methoden de bron niet ondersteunen of niet aan je eisen voldoen. Raadpleeg Gegevens verenigen met OneLake-snelkoppelingen en spiegeling voor aanvullende richtlijnen voor het kiezen en combineren van deze benaderingen.

  1. Inventariseer je databronnen om te bepalen welke OneLake via virtualisatie of zero-ETL-mirroring kan benaderen: cloudobjectopslag, externe catalogi, operationele databases en Dataverse. Markeer eventuele resterende bronnen als bronnen die een dataverplaatsingsaanpak vereisen.

  2. Kies de juiste data-toegangstechniek voor elke ondersteunde bron. Geef de voorkeur aan virtualisatie wanneer de bron geen kopieertoegang ondersteunt. Gebruik zero-ETL-mirroring wanneer de bron een gesynchroniseerde, query-geoptimaliseerde kopie vereist:

Brongegevens Hoe je erbij komt Gegevensverwerking
Cloud object storage (Azure Data Lake Storage Gen2, Amazon S3, Google Cloud Storage) en S3-compatibele on-premises opslag Snelkoppelingen Virtualisatie: Maakt brondata beschikbaar zonder deze te kopiëren
Data beheerd in een externe catalogus die je beschikbaar wilt maken zonder te kopiëren (bijvoorbeeld Azure Databricks Unity Catalog) Metadata-mirroring - synchroniseert alleen catalogusmetadata (schema's, tabellen) en toegang tot de brondata via snelkoppelingen Virtualisatie: Maakt brondata beschikbaar zonder deze te kopiëren
Operationele databases die een query-geoptimaliseerde kopie nodig hebben (Azure SQL Database, Azure Cosmos DB, Snowflake, PostgreSQL, SQL Server 2025, Oracle Database, Google BigQuery) Databasemirroring, of open mirroring voor ondersteunde aangepaste en partneroplossingen Zero-ETL mirroring: Maakt een gesynchroniseerde Delta-kopie
Dataverse (Dynamics 365- en Power Platform-gegevens) Snelkoppelingen of koppeling naar Microsoft Fabric voor toegang zonder kopiëren Virtualisatie: Maakt brondata beschikbaar zonder deze te kopiëren

  1. Transformeer brongegevens wanneer nodig. Transformaties met snelkoppelingen kunnen ondersteunde bestanden verwerken die via een snelkoppeling beschikbaar zijn, ongeacht of de bestanden extern zijn opgeslagen of zich al in OneLake bevinden. Gebruik transformaties van snelkoppelingsbestanden om gestructureerde bestanden om te zetten in Delta-tabellen of AI-transformaties van snelkoppelingen om ongestructureerde tekst te verwerken. Shortcuttransformaties creëren getransformeerde Delta-uitvoer en houden deze in synchronisatie met de gegevens waarnaar de snelkoppeling verwijst.

  2. Gebruik de Fabric-tools voor gegevensverplaatsing wanneer virtualisatie en mirroring een bron niet ondersteunen of wanneer je complexe transformaties, orkestratie, een gepland verplaatsingsschema of streaminginname nodig hebt. Voor hulp bij het kiezen tussen pipelines, dataflows, copy jobs en eventstreams, zie Kies een databewegingsstrategie.

Als je toch voor gegevensverplaatsing kiest, sla gekopieerde gegevens dan op in een open tabelformaat, zoals Delta Parquet of Iceberg. Spiegeling en snelkoppeltransformaties creëren al Delta-output. Het gebruik van open formaten houdt gevirtualiseerde data, gesynchroniseerde kopieën en getransformeerde Delta-uitvoer leesbaar door Fabric-engines en externe platforms.

  1. Leg de reden vast telkens wanneer je een gesynchroniseerde kopie, getransformeerde Delta-uitvoer of een kopie maakt via hulpprogramma's voor gegevensverplaatsing in Fabric. Dit verslag zorgt ervoor dat de beslissing controleerbaar is. Maak een kopie alleen wanneer een bron een fysieke, query-geoptimaliseerde lay-out nodig heeft of niet virtueel voldoet aan je actualiteit, transformatiekosten, compliance of verwerkingsvereisten.

