Fastställa typen av Power BI-datauppsättning
När du framtvingar RLS med scenariot För dina kunder måste appen ange en effektiv identitet. Hur du anger en effektiv identitet beror på vilken typ av Power BI-datauppsättning appen kräver.
Fyra olika typer av datauppsättningar är tillgängliga för övervägande. Dessa typer bestäms av var modellen finns och modellramverket. Resten av den här lektionen beskriver dessa fyra olika typer av datamängder.
Per definition är en Power BI-datauppsättning en artefakt som representerar en datakälla för visualisering i Power BI. Datauppsättningar representerar ofta datamodeller, som är frågebara dataresurser som är optimerade för analysrapportering.
Modellarkitektur
De flesta Microsoft-datamodeller är tabellbaserade. Tabellmodeller består av en eller flera tabeller. Andra Microsoft-datamodeller är flerdimensionella. Flerdimensionella modeller förlitar sig på äldre (men ändå relevant) teknik, och de består av dimensioner och måttgrupper. Flerdimensionella modeller kallas ofta kuber.
Anteckning
Precis som tabellmodeller framtvingar flerdimensionella modeller databehörighet med hjälp av roller. De definierar dock inte filter med hjälp av regler, och de förlitar sig på flerdimensionella uttryck (MDX) i stället för DAX. Flerdimensionella modeller framtvingar inte RLS (eftersom flerdimensionella modeller inte lagrar rader med data), men de tillämpar motsvarande krav som ger samma resultat av (statiska och dynamiska) tabellmodellregler.
Modellvärd
Datamodeller är antingen internt värdbaserade eller externt värdbaserade. Interna värdbaserade modeller finns i Power BI, medan externa värdbaserade modeller finns utanför Power BI.
Interna värdbaserade modeller finns i Power BI-arbetsytor. Microsofts externa värdbaserade modeller finns i Azure Analysis Services eller SQL Server Analysis Services. SQL Server Analysis Services kan vara värd för tabellmodeller och flerdimensionella modeller, och Power BI kräver en gateway för att ansluta till dem.
Anteckning
Power BI-anslutningar till externa värdbaserade modeller kallas live-anslutningar.
Modellramverk
Varje tabell (förutom beräknade tabeller) i en tabellmodell har en inställning för lagringsläge som antingen är Import, Dual eller DirectQuery.
En modelltabell som är inställd på att använda läget Importera lagring läser in och lagrar källdata fysiskt. Den förlitar sig på en regelbunden datauppdatering för att hålla data aktuella. Importlagring ger snabbast frågeprestanda, men det kan vara ineffektivt (eller dyrt) när du har stora datavolymer. När användarna vill ha uppdaterade data kanske det inte är möjligt (på grund av dagliga gränser) att uppdatera datauppsättningen tillräckligt ofta.
Omvänt lagrar en modell som använder DirectQuery-lagringsläge aldrig källdata. När modelltabeller efterfrågas frågar modellen i stället källdata. Det kallas för en genomströmningsfråga. DirectQuery-lagringsläge kan vara ett bra alternativ när du har stora datavolymer eller om du behöver rapportera om aktuella data.
När en tabell är inställd på att använda dubbelt lagringsläge kan den fungera som en import eller en DirectQuery-tabell. För varje fråga avgör modellfrågemotorn det mest effektiva (snabbaste) läge som ska användas.
Sammanfattning
Om du vill ange en effektiv identitet på rätt sätt måste du avgöra vilken typ av datauppsättning du har:
Intern värd med importtabeller
Intern värdbaserad med DirectQuery-tabeller
Azure Analysis Services, som är en extern värdbaserad modell
SQL Server Analysis Services, som är en extern värdbaserad modell