Dela via

Vad är vanliga scenarier för att använda tabelluppdateringsprinciper

  • Artikel

I det här avsnittet beskrivs några välkända scenarier som använder uppdateringsprinciper. Överväg att använda dessa scenarier när dina omständigheter är liknande.

I den här artikeln får du lära dig mer om följande vanliga scenarier:

Medallion-arkitekturens databerikning

Uppdateringsprinciper för tabeller är ett effektivt sätt att tillämpa snabba omvandlingar och är kompatibla med medallion lakehouse-arkitekturen i Fabric.

När rådata hamnar i en landningstabell (bronsskikt) i medallion-arkitekturen kan en uppdateringsprincip användas för att tillämpa inledande transformeringar och spara berikade utdata i en silverlagertabell. Den här processen kan överlappas, där data från tabellen silverlager kan utlösa en annan uppdateringsprincip för att ytterligare förfina data och hydratisera en guldlagertabell.

Följande diagram illustrerar ett exempel på en uppdateringsprincip för databerikning med namnet Get_Values. Berikade data är utdata till en silverlagertabell, som innehåller ett beräknat tidsstämpelvärde och uppslagsvärden baserat på rådata.

Diagram som visar scenariot för databerikning av medaljongarkitektur med hjälp av lösningen uppdateringsprinciper.

Dataroutning

Ett särskilt fall av databerikning inträffar när ett rådataelement innehåller data som måste dirigeras till en annan tabell baserat på ett eller flera attribut för själva data.

Tänk dig ett exempel som använder samma basdata som föregående scenario, men den här gången finns det tre meddelanden. Det första meddelandet är ett enhetstelemetrimeddelande, det andra meddelandet är ett enhetslarmmeddelande och det tredje meddelandet är ett fel.

För att hantera det här scenariot används tre uppdateringsprinciper. Get_Telemetry uppdateringsprincipen filtrerar enhetens telemetrimeddelande, berikar data och sparar dem i tabellen Device_Telemetry. På samma sätt sparar Get_Alarms uppdateringsprincipen data i tabellen Device_Alarms . Slutligen skickar Log_Error uppdateringsprincipen okända meddelanden till tabellen Error_Log , så att operatörer kan identifiera felaktiga meddelanden eller oväntad schemautveckling.

Följande diagram visar exemplet med de tre uppdateringsprinciperna.

Diagram som visar scenariot för dataroutning med hjälp av lösningen uppdateringsprinciper.

Optimera datamodeller

Uppdateringsprinciper för tabeller skapas för hastighet. Tabeller överensstämmer vanligtvis med star schemadesign, som stöder utveckling av datamodeller som är optimerade för prestanda och användbarhet.

Att köra frågor mot tabeller i ett star schema kräver ofta att du ansluter tabeller. Tabellkopplingar kan dock leda till prestandaproblem, särskilt när du kör frågor mot stora mängder data. För att förbättra frågeprestanda kan du platta ut modellen genom att lagra denormaliserade data vid inmatning.

Att koppla tabeller vid inmatningstid har den extra fördelen med att arbeta med en liten uppsättning data, vilket resulterar i en minskad beräkningskostnad för kopplingen. Den här metoden kan avsevärt förbättra prestandan för underordnade frågor.

Du kan till exempel utöka råa telemetridata från en enhet genom att leta upp värden från en dimensionstabell. En uppdateringsprincip kan utföra sökningen vid inmatningstid och spara utdata i en avnormaliserad tabell. Dessutom kan du utöka utdata med data som kommer från en referensdatatabell.

Följande diagram visar exemplet, som består av en uppdateringsprincip med namnet Enrich_Device_Data. Den utökar utdata med data som kommer från tabellen Platsreferensdata .

Diagram som visar scenariot med optimerade datamodeller med hjälp av lösningen uppdateringsprinciper.

Relaterat innehåll