  2. Pas OneLake-beveiliging toe op de gegevens die via OneLake beschikbaar zijn gemaakt, zodat dezelfde beleidsregels gevirtualiseerde data, gesynchroniseerde kopieën en getransformeerde Delta-uitvoer dekken.

  3. Onderschrijf en beschrijf de resulterende data-items in de OneLake-catalogus zodat consumenten ze kunnen vinden en vertrouwen.

Geïntegreerde gegevenstoegangsmogelijkheden

  • Datavirtualisatie en zero-ETL-spiegeling - Exposeren van data die in andere systemen en clouds aanwezig zijn via no-copy referenties of gesynchroniseerde, analyseklare kopieën. Functies:
  • Gecentraliseerd bestuur - Pas consistente beveiliging en ontdekking toe op gevirtualiseerde bronnen, net zoals je dat zou doen op native OneLake-data. Functies:
  • Open data-interoperabiliteit - Houd gevirtualiseerde data en platformbeheerde kopieën leesbaar voor zowel Fabric-engines als externe platforms. Functies:

Medaillonarchitectuur (brons, zilver, goud)

Het beschikbaar stellen van data in OneLake is slechts de eerste stap. Ruwe data uit bronsystemen is meestal niet veilig om direct te gebruiken voor analytics of AI. Het bevat vaak duplicaten, fouten, inconsistente formaten of gevoelige velden. Wanneer meerdere teams op dezelfde brondata bouwen, hebben ze een gedeelde definitie nodig van waarvoor elke datafase wordt vertrouwd.

Het patroon van medaillonarchitectuur organiseert data in OneLake in drie kwaliteitslagen: brons voor ruwe, onveranderlijke bronnen; zilver voor gereinigde en geconformeerde data; en goud voor gecertificeerde, bedrijfsklare tabellen en semantische modellen. Elke laag is een gedefinieerde fase waarop downstream-consumenten kunnen vertrouwen. Zilveren en gouden tabellen zijn herbruikbaar in BI-, analytics- en AI-workloads, dus teams bouwen niet dezelfde reinigings- of modelleringslogica opnieuw in aparte tools.

Gebruik dit patroon wanneer:

  • Meerdere teams bouwen op dezelfde brondata en hebben consistente kwaliteit nodig.
  • Je hebt traceerbare afstamming nodig van ruwe input tot gecertificeerde outputs.
  • Je hebt een duidelijk contract nodig tussen data engineering en de gebruikers van data-analyse of AI.

Voor meer informatie over dit patroon, zie Understand medallion architecture for Fabric with OneLake. Dat artikel behandelt laagontwerp, implementatiemodellen, opslagformaten, gematerialiseerde lake-weergaven en de optimalisatie van Delta-tabellen.

Hoe het toe te passen

Een werkend medaillon draait om één idee: elke laag is een contract met downstream consumenten, en data gaat pas naar de volgende laag nadat het aan de kwaliteitsnormen van die laag voldoet.

  1. Identificeer je ruwe bronnen en de consumenten die afhankelijk zijn van gecertificeerde data.

  2. Definieer wat in elke laag hoort en pas deze definities consistent toe over domeinen heen:

    Laag Inhoud Typische consumenten
    Brons Ruwe, onveranderlijke data die rechtstreeks uit bronnen wordt verzameld zonder schema-handhaving Data engineers (beperkte toegang)
    Zilver Opgeschoond, ontdubbeld en afgestemd op gedeelde bedrijfsdefinities Data-ingenieurs en getrainde analisten
    Goud Gecureerde, bedrijfsklare tabellen en semantische modellen Alle BI-, analytics- en AI-consumenten

  3. Produceer elke laag met de juiste Fabric-werklast - meestal Data Engineering (Spark) of Data Factory voor brons en zilver, en Data Warehouse- of Power BI-semantische modellen voor goud. Behoud brontrouw in de bronslaag door waar van toepassing het oorspronkelijke formaat, een snelkoppeling naar brongegevens, Parquet of Delta te gebruiken. Gebruik Delta-tabellen voor silver en gold zodat Fabric-workloads de verfijnde data betrouwbaar kunnen lezen en schrijven.

