Poznámka
Na prístup k tejto stránke sa vyžaduje oprávnenie. Môžete sa skúsiť prihlásiť alebo zmeniť adresáre.
Na prístup k tejto stránke sa vyžaduje oprávnenie. Môžete skúsiť zmeniť adresáre.
Automatické agregácie využívajú najmodernejšie strojové učenie (ML) na kontinuálnu optimalizáciu sémantických modelov DirectQuery pre maximálny výkon dotazov na reporty. Automatické agregácie sú postavené na existujúcej infraštruktúre používateľsky definovaných agregácií, ktorá bola prvýkrát predstavená s kompozitnými modelmi pre Power BI. Na rozdiel od používateľom definovaných agregácií automatické agregácie nevyžadujú rozsiahle schopnosti modelovania dát a optimalizácie dotazov na konfiguráciu a údržbu. Automatické agregácie sú zároveň samoškoliace aj samooptimalizujúce. Umožňujú majiteľom modelov akejkoľvek úrovne zručností zlepšiť výkon dotazov, čím poskytujú rýchlejšie vizualizácie reportov pre veľké modely.
Pri automatických agregáciách:
- Vizualizácie reportov sú rýchlejšie – optimálne percento dotazov na report vracia automaticky udržiavaná cache agregácií v pamäti namiesto systémov zdrojov dát na pozadí. Odľahlé dotazy, ktoré nie sú vrátené v cache v pamäti, sa posielajú priamo do dátového zdroja pomocou DirectQuery.
- Vyvážená architektúra – V porovnaní s čistým režimom DirectQuery je väčšina výsledkov dotazov vracaná Power BI dotazovacím enginem a cache agregácií v pamäti. Záťaž spracovania dopytov na systémoch zdrojov dát počas špičkových reportovacích období môže byť výrazne znížená, čo znamená vyššiu škálovateľnosť v pozadí dátového zdroja.
- Jednoduché nastavenie – Majitelia modelov môžu povoliť automatické trénovanie agregácií a naplánovať jedno alebo viac obnovení modelu. S prvým tréningom a obnovou začnú automatické agregácie vytvárať rámec agregácií a optimálne agregácie. Systém sa časom automaticky ladí.
- Jemné doladenie â€" S jednoduchým a intuitívnym používateľským rozhraním v nastaveniach modelu môžete odhadnúť výkonnostné zisky pre rôzne percento dotazov vrátených z cache agregácie v pamäti a vykonať úpravy pre ešte väčšie zisky. Jedna ovládacia páka vám pomôže ľahko doladiť prostredie.
Requirements
Podporované plány
Automatické agregácie sú podporované pre Power BI Premium podľa kapacity, Premium podľa používateľa a Power BI Embedded modely.
Podporované zdroje údajov
Automatické agregácie sú podporované pre nasledujúce zdroje údajov:
- Databáza Azure SQL
- Azure Synapse Dedicated SQL pool
- SQL Server 2019 alebo novší
- Google BigQuery
- Snowflake
- Databricks
- Amazon Redshift
Podporované režimy
Automatické agregácie sú podporované pre modely režimu DirectQuery. Sú podporované kompozitné modelové modely s importnými tabuľkami aj pripojeniami DirectQuery. Automatické agregácie sú podporované iba pre spojenie DirectQuery.
Povolenia
Na povolenie a konfiguráciu automatických agregácií musíte byť vlastníkom modelu. Administrátori pracovného priestoru môžu prevziať úlohu vlastníka a nastaviť nastavenia automatických agregácií.
Konfigurácia automatických agregácií
Automatické agregácie sa konfigurujú v nastaveniach modelu. Konfigurácia je jednoduchá – povolte automatické trénovanie agregácií a naplánujte jedno alebo viac obnovení. Predtým, než nastavíte automatické agregácie pre svoj model, určite si dôkladne prečítajte tento článok. Poskytuje dobrý prehľad o tom, ako fungujú automatické agregácie, a môže vám pomôcť rozhodnúť sa, či sú automatické agregácie vhodné pre vaše prostredie. Keď budete pripravení na podrobné inštrukcie, ako povoliť trénovanie automatických agregácií, nastaviť plán obnovy a doladiť pre vaše prostredie, pozrite si Konfigurácia automatických agregácií.
