Konfigurera automatiska aggregeringar

Att konfigurera automatiska aggregeringar omfattar att aktivera träning för en DirectQuery-semantisk modell som stöds och konfigurera en eller flera schemalagda uppdateringar. När flera iterationer av tränings- och uppdateringsåtgärderna har körts kan du återgå till semantiska modellinställningar för att finjustera procentandelen rapportfrågor som använder minnesintern aggregeringscache. Innan du slutför de här stegen bör du vara säker på att du förstår funktionerna och begränsningarna som beskrivs i Automatiska aggregeringar.

Aktivera

Du måste ha behörigheter för semantisk modellägare för att aktivera automatiska aggregeringar. Arbetsyteadministratörer kan ta över modellägarbehörigheter.

1. I semantisk modell Inställningar expanderar du Schemalagd uppdatering och prestandaoptimering.

2. Växla Automatisk aggregeringsträning till På. Om växeln är nedtonad kontrollerar du att autentiseringsuppgifterna för datakällan är konfigurerade och att du är inloggad.

   

3. I Uppdateringsschema anger du en uppdateringsfrekvens och tidszon. Om kontrollerna För uppdateringsschema är inaktiverade kontrollerar du konfigurationen av datakällan, inklusive gatewayanslutning (om det behövs) och autentiseringsuppgifter för datakällan.

4. Välj Lägg till en annan tid och ange sedan en eller flera uppdateringar.

   

   Du måste schemalägga minst en uppdatering. Den första uppdateringen för den frekvens du väljer innehåller både en träningsåtgärd och en uppdatering som läser in nya och uppdaterade aggregeringar i minnesintern cache. Schemalägg fler uppdateringar för att säkerställa att rapportfrågor som träffar aggregeringscache får resultat som är mest synkroniserade med serverdelsdatakällan. Mer information finns i Uppdatera åtgärder.

5. Välj Använd.

Träna och uppdatera på begäran

Den första schemalagda uppdateringsåtgärden för den valda frekvensen innehåller en träningsåtgärd. Om träningsåtgärden inte slutförs inom tidsgränsen på 60 minuter läser den efterföljande uppdateringsåtgärden inte in eller uppdaterar aggregeringar i cacheminnet. Nästa träningsåtgärd körs inte förrän den första uppdateringsåtgärden för den valda frekvensen.

I sådana fall kan du manuellt köra en eller flera tränings- och uppdateringsåtgärder på begäran för att slutföra träningen och läsa in eller uppdatera aggregeringar i cacheminnet. När du till exempel kontrollerar uppdateringshistoriken, om den första schemalagda tränings- och uppdateringsåtgärden för dagen (frekvens) inte slutförs inom tidsgränsen och du inte vill vänta på nästa dags schemalagda uppdatering som innehåller en träningsåtgärd som ska köras, kan du köra en eller flera tränings- och uppdateringsåtgärder på begäran för att fullständigt bearbeta datafrågeloggen (träna) och läsa in aggregeringar till cachen (uppdatering).

Om du vill köra en tränings- och uppdateringsåtgärd på begäran väljer du Träna och uppdatera nu. Se till att hålla ett öga på uppdateringshistoriken för att säkerställa att träningsåtgärden på begäran slutförs. Annars kör du en annan tränings- och uppdateringsåtgärd tills träningen har slutförts och aggregeringarna läses in eller uppdateras i cacheminnet.

Att köra Träna och uppdatera nu kan vara användbart för att finjustera procentandelen rapportfrågor som använder aggregeringar från minnesintern cache. Genom att köra ett tåg på begäran och uppdatera nu kan du snabbare avgöra om den nya procentinställningen tillåter att träningsåtgärden slutförs inom tidsgränsen.

Tänk på tränings- och uppdateringsåtgärder, oavsett om schemalagda åtgärder eller på begäran är process- och resursintensiva för både datakällan och Power BI. Välj en tid då resurserna påverkas minst.

Finjusterande

Både användardefinierade och systemgenererade sammansättningstabeller är en del av modellen, bidrar till modellstorleken och omfattas av befintliga begränsningar för Power BI-modellens storlek. Bearbetningen av sammansättningar förbrukar också resurser och påverkar varaktigheten för modelluppdateringen. En optimal konfiguration skapar en balans mellan att tillhandahålla föraggregerade resultat från minnesintern aggregeringscache för de vanligaste rapportfrågorna, samtidigt som långsammare resultat för avvikande och ad hoc-frågor accepteras i utbyte mot snabbare tränings- och uppdateringstider och en minskad belastning på systemresurserna.