  4. Pas laagbewuste toegangsbeleidsregels toe. Gebruik OneLake-beveiliging voor ondersteunde items en de toepasselijke Fabric- en SQL-rechten voor warehouses. Beperk de toegang tot brons, maak zilver beschikbaar voor analisten en verleen toegang tot goud op basis van de behoeften van consumenten en minimumprivilege-normen.

  5. Gebruik gecureerde goudoutputs voor downstream analytics. Bouw semantische modellen op de goudlaag in Direct Lake-modus zodat Power BI OneLake-gegevens kan lezen zonder een geïmporteerde kopie te maken of geplande verversingen nodig te hebben.

  6. Bevestig dat elke goudoutput via zilver kan worden herleid tot de bronzen bronnen. Vervolgens onderschrijf je goudlaagtabellen en semantische modellen zoals gecertificeerd in de OneLake-catalogus. Deze validatie helpt consumenten te identificeren welke data klaar is voor productiegebruik.

  7. Hergebruik gouden semantische modellen om Fabric IQ-ontologieën op gang te brengen. Deze stap geeft AI-agenten gereguleerde bedrijfscontext die gebaseerd is op gecertificeerde data.

Basismogelijkheden

  • Geïntegreerde analyses en AI - Brons-, zilver- en goudlagen voeden elke analyse- en AI-workload op OneLake zonder specifieke kopieën voor engines. Functies:
  • Gecentraliseerde governance - Pas verschillende toegangsbeleid en kwaliteitspoorten toe op elke laag, zodat consumenten alleen data zien die passen bij hun rol. Functies:
  • Open data-interoperabiliteit - Sla de lagen op in open formaten zodat externe engines ze samen met Fabric kunnen lezen. Functies:

Domeingeoriënteerde data mesh op een gedeeld platform

Als je meerdere bedrijfsteams hebt die data produceren en consumeren, kan het routeren van elk verzoek via één centraal datateam de levering vertragen. Bedrijfsteams begrijpen hun eigen data en vereisten vaak het beste, maar het decentraliseren van eigendom zonder gedeeld bestuur kan leiden tot inconsistente beveiliging, kwaliteit en afstamming.

Het domeingerichte datamesh-patroon geeft elk bedrijfsdomein eigendom van zijn eigen dataproducten, terwijl alle domeinen gedeelde standaarden volgen op een OneLake-basis. Elk domein publiceert zijn eigen dataproducten, en andere domeinen krijgen toegang tot deze via sneltoetsen en gebruiken ze met Fabric-analyses en AI-workloads. Gecentraliseerde identiteits-, beveiligings- en governancebeleid geldt uniform voor alle domeinen.

Gebruik dit patroon wanneer:

  • Een enkel centraal datateam wordt een knelpunt voor levering.
  • Verschillende bedrijfsdomeinen hebben verschillende data, eisen en release-cadens.
  • Je hebt duidelijke verantwoording nodig voor datakwaliteit op domeinniveau zonder ondernemingsbreed bestuur op te geven.

Pas een domeingeoriënteerd datamesh toe

Vind de juiste balans tussen decentralisatie en consistentie. Geef het eigendom aan het domein dat de data het beste kent, en houd identiteit, beveiliging en afstamming gecentraliseerd zodat de dataproducten van elk domein aan dezelfde standaarden voldoen.

  1. Identificeer je bedrijfsdomeinen. Elk domein moet een samenhangend onderdeel van het bedrijf vertegenwoordigen, met een team dat de dataproducten van begin tot eind kan beheren en exploiteren.