Výhody
Pri DirectQuery sa pri každom otvorení správy alebo interakcii s vizualizáciou reportu používateľov modelu Data Analysis Expressions (DAX) posielajú dotazy do dotazovacieho enginu a následne do zdroja dát v pozadí ako SQL dotazy. Zdroj dát musí vypočítať a vrátiť výsledky pre každý dotaz. V porovnaní s modelmi režimu importu uloženými v pamäti môžu byť cesty zdrojov dát DirectQuery časovo aj procesne náročné, často spôsobujúc pomalé odpovede na dotazy vo vizualizáciách reportov.
Ak sú automatické agregácie povolené pre model DirectQuery, môžu zvýšiť výkon dotazov na reporty tým, že sa vyhnú okružným cestám dopytov zo zdrojov dát. Predagregované výsledky dopytov sa automaticky vracajú v pamäťovej agregácii cache namiesto toho, aby boli odoslané a vrátené zdrojom dát. Množstvo predagregovaných dát v cache agregácie v pamäti je len malou časťou množstva dát uchovávaných v tabuľkách faktov a detailov pri zdroji údajov. Výsledkom nie je len lepší výkon reportových dopytov, ale aj zníženie zaťaženia systémov zdrojov dát v pozadí. Pri automatických agregáciách je len malá časť reportových a ad-hoc dotazov, ktoré vyžadujú agregácie nezahrnuté v cache v pamäti, odovzdaná do zdroja dát na pozadí, rovnako ako v čistom režime DirectQuery.
Automatická správa dotazov a agregácií
Hoci automatické agregácie eliminujú potrebu vytvárať používateľom definované agregačné tabuľky a výrazne zjednodušujú implementáciu predagregovaného dátového riešenia, hlbšia znalosť základných procesov a závislostí pomáha pochopiť, ako automatické agregácie fungujú. Power BI sa spolieha na nasledujúce metódy pri vytváraní a správe automatických agregácií.
Záznam dotazov
Power BI sleduje modelové a používateľské reportové dotazy v denníku dotazov. Pre každý model Power BI udržiava sedemdňové údaje z denníka dotazov. Dáta z denného záznamu dotazov sa presúvajú dopredu. Záznam dotazov je zabezpečený a nie je viditeľný používateľom ani cez XMLA endpoint.
Výcvikové operácie
Ako súčasť prvej plánovanej obnovovacej operácie modelu pre zvolenú frekvenciu (deň alebo týždeň) Power BI najskôr spustí trénovaciu operáciu, ktorá vyhodnocuje dotazovací denník, aby zabezpečila, že agregácie v pamäťovej agregácii sa prispôsobia meniacim sa vzorom dotazov. Agregačné tabuľky v pamäti sa vytvárajú, aktualizujú alebo vynechávajú a špeciálne dotazy sa posielajú do dátového zdroja na určenie agregácií, ktoré majú byť zahrnuté do cache. Vypočítané agregácie sa však počas tréningu nenačítavajú do vyrovnávacej pamäte – načítajú sa počas nasledujúcej obnovovacej operácie.
Napríklad, ak zvolíte dennú frekvenciu a harmonogram sa obnoví o 4:00, 9:00, 14:00 a 19:00, iba obnova o 4:00 ráno každý deň bude zahŕňať zároveň tréningovú aj obnovovaciu operáciu. Nasledujúce plánované obnovy o 9:00, 14:00 a 19:00 sú len obnovovacie operácie , ktoré aktualizujú existujúce agregácie v cache.
Kým tréningové operácie hodnotia minulé dotazy z denníka dotazov, výsledky sú dostatočne presné na to, aby boli pokryté aj budúce dotazy. Nie je však zaručené, že budúce dotazy budú vrátené z cache agregácií v pamäti, pretože tieto nové dotazy môžu byť odlišné od tých, ktoré sú odvodené z denníka dotazov. Tie dotazy, ktoré nevráti cache agregácií v pamäti, sú odosielané do dátového zdroja pomocou DirectQuery. V závislosti od frekvencie a poradia týchto nových dotazov môžu byť agregácie zahrnuté do cache agregácií v pamäti pri ďalšej trénovacej operácii.