Justera procentandelen

Som standard är cacheinställningen för sammansättningar som avgör procentandelen rapportfrågor som ska använda aggregeringar från minnesintern cache 75 %. Att öka procentandelen innebär att ett större antal rapportfrågor rangordnas högre och därför ingår sammansättningar för dem i cachen för minnesinterna sammansättningar. En högre procentandel kan innebära att fler frågor besvaras från minnesintern cache, men det kan också innebära längre tränings- och uppdateringstider. Om du justerar till en lägre procentandel kan det å andra sidan innebära kortare tränings- och uppdateringstider och mindre resursanvändning, men prestanda för rapportvisualisering kan minska eftersom färre rapportfrågor besvaras av minnesintern sammansättningscache, eftersom rapportfrågorna i stället måste gå tur och retur till datakällan.

Innan systemet kan fastställa de optimala aggregeringar som ska ingå i cacheminnet måste det först känna till de rapportfrågemönster som används oftast. Se till att flera iterationer av tränings-/uppdateringsåtgärderna kan slutföras innan du justerar procentandelen frågor som ska använda aggregeringscachen. Detta ger träningsalgoritmen tid att analysera rapportfrågor under en bredare tidsperiod och justera sig själv därefter. Om du till exempel har schemalagt uppdateringar för daglig frekvens kanske du vill vänta en hel vecka. Användarrapporteringsmönster för vissa dagar i veckan kan skilja sig från andra.

Så här justerar du procentandelen

1. I semantisk modell Inställningar expanderar du Schemalagd uppdatering och prestandaoptimering.

2. I Frågetäckning använder du skjutreglaget Justera procentandelen frågor som ska använda skjutreglaget för aggregerade cacheminnen för att öka eller minska procentandelen till önskat värde. När du justerar procentandelen ger diagrammet Frågeprestandapåverkan lift uppskattade svarstider för frågor.

   

3. Välj Träna och uppdatera nu eller Använd.

Beräkna påverkan på frågeprestanda

Lift-diagrammet frågeprestandapåverkan ger uppskattade körningstider för rapportfrågor som en funktion av procentandelen frågor som ska använda cachelagrade aggregeringar. Diagrammet visar inledningsvis 0,0 för alla mått tills minst en tränings-/uppdateringsåtgärd har utförts. Efter en inledande tränings-/uppdateringsåtgärd kan diagrammet hjälpa dig att avgöra om en justering av procentandelen frågor som använder minnesintern aggregeringscachen kan förbättra frågesvaret ytterligare.

Tröskelvärdet visas som en markörlinje i liftdiagrammet och anger svarstiden för målfrågan för dina rapporter. Du kan sedan finjustera procentandelen frågor som använder aggregeringscacheminnet för att fastställa en ny frågeprocent som uppfyller det önskade tröskelvärdet.

Mått

DirectQuery – En uppskattad varaktighet i sekunder för en rapportfråga som skickas till och returneras från datakällan med hjälp av DirectQuery. Frågor som inte kan besvaras av minnesintern sammansättningscache ligger vanligtvis inom den här uppskattningen.

Aktuell frågeprocent – En uppskattad varaktighet i sekunder för rapportfrågor som besvaras från minnesintern aggregeringscache, baserat på procentinställningen för den senaste tränings-/uppdateringsåtgärden.

Ny frågeprocent – En uppskattad varaktighet i sekunder för rapportfrågor som besvaras från minnesintern sammansättningscache för den nyligen valda procentandelen. När skjutreglaget i procent ändras återspeglar det här måttet den potentiella ändringen.

Disable

Du måste ha behörighet som modellägare för att inaktivera automatiska aggregeringar. Arbetsyteadministratörer kan ta över modellägarbehörigheter.

1. Om du vill inaktivera växlar du Automatisk aggregeringsträning till Av.

   När du inaktiverar träning uppmanas du att ta bort automatiska aggregeringstabeller.

   

   Om du väljer att inte ta bort befintliga automatiska aggregeringstabeller blir tabellerna kvar i modellen och fortsätter att uppdateras. Men eftersom träningen är inaktiverad läggs inga nya aggregeringar till i dem. Power BI fortsätter att använda de befintliga tabellerna för att få aggregerade frågeresultat när det är möjligt.

   Om du väljer att ta bort tabellerna återställs modellen till sitt ursprungliga tillstånd utan några automatiska aggregeringar.

2. Välj Använd.

Relaterat innehåll

• Automatiska aggregeringar
• Användardefinierade sammansättningar
• DirectQuery i Power BI