  2. Maak een domein aan voor elk bedrijfsgebied en wijs daar werkruimtes aan toe. Stel een apart centraal domein op voor gedeelde infrastructuur en herbruikbare bedrijfsdata.

  3. Definieer dataproductstandaarden waaraan elk domein moet voldoen – bijvoorbeeld goedkeurings- of certificeringseisen, gedocumenteerde schema's, eigendomsmetadata, versiebeheer en service-level agreements (SLA's). Deze standaarden maken van elk product een herbruikbaar, vindbaar contract in plaats van slechts een werkruimtemap.

  4. Gebruik OneLake-beveiliging om rolgebaseerde data-toegangscontroles toe te passen op map-, tabel-, rij- en kolomniveau, zodat producenten dataproducten kunnen publiceren zonder alles in hun werkruimte bloot te stellen.

  5. Pas tenant-brede governance toe met de OneLake-catalogus voor cross-domain ontdekking en afstamming, en Microsoft Purview voor gevoeligheidslabels en audit. Breid hetzelfde identiteits- en beleidsmodel uit naar AI-agenten die domeindataproducten consumeren, zodat agententoegang wordt beheerd zoals bij elke andere consument.

  6. Laat consumentendomeinen snelkoppelingen gebruiken om naar dataproducten van producenten te verwijzen in plaats van die te kopiëren. Consumenten kunnen vervolgens de genoemde dataproducten in de Fabric-werklast gebruiken die bij hun behoeften passen. Voor Power BI semantische modellen gebruik Direct Lake-modus om data direct uit OneLake te lezen. Gebruik Fabric Data Agents of Fabric IQ om AI-ervaringen te creëren die gebaseerd zijn op beheerde domeindataproducten.

  7. Als domeinen publiceren naar catalogi buiten Fabric, plan dan voor toegangscontrole-synchronisatie zodat de permissies consistent blijven tussen OneLake en de externe catalogus.

    Tip

    De Microsoft open-source accelerator Policy Weaver kan deze synchronisatie automatiseren voor Azure Databricks (Unity Catalog), Snowflake en Dataverse-bronnen. Het spiegelt beleid voor gegevenstoegang naar OneLake-beveiligingsrollen, ter aanvulling op mirroring (waarbij gegevens worden verplaatst, maar geen machtigingen).

Datamesh-mogelijkheden

  • Gecentraliseerd bestuur - Decentraliseer eigendom van domeinen terwijl identiteit, beveiliging en afstamming gecentraliseerd blijven. Functies:
  • Datavirtualisatie - Laat consumentendomeinen producenten-eigendom dataproducten gebruiken via referenties in plaats van kopieën. Functies:
    • Shortcuts maken delen zonder kopiëren tussen domeinen mogelijk.
  • Geïntegreerde analyses en AI - Maak de dataproducten van elk domein verbruiksbaar over Fabric-workloads. Functies:

Platformconsolidatie voor analytics en AI

Als je meerdere analyseplatforms naast elkaar draait - aparte tools voor data warehousing, business intelligence, data science, realtime analytics en AI - heeft elke tool zijn eigen datakopieën, pijplijnen en governancemodel. Die fragmentatie drijft de kosten op en maakt het moeilijk om consistente beveiliging toe te passen of één enkel antwoord te krijgen op een zakelijke vraag.

Het platformconsolidatiepatroon brengt deze workloads naar Fabric, waar OneLake een gedeelde, beheerde databasis biedt. Fabric-workloads benaderen, transformeren, synchroniseren of analyseren data via deze basis in plaats van te vertrouwen op aparte data- en governancemodellen voor elk tool.

Gebruik dit patroon wanneer:

  • Je gebruikt meerdere analyseplatforms met overlappende mogelijkheden.
  • Engine-specifieke datakopieën en -pijplijnen zorgen voor kosten en onderhoudsoverhead.
  • Je hebt één governance- en beveiligingsmodel nodig voor alle analytics- en AI-workloads.