Výcviková prevádzka má časový limit 60 minút. Ak tréning nie je schopný spracovať celý záznam dotazov v stanovenom časovom limite, do histórie obnovy modelu sa zaznamená notifikácia a tréning pokračuje pri ďalšom spustení. Trénovací cyklus sa dokončí a nahrádza existujúce automatické agregácie, keď sa spracuje celý dotazovací záznam.
Obnovovacie operácie
Ako bolo opísané vyššie, po dokončení trénovacej operácie ako súčasť prvého plánovaného obnovenia pre zvolenú frekvenciu Power BI vykoná obnovovaciu operáciu, ktorá dotazuje a načíta nové a aktualizované agregácie do cache agregácií v pamäti a odstráni všetky agregácie, ktoré už nie sú dostatočne vysoko (podľa tréningového algoritmu). Všetky následné obnovy pre zvolenú frekvenciu dňa alebo týždňa sú iba obnovovacie operácie , ktoré dotazujú zdroj dát na aktualizáciu existujúcich agregácií v cache. Podľa nášho predchádzajúceho príkladu sú plánované obnovy o 9:00, 14:00 a 19:00 pre tento deň len obnovovacie operácie.
Pravidelné plánované obnovy počas dňa (alebo týždňa) zabezpečujú, že agregácie dát v cache sú aktuálnejšie v porovnaní s dátami na zadnom zdroji. Prostredníctvom nastavení modelu môžete naplánovať až 48 obnovení denne, aby ste zabezpečili, že dotazy na reporty vrátené z cache agregácie dostávajú výsledky na základe najnovšie obnovených dát zo zdroja dát v pozadí.
Výstraha
Trénovacie a obnovovacie operácie sú náročné na procesy aj zdroje pre službu Power BI aj pre systémy zdroja dát. Zvýšenie percenta dotazov, ktoré používajú agregácie, znamená, že počas trénovacích a obnovovacích operácií je potrebné z dátových zdrojov vykonať a vypočítať viac agregácií, čím sa zvyšuje pravdepodobnosť nadmerného využívania systémových zdrojov a potenciálne spôsobuje časové limity. Pre viac informácií si pozrite Fine tuning.
Školenie na požiadanie
Ako už bolo spomenuté, tréningový cyklus nemusí byť dokončený v časových limitoch jedného cyklu obnovy dát. Ak nechcete čakať na ďalší plánovaný obnovovací cyklus, ktorý zahŕňa trénovanie, môžete tiež spustiť automatické agregácie trénujúce na požiadanie výberom Train and Refresh Now v nastaveniach modelu. Použitím Train and Refresh Now sa spustí tréningová aj obnovovacia operácia. Skontrolujte históriu obnovy modelu, či je aktuálna operácia dokončená, predtým než spustíte ďalšiu trénovaciu a obnovovaciu operáciu na požiadanie, ak je to potrebné.
História obnovení
Každá obnovovacia operácia je zaznamenaná v histórii obnovy modelu. Zobrazujú sa dôležité informácie o každom obnovení, vrátane počtu pamäťových agregácií v cache, ktoré sa spotrebúvajú pre nastavené percento dotazov. Na zobrazenie histórie obnovenia vyberte na stránke Nastavenia modelu možnosť Obnoviť históriu. Ak chcete ísť hlbšie, vyberte Zobraziť detaily.
Pravidelným kontrolovaním histórie obnovovania môžete zabezpečiť, že plánované obnovovacie operácie prebiehajú v prijateľnom čase. Uistite sa, že obnovovacie operácie sú úspešne dokončené pred začiatkom ďalšieho plánovaného obnovenia.
