Förstå spegling i Microsoft Fabric
Microsoft Fabric är en enhetlig analysplattform som sammanför dataintegrering, datateknik, datalagerhantering, datavetenskap, realtidsanalys och business intelligence. För SQL Server 2025 ger spegling i Microsoft Fabric en hybridfunktion som möjliggör nästan realtidsreplikering av dina lokala eller molnbaserade SQL Server-data direkt till Fabrics OneLake.
Spegling i Microsoft Fabric representerar en modern metod för hybridanalys som erbjuder integrering mellan dina operativa databaser och analytiska arbetsbelastningar utan komplexiteten i traditionella ETL-processer.
Upptäck hur spegling i Fabric fungerar
Spegling i Fabric är en replikeringslösning med låg latens till låg kostnad som kontinuerligt replikerar data från SQL Server till OneLake, Microsoft Fabrics enhetliga datasjö. Tekniken använder CDC-mekanismer ( Change Data Capture ) som är integrerade i SQL Server 2025-motorn för att effektivt spåra och replikera dataändringar.
Viktiga funktioner omfattar replikering i nära realtid med minimal svarstid (vanligtvis inom några sekunder), nollkopieringsintegrering där data lagras i OneLakes öppna Delta Lake-format som är tillgängligt för alla Fabric-arbetsbelastningar och förenklad hantering utan komplexa ETL-pipelines eller integreringskörningar att konfigurera. Lösningen är kostnadseffektiv utan extra infrastrukturkostnader och hanterar automatiskt schemautvecklingen genom att synkronisera schemaändringar.
Utforska arkitekturen
Spegling ansluter din SQL Server 2025-instans till Fabrics enhetliga analysplattform. Speglingstjänsten övervakar din SQL Server för ändringar med hjälp av ändringsflödesteknik som är integrerad i databasmotorn. Ändringar registreras kontinuerligt och replikeras till OneLake, där data lagras i öppet Delta Lake-format.
Väl i OneLake kan alla Fabric-funktioner komma åt speglade data, inklusive Power BI för rapportering och instrumentpaneler, datateknik med Spark-notebook-filer och pipelines, Data Warehouse via SQL-analysslutpunkter, Data Science- och Machine Learning-arbetsbelastningar och realtidsanalys med KQL.
Identifiera viktiga fördelar
Genom att spegla SQL Server 2025-data i Microsoft Fabric får du åtkomst till ett analysekosystem:
- Power BI-integrering: Skapa instrumentpaneler och rapporter i realtid direkt på speglade data
- Data lakehouse-funktioner: Kombinera strukturerade SQL Server-data med ostrukturerade data från andra källor
- Avancerad analys: Använda Spark, Python, R och SQL för datateknik och datavetenskap
- AI- och ML-integrering: Utnyttja Azure OpenAI och andra AI-tjänster med dina driftdata
Förenkla hybridarkitektur
Infrastrukturspegling eliminerar många traditionella hybriddatautmaningar. Replikering sker automatiskt utan pipelines att skapa eller underhålla, och det finns inget behov av separat infrastruktur som integreringskörningar eller SSIS-paket ( SQL Server Integration Services ). Schemaändringar identifieras och tillämpas automatiskt, och du kan utnyttja Fabrics säkerhetsmodell med Microsoft Entra ID-integrering.
Lösningen minimerar påverkan på din käll-SQL Server samtidigt som den tillhandahåller kostnadseffektiv lagring optimerad för analysarbetsbelastningar. Analysarbetsbelastningar konkurrerar inte med driftdatabasresurser, och Delta Lake tillhandahåller automatisk dataoptimering och komprimering.
Jämför spegling med andra hybridalternativ
Att förstå när du ska använda olika SQL Server 2025-hybridfunktioner hjälper dig att välja rätt lösning:
| Egenskap | Primärt användningsfall | Fördröjning | Bäst för |
|---|---|---|---|
| Nätverksspegling | Analys och rapportering i realtid | Sekunder | Modern analys, Power BI, datavetenskap |
| Länk till hanterad instans | Haveriberedskap och migrering | Nästan synkron | Affärskontinuitet, molnmigrering |
Tips/Råd
Många organisationer använder flera hybridfunktioner tillsammans. Du kan till exempel använda Fabric Mirroring för analys, Azure SQL Managed Instance Link för disaster recovery och Azure Arc för enhetlig hantering.
Konfigurera spegling
Innan du konfigurerar Fabric-spegel, kontrollerar du att du har SQL Server 2025 med databasåterställningsmodellen inställd på Fullständig eller Mängdloggad, en aktiv Microsoft Fabric-kapacitet (F2 eller senare rekommenderas) och lämpliga behörigheter, inklusive db_owner på källdatabasen samt rollen Admin eller Contributor i Fabric-arbetsytan. Om SQL Server finns lokalt eller i ett privat nätverk behöver du en lokalt installerad integrationskörning.