Platformconsolidatie toepassen

Streef naar minder platforms, niet naar meer integraties. Consolideer workloads in Fabric in plaats van tools aan elkaar te koppelen, en koppel externe engines alleen wanneer je ze nog niet kunt uitfaseren.

  1. Maak een inventarisatie van de analytics-, datawarehousing-, datawetenschap-, business intelligence- (BI) en AI-tools en -pijplijnen die je vandaag gebruikt. Noteer welke workloads elk hulpmiddel bedient en welke data het kopieert.

  2. Wijs elke bestaande werklast toe aan de Fabric-werklast die deze kan vervangen:

    legacy-werkbelasting Fabric-werkbelasting
    Gegevensindeling en ETL Data Factory
    Spark-notitieboeken en lakehouse-verwerking Data Engineering
    SQL data warehousing Data Warehouse
    Streaming en KQL-analyse Realtime intelligence
    Training van ML-modellen en het bijhouden van experimenten Datawetenschap
    Operationele databases Databases (SQL-database in Fabric en Cosmos DB in Fabric)
    BI-visualisatie en semantische modellen Power BI met Direct Lake-modus
    Conversationele AI gebaseerd op bedrijfsdata Fabric Data Agents, Copilot for Fabric, Fabric IQ

  3. Stel één governance- en beveiligingsmodel vast voor alle workloads met behulp van OneLake-beveiliging, Microsoft Purview en de OneLake-catalogus. Configureer klantbeheerde sleutels wanneer ondersteunde Fabric-items een extra laag van encryptie vereisen.

  4. Consolideer analytische data in OneLake door gebruik te maken van Delta- of Iceberg-formaat, zodat workloads een beheerde databasis kunnen delen. Neem operationele workloads op door deze te consolideren in Fabric Databases, die gesynchroniseerde analytische data beschikbaar maken in OneLake.

  5. Baseer AI op de geconsolideerde data. Bouw ontologieën (preview) over je gecureerde datalaag en stel ze bloot aan agents via de Ontology MCP-server, zodat Fabric Data Agents, Microsoft 365 Copilot en externe tools over dezelfde gereguleerde context redeneren. Je kunt ontologiedefinities genereren uit Power BI semantische modellen in Import-, Direct Lake- of DirectQuery-modus. Gebruik Direct Lake-modus wanneer je gegenereerde bindings nodig hebt voor ondersteunde OneLake-data, en bekijk de huidige ontologiebeperkingen.

  6. Voor externe engines kun je nog niet met pensioen gaan, stel OneLake-data beschikbaar via Azure Databricks-integratie, Iceberg-interoperabiliteit met Snowflake, of OneLake-toegang en API's.

  7. Stop de vervangen tools, datakopieën en pipelines nadat je het Fabric-equivalent hebt gevalideerd. Op die manier haalt de consolidatie kosten, licenties en overdrachten weg in plaats van een extra platform toe te voegen.

Platformconsolidatiemogelijkheden

Externe gegevensdeling tussen organisaties

Als je voortdurend data uitwisselt met partners, leveranciers, klanten of andere divisies, zorgen batch-exports, bestandsoverdrachten en gedupliceerde downstreamsystemen voor latentie, kosten en governance-hiaten. Het externe datadelingspatroon geeft consumenten buiten uw organisatie of bedrijfsafdeling directe toegang tot gecureerde OneLake-data zonder terugkerende export. Consumenten kunnen toegang krijgen tot de gegevens via Fabric cross-tenant sharing of vanuit externe analyseplatforms zoals Snowflake en Azure Databricks met behulp van de interoperabiliteitsmogelijkheden van OneLake.

Consumenten zien updates zodra je ze publiceert. Je controleert de toegang tot de brondata via het deel- of interoperabiliteitsmechanisme dat het platform van de consument ondersteunt.