Tréningové a obnovovacie zlyhania
Zatiaľ čo Power BI vykonáva trénovacie a obnovovacie operácie ako súčasť prvého plánovaného obnovenia pre zvolenú frekvenciu dňa alebo týždňa, tieto operácie sú implementované ako samostatné transakcie. Ak tréningová operácia nedokáže úplne spracovať záznam dotazov v časových limitoch, Power BI bude pokračovať v obnovovaní existujúcich agregácií (a bežných tabuliek v kompozitnom modeli) pomocou predchádzajúceho tréningového stavu. V takom prípade história obnovy ukáže, že obnova bola úspešná a tréning bude pokračovať v spracovaní záznamu dotazov pri ďalšom spustení tréningu. Výkon dotazov môže byť menej optimalizovaný, ak by sa zmenili vzory dotazov v klientskych reportoch a agregácie sa ešte neprispôsobili, ale dosiahnutá úroveň výkonu by mala byť stále oveľa lepšia ako pri čistom modeli DirectQuery bez agregácií.
Ak trénovacia operácia vyžaduje príliš veľa cyklov na dokončenie záznamu dotazov, zvážte zníženie percenta dotazov, ktoré používajú cache agregácie v pamäti v nastaveniach modelu. Tým sa zníži počet agregácií vytvorených v cache, ale umožní sa viac času na dokončenie trénovacích a obnovovacích operácií. Pre viac informácií si pozrite Fine tuning.
Ak trénovanie uspeje, ale obnova zlyhá, celá obnova je označená ako Neúspešná, pretože výsledkom je nedostupná cache agregácií v pamäti.
Pri plánovaní obnovy môžete špecifikovať e-mailové upozornenia, ak dôjde k zlyhaniu obnovy.
Používateľom definované a automatické agregácie
Používateľom definované agregácie v Power BI je možné manuálne konfigurovať na základe skrytých agregovaných tabuliek v modeli. Konfigurácia používateľom definovaných agregácií je často zložitá a vyžaduje vyššiu úroveň schopností v modelovaní dát a optimalizácii dotazov. Automatické agregácie naopak túto zložitosť odstraňujú ako súčasť systému riadeného AI. Na rozdiel od používateľom definovaných agregácií, ktoré zostávajú statické, Power BI nepretržite udržiava záznamy dotazov a z týchto logov určuje vzory dotazov na základe algoritmov prediktívneho modelovania strojového učenia (ML). Predagregované dáta sa vypočítavajú a ukladajú do pamäte na základe analýzy vzorov dotazov. Pri automatických agregáciách sú modely zároveň samotrénujúce aj samooptimalizujúce. Ako sa menia vzory dotazov klientskych reportov, automatické agregácie upravujú, priorizujú a ukladajú do vyrovnávacej pamäte tie najčastejšie používané agregácie.
Keďže automatické agregácie sú postavené na existujúcej infraštruktúre používateľsky definovaných agregácií, je možné používať používateľsky definované aj automatické agregácie spolu v jednom modeli. Skúsení modelári dát môžu definovať agregácie pre tabuľky pomocou DirectQuery, importu (s inkrementálnym obnovením alebo bez neho) alebo režimu dvojitého ukladania, pričom zároveň majú výhody automatickejších agregácií pre dotazy oproti DirectQuery pripojeniam, ktoré nezasiahnu používateľom definované agregačné tabuľky. Táto flexibilita umožňuje vyvážené architektúry, ktoré môžu znížiť záťaž dotazov a vyhnúť sa úzkym miestam.
Agregácie vytvorené v pamäťovej cache automatickým trénovacím algoritmom agregácií sú identifikované ako System agregácie. Trénovací algoritmus vytvára a maže iba tieto System agregácie, keď sa analyzujú reportovacie dotazy a vykonávajú sa úpravy na udržanie optimálnych agregácií pre model. Používateľom definované aj automatické agregácie sa obnovujú pri obnove. Do automatického spracovania agregácií sú zahrnuté len tie agregácie vytvorené automatickými agregáciami a označené ako systémovo generované agregácie.
Ukladanie dotazov do vyrovnávacej pamäte a automatické agregácie
Power BI Premium tiež podporuje cache dotazov v Power BI Premium/Embedded na udržiavanie výsledkov dotazov. Cache dotazov je iná funkcia ako automatické agregácie. Pri cachovaní dotazov Power BI Premium využíva svoju lokálnu cacheovú službu na implementáciu cache, zatiaľ čo automatické agregácie sú implementované na úrovni modelu. Pri cacheovaní dotazov služba ukladá dotazy len pre počiatočné načítanie stránky reportu, preto sa výkon dotazov nezlepšuje, keď používatelia interagujú s reportom. Naopak, automatické agregácie optimalizujú väčšinu dotazov na reporty tým, že predvyrovnávajú agregované výsledky dopytov, vrátane tých, ktoré vznikajú pri interakcii používateľov s reportmi. Caching dotazov aj automatické agregácie môžu byť pre model povolené, ale pravdepodobne to nie je nevyhnutné.