För att konfigurera spegling går du till Microsoft Fabric-portalen och väljer eller skapar en arbetsyta med en Fabric-kapacitet. På din arbetsyta väljer du + Ny>speglad SQL Database och väljer SQL Server som källtyp. Konfigurera anslutningen med servernamnet, databasnamnet, autentiseringsuppgifterna och gatewayen om det behövs för lokala servrar.
Välj vilka tabeller från databasen som ska replikeras baserat på dina analysbehov. Konfigurera speglingsinställningarna, inklusive inledande ögonblicksbild, kontinuerlig replikering och granska uppskattade lagringskrav. Granska slutligen konfigurationssammanfattningen och välj Skapa och starta spegling för att påbörja processen.
När speglingen har konfigurerats kan du övervaka replikeringsstatus via speglingsinstrumentpanelen, visa replikerade data via SQL-analysslutpunkten eller Spark, pausa och återuppta speglingen efter behov för underhåll och dra nytta av automatisk schemasynkronisering med inbyggd diagnostik och felrapportering.
Få åtkomst till speglade data i Fabric
När dina SQL Server 2025-data speglas i OneLake kan du:
Skapa Power BI-rapporter
// Connect to the SQL analytics endpoint
let
Source = Sql.Database("your-workspace.datawarehouse.fabric.microsoft.com", "DatabaseName")
in
Source
Fråga med Spark (Python)
# Access mirrored data using Spark
df = spark.read.format("delta").load("Tables/YourTableName")
df.show()
Använda SQL Analytics-slutpunkt
-- Query mirrored data using T-SQL
SELECT
CustomerID,
OrderDate,
TotalAmount
FROM MirroredDatabase.Sales.Orders
WHERE OrderDate >= DATEADD(day, -7, GETDATE())
Eller använd Spark för att ansluta SQL Server-data till andra källor:
# Join SQL Server data with other lakehouse data
sql_data = spark.read.format("delta").load("Tables/Customers")
other_data = spark.read.format("parquet").load("Files/ExternalData")
joined_data = sql_data.join(other_data, "CustomerID")
Tillämpa bästa praxis
Börja litet genom att börja med kritiska tabeller och expandera baserat på framgång. Tänk på datavolymen när du planerar, eftersom stora initiala ögonblicksbilder kan ta tid. Se till att nätverksbandbredden är tillräcklig för inledande belastning och pågående ändringar, och spegla endast tabeller som behövs för analys för att optimera lagring och prestanda.
För prestandaoptimering använder du partitioneringsstrategier i SQL Server för bättre replikeringsprestanda och säkerställer korrekt indexering för att förbättra effektiviteten för ändringsspårning. Övervaka replikeringsfördröjningen och konfigurera aviseringar för fördröjningar och schemalägg intensiva åtgärder under låg belastning.
Säkerheten är kritisk i hybridscenarier. Använd Microsoft Entra-ID för centraliserad identitetshantering, implementera säkerhetsprinciper på radnivå i Fabric för att kontrollera dataåtkomst, säkerställa TLS/SSL för dataöverföring och övervaka vem som har åtkomst till speglade data med hjälp av Fabrics granskningsloggar. Kom ihåg att Fabric Mirroring är en envägsreplikering, så ha en plan för återställning av källan och dokumentera vilka rapporter och analyser som är beroende av speglade data.
Utforska vanliga användningsfall
Organisationer använder Fabric-spegling för att skapa real-tids operativa instrumentpaneler som visar affärsnyckeltal för spårning av försäljningsprestanda, lagerövervakning, kundtjänstmått och tillverkningsprocesser utan att påverka produktionsdatabaser.
Hybriddata lakehouse-mönstret kombinerar SQL Server-driftdata med andra datakällor, sammanfogar transaktionsdata med IoT-sensordata, integrerar lokala data med molnbaserade system och skapar en enhetlig vy över flera SQL Server-instanser.
Dataforskare använder Fabric-spegling för avancerad analys och maskininlärning, skapar modeller för att förutsäga kundavhopp med realtids transaktionsdata, förutsägande underhåll med aktuell utrustningstelemetri, bedrägeriövervakning på transaktionsströmmar i nära realtid och rekommendationsmotorer med aktuellt användarbeteende.
Organisationer använder också spegling som en del av molnmigreringsstrategin för att testa analysarbetsbelastningar i molnet samtidigt som produktionen hålls lokalt, validera prestanda och kostnader före fullständig migrering, träna team på infrastrukturresurser med produktionsliknande data och aktivera stegvis migrering med kontinuerlig validering.