Gebruik dit patroon wanneer:

  • Je wisselt voortdurend gegevens uit met externe organisaties.
  • Batch-exports of bestandsoverdrachten zorgen voor latentie, complexiteit of governance-gaten.
  • Je moet externe toegang centraal volgen en intrekken.

Extern gegevensdeling toepassen

Externe deling werkt het beste als je virtualisatie gebruikt in plaats van data te exporteren. Stem de toegangsmethode af op wat elke consument kan lezen en pas de toegangscontroles toe die door dat deel- of interoperabiliteitsmechanisme worden ondersteund.

  1. Identificeer de dataproducten die je extern wilt delen en de consumenten die ze nodig hebben (partners, leveranciers, klanten). Meestal deel je zorgvuldig samengestelde tabellen en bestanden die goed gedefinieerd en gedocumenteerd zijn.

  2. Kies de juiste deelmethode voor elke consument:

    Consumententype Aanbevolen aanpak
    Fabric-gebruikers in een andere tenant Delen van externe gegevens voor virtuele alleen-lezen toegang tussen tenants
    Snowflake op Azure-gebruikers Iceberg-interoperabiliteit met Snowflake voor het lezen van Fabric-tabellen die in Iceberg-formaat beschikbaar zijn gesteld
    Azure Databricks-gebruikers OneLake-catalogisfederatie in Azure Databricks om OneLake-tabellen via Unity Catalog te bevragen zonder data te kopiëren
    Applicaties of tools die ADLS Gen2 of Blob API's ondersteunen OneLake-toegang en API's om OneLake-data te benaderen via ondersteunde API's

    Om Dataverse-gegevens in OneLake te halen voordat je deze deelt, gebruik je het unified data access-patroon.

  3. Beperk externe toegang met de machtigingen die worden ondersteund door de geselecteerde methode voor delen. Voor het delen van externe gegevens in Fabric verleent de deling alleen-leestoegang aan elke gebruiker in de thuistenant van de uitgenodigde gebruiker. Beveiligings- en governancebeleid aan providerzijde, waaronder OneLake-beveiliging, gevoeligheidslabels en beleid ter voorkoming van dataverlies, worden niet gehandhaafd in de tenant van de consument. De consument moet de toegang tot downstream in zijn omgeving bepalen.

  4. Spreek vooraf af over de voorwaarden van elke deelrelatie – wat gedeeld wordt, met wie en voor hoe lang. Voor het delen van externe data in Fabric, trek de toegang in via het tabblad Externe datashares op de pagina Machtigingen beheren. Voor andere benaderingen kunt u de toegang intrekken via het geselecteerde deelmechanisme. Bevestig dat de consument zicht verliest.

  5. Pas gevoeligheidslabels, audit en preventie van dataverlies toe met Microsoft Purview in de Fabric-omgeving van de provider.

  6. Onderschrijf en documenteer de brondataproducten in de OneLake-catalogus zodat aanbieders ze kunnen vinden en beheren voordat ze delen. De OneLake-catalogus publiceert geen dataproducten aan externe tenants of analyseplatforms.

Externe gegevensdelingsmogelijkheden

  • Datavirtualisatie - Deel data via no-copy referenties zonder exportpijplijnen te beheren. Functies:
  • Open data-interoperabiliteit - Deel met consumenten die geen gebruik maken van Fabric door in open formaten te publiceren. Functies:
  • Gecentraliseerd bestuur - Beheer brondata in Fabric en controleer externe toegang via elk deelmechanisme. Functies:
    • OneLake-beveiliging beperkt de toegang tot brongegevens in Fabric.
    • Microsoft Purview past gevoeligheidslabels, audit en dataverliespreventie toe in de Fabric-omgeving van de provider.
    • De OneLake-catalogus ondersteunt de ontdekking en goedkeuring aan de providerzijde voordat het wordt gedeeld.
  • Last updated on