Monitor with Azure Log Analytics
Azure Log Analytics (LA) je služba v Azure Monitor, ktorú Power BI môže použiť na ukladanie záznamov aktivít. S Azure Monitor balíkom môžete zbierať, analyzovať a reagovať na telemetrické dáta zo svojho Azure a lokálneho prostredia. Ponúka dlhodobé úložisko, ad-hoc rozhranie pre dotazy a prístup k API na export dát a integráciu s inými systémami. Pre viac informácií pozri Používanie Azure Log Analytics v Power BI.
Ak je Power BI nakonfigurovaný s účtom Azure LA, ako je popísané v Configuring Azure Log Analytics for Power BI, môžete analyzovať úspešnosť vašich automatických agregácií. Okrem iného môžete zistiť, či sú dotazy na reporty zodpovedané z pamäťovej cache.
Ak chcete túto možnosť využiť, stiahnite si šablónu PBIT a pripojte ju k svojmu účtu loganalytics, ako je popísané v tomto blogovom príspevku Power BI. V reporte môžete zobraziť dáta na troch rôznych úrovniach: súhrnný pohľad, DAX pohľad na úrovni dotazu a pohľad na úrovni SQL dotazu.
Nasledujúci obrázok zobrazuje súhrnnú stránku pre všetky dotazy. Ako vidíte, označený graf ukazuje percento všetkých dotazov, ktoré boli splnené agregáciami, oproti tým, ktoré museli využiť dátový zdroj.
Ďalším krokom na hlbší pohľad je pozrieť sa na použitie agregácií na úrovni DAX dotazov. Kliknite pravým tlačidlom myši na DAX dotaz zo zoznamu (vľavo dole). >Prejdite>históriu dotazov.
Tým získate zoznam všetkých relevantných otázok. Prejdite na ďalšiu úroveň a uvidíte viac detailov o agregácii.
Spravovanie životného cyklu aplikácie
Od vývoja cez testovanie až po produkciu majú modely s automatickou agregáciou špeciálne požiadavky na ALM riešenia.
Kanály nasadenia
S nasadzovacími pipeline môže Power BI kopírovať modely s ich konfiguráciou modelu z aktuálnej fázy do cieľovej fázy. Automatické agregácie však musia byť resetované v cieľovom stupni, pretože nastavenia sa neprenášajú z prúdu na cieľový stupeň. Obsah môžete tiež nasadzovať programovane, pomocou REST API v pipeline nasadenia. Ak sa chcete dozvedieť viac o tomto procese, pozrite si Automatizujte svoj nasadzovací pipeline pomocou API a DevOps.
Vlastné ALM riešenia
Ak používate vlastné ALM riešenie založené na XMLA endpointoch, majte na pamäti, že vaše riešenie môže byť schopné kopírovať systémovo generované a používateľom vytvorené agregačné tabuľky ako súčasť metadát modelu. Avšak po každom kroku nasadenia v cieľovej fáze musíte manuálne povoliť automatické agregácie. Power BI zachová konfiguráciu, ak prepíšete existujúci model.
Poznámka
Ak nahráte alebo znovu publikujete model ako súčasť súboru Power BI Desktop (.pbix), systémovo vytvorené agregačné tabuľky sa stratia, pretože Power BI nahradí existujúci model všetkými jeho metadátami a dátami v cieľovom pracovnom priestore.
Zmena modelu
Po zmene modelu s automatickými agregáciami povolenými cez XMLA endpointy, ako je pridávanie alebo odstraňovanie tabuliek, Power BI zachová všetky existujúce agregácie, ktoré môžu existovať, a odstráni tie, ktoré už nie sú potrebné alebo relevantné. Výkon dotazu môže byť ovplyvnený až do spustenia ďalšej tréningovej fázy.
Metadátové prvky
Modely s povolenou automatickou agregáciou obsahujú jedinečné tabuľky agregácií generované systémom. Agregačné tabuľky nie sú používateľom viditeľné v nástrojoch na reportovanie. Sú viditeľné cez XMLA endpoint pomocou nástrojov s klientskými knižnicami Analysis Services verzie 19.22.5 a vyšších. Pri práci s modelmi s automatickými agregáciami nezabudnite aktualizovať svoje nástroje na modelovanie a správu dát na najnovšiu verziu klientskych knižníc. Pre SQL Server Management Studio (SSMS) aktualizujte na verziu SSMS 18.9.2 alebo novšiu. Staršie verzie SSMS nedokážu tieto modely vymenúvať ani skriptovať.
Automatické agregačné tabuľky sú identifikované vlastnosťou tabuľky SystemManaged , ktorá je novinkou v Tabulárnom objektovom modeli (TOM) v klientskych knižniciach Analysis Services verzie 19.22.5 a vyšších. Nasledujúci úryvok kódu ukazuje vlastnosť nastavenú SystemManaged na pre true automatické agregačné tabuľky a false pre bežné tabuľky.
using System;
using System.Collections.Generic;
using System.Linq;
using Microsoft.AnalysisServices.Tabular;
namespace AutoAggs
{
class Program
{
static void Main(string[] args)
{
string workspaceUri = "<Specify the URL of the workspace where your model resides>";
string datasetName = "<Specify the name of your dataset>";
Server sourceWorkspace = new Server();
sourceWorkspace.Connect(workspaceUri);
Database dataset = sourceWorkspace.Databases.GetByName(datasetName);
// Enumerate system-managed tables.
IEnumerable<Table> aggregationsTables = dataset.Model.Tables.Where(tbl => tbl.SystemManaged == true);
if (aggregationsTables.Any())
{
Console.WriteLine("The following auto aggs tables exist in this dataset:");
foreach (Table table in aggregationsTables)
{
Console.WriteLine($"\t{table.Name}");
}
}
else
{
Console.WriteLine($"This dataset has no auto aggs tables.");
}
Console.WriteLine("\n\rPress [Enter] to exit the sample app...");
Console.ReadLine();
}
}
}
Spustením tohto úryvku sa automaticky vygenerujú agregačné tabuľky, ktoré sú momentálne súčasťou modelu v konzole.
Majte na pamäti, že tabuľky agregácií sa neustále menia, keď trénovacie operácie určujú optimálne agregácie na zahrnutie do cache agregácií v pamäti.
Important
Power BI plne spravuje automatické agregácie systémovo generovaných objektov tabuliek. Tieto tabuľky sami nemazajte ani neupravujte. Takýto postup môže spôsobiť zhoršenie výkonu.
Power BI udržiava konfiguráciu modelu mimo modelu. Prítomnosť systémovo riadenej agregačnej tabuľky v modeli neznamená nevyhnutne, že model je skutočne povolený na automatické trénovanie agregácií. Inými slovami, ak napíšete kompletnú definíciu modelu s automatickými agregáciami a vytvoríte novú kópiu modelu (s iným názvom/pracovným priestorom/kapacitou), nový výsledný model nie je povolený na automatické trénovanie agregácií. Stále musíte povoliť automatické trénovanie agregácií pre nový model v nastaveniach modelu.
Dôležité informácie a obmedzenia
Pri používaní automatických agregácií majte na pamäti nasledovné:
- Agregácie nepodporujú dynamické M dotazovacie parametre.
- SQL dotazy generované počas počiatočnej trénovacej fázy môžu generovať značnú záťaž pre dátový sklad. Ak tréning stále končí nedokončený a môžete overiť na strane dátového skladu, že dotazy narazia na časový limit, zvážte dočasné rozšírenie dátového skladu, aby ste vyhoveli dopytu po školení.
- Agregácie uložené v cache agregácií v pamäti nemusia byť vypočítané na základe najnovších dát v zdroji dát. Na rozdiel od čistého DirectQuery, a skôr bežných importných tabuliek, existuje latencia medzi aktualizáciami na zdroji dát a agregáciami uloženými v cache agregácií v pamäti. Aj keď vždy bude existovať určitá miera latencie, dá sa ju zmierniť efektívnym plánom obnovovania.
- Pre ďalšiu optimalizáciu výkonu nastavte všetky dimenzionálne tabuľky na Dual mode a ponechajte fact tabuľky v režime DirectQuery.
- Automatické agregácie nie sú dostupné s Power BI Pro, Azure Analysis Services ani SQL Server Analysis Services.
- Power BI nepodporuje sťahovanie modelov s automatickými agregáciami. Ak ste nahrali alebo publikovali súbor Power BI Desktop (.pbix) do Power BI a potom povolili automatické agregácie, už si nemôžete stiahnuť súbor PBIX. Uistite sa, že máte kópiu PBIX súboru lokálne.
- Automatické agregácie s externými tabuľkami v Azure Synapse Analytics nie sú podporované. V Synapse môžete vyčíslovať externé tabuľky pomocou nasledujúceho SQL dotazu:
SELECT SCHEMA_NAME(schema_id) AS schema_name, name AS table_name FROM sys.external_tables. - Automatické agregácie sú dostupné iba pre modely využívajúce vylepšené metadáta. Ak chcete povoliť automatické agregácie pre starší model, najskôr ho vylepšite na vylepšené metadáta. Pre viac informácií pozri Používanie rozšírených metadát modelu.
- Nezapáňajte automatické agregácie, ak je zdroj dát DirectQuery nastavený na single sign-on a používa dynamické dátové zobrazenia alebo bezpečnostné kontroly na obmedzenie dát, ku ktorým má používateľ prístup. Automatické agregácie nepoznajú tieto kontroly na úrovni zdroja dát, čo znemožňuje zabezpečiť správne poskytovanie údajov na úrovni používateľa. Trénovanie zaznamená varovanie v histórii obnovovania, že detegovalo dátový zdroj nastavený na single sign-on a preskočilo tabuľky, ktoré tento zdroj používajú. Ak je to možné, vypnite SSO pre tieto zdroje dát, aby ste mohli plne využiť optimalizovaný výkon dotazov, ktorý automatické agregácie poskytujú.
- Nezapájajte automatické agregácie, ak model obsahuje iba hybridné tabuľky, aby ste sa vyhli zbytočným nákladom na spracovanie. Hybridná tabuľka používa importné partície aj DirectQuery partition. Bežným scenárom je inkrementálna obnova s dátami v reálnom čase, pri ktorej partícia DirectQuery načíta transakcie zo zdroja dát, ktoré nastali po poslednej obnove dát. Power BI však počas obnovy importuje agregácie. Automatické agregácie nemôžu zahŕňať transakcie, ktoré sa uskutočnili po poslednej obnove dát. Trénovanie zaznamená varovanie v histórii obnovovania, že zaznamenalo a preskočilo hybridné tabuľky.
- Vypočítané stĺpce sa pri automatických agregáciách neberú do úvahy. Ak použijete vypočítaný stĺpec v režime DirectQuery, napríklad použitím
COMBINEVALUESfunkcie DAX na vytvorenie vzťahu založeného na viacerých stĺpcoch z dvoch tabuliek DirectQuery, príslušné dotazy reportov sa nedostanú do cache agregácií v pamäti. - Automatické agregácie sú dostupné iba v službe Power BI. Power BI Desktop nevytvára systémovo generované agregačné tabuľky.
- Ak upravíte metadáta modelu s automatickými agregáciami, výkon dotazov sa môže zhoršiť, kým sa nespúšťa ďalší trénovací proces. Ako najlepší postup by ste mali zrušiť automatické agregácie, urobiť zmeny a potom preškoliť.
- Neupravujte ani nevymazávajte tabuľky agregácií generovaných systémom, pokiaľ nemáte automatické agregácie vypnuté a model nečistite. Systém preberá zodpovednosť za správu týchto objektov.
Community
Power BI má živú komunitu, kde MVP, odborníci na BI a kolegovia zdieľajú svoje odborné znalosti v diskusných skupinách, videách, blogoch a ďalších oblastiach. Keď sa učíte o automatických agregáciách, určite si pozrite tieto ďalšie zdroje:
- v komunite Power BI
- Vyhľadajte "Power BI automatické agregácie" na Bingu