Microsoft Fabric'de modern veri ambarı madalyon mimarisi

Microsoft Fabric

Power BI

Bu örnek iş yükü, SQL öncelikli modern veri ambarı (MDW) madalyon mimarisini açıklar. Modern bir veri ambarı, analiz ve raporlama için yapılandırılmış verileri düzenlemek için SQL tabanlı veri depolarını kullanır. Bu mimari, Fabric Data Warehouse bronz, gümüş ve altın katmanlarını uygular ve veri alımını ve dönüştürmeyi düzenleme amacıyla Fabric Data Factory'yi kullanır.

Fabric Data Warehouse ilişkisel verileri OneLake'te Delta biçiminde depolar ve tablolar, görünümler, işlemler ve saklı yordamlar aracılığıyla T-SQL geliştirmesini destekler. Power BI, SQL istemcileri ve diğer uygulamalar altın katmandan seçilmiş verileri kullanır.

Important

Önerilen Fabric madalyon desenleri her katman için bir göl evi veya bronz ve gümüş katmanlar için göl evleri ve altın katmanı için bir depo kullanır. Veriler yapılandırılmış kaldığından ve işlem boyunca SQL kullanılarak dönüştürüldüğünden bu mimari üç katman için de ambarları kullanır. Lakehouse'lar Spark tabanlı işleme, veri bilimi iş yükleri ve büyük hacimli yapılandırılmamış veya yarı yapılandırılmış veriler için daha uygundur. Spark'ı ve yapılandırılmamış verileri destekleyen lakehouse odaklı bir uygulama için bkz. Microsoft Fabric üzerinde Greenfield lakehouse.

Architecture

Bu mimari için bir PowerPoint dosyası indirin.

Diyagramda Yansıtma, işletimsel veritabanı replikasyonunu gerçekleştirir ve Fabric Data Factory işlem hatları, yansıtılmayan kaynakları bronze katmanına alır.

Veri akışı

Aşağıdaki veri akışı önceki diyagrama karşılık gelir:

İşletimsel veritabanları, SaaS uygulamaları, dosyalar ve diğer kaynak sistemler veri üretir.
Veri alımı, kaynak verileri iki yolla Fabric’e alır. Desteklenen işletimsel veritabanları için Fabric'de Yansıtma, verileri OneLake'deki yansıtılmış bir veritabanı öğesine sürekli olarak çoğaltır. Bir ambar CTAS veya INSERT ... SELECT adımı daha sonra bu verileri bronz ambarda kalıcı olarak kaydeder. Dosyalar, SaaS uygulamaları ve yansıtılmamış diğer kaynaklar için bronz tabloları yüklemek amacıyla Fabric Data Factory işlem hatlarını veya COPY INTO gibi ambar T-SQL’ini kullanın.
Bronz katman, ambar tablolarında ham, en az işlenmiş verileri depolar. Yük zaman damgaları ve kaynak tanımlayıcıları gibi alım meta verileri denetimi ve yeniden işlemeyi destekler.
İlk dönüştürme aşaması (Bronze to silver) bronz verileri doğrular ve gümüş katmana dönüştürür.
Gümüş katmanı, temizlenmiş, tekilleştirilmiş ve uyumlaştırılmış veriler içerir. Geçmişe dönük analizin gerekli olduğu durumlarda, gümüş tablolar kaynak değişikliklerini yürürlük tarihleri ve güncel satır göstergeleriyle birlikte korur.
Saklı yordamlar veya dbt görevleri, genellikle INSERT ... SELECT aşamasını MERGE (CTAS), CREATE TABLE AS SELECT ve Bronze to silver gibi SQL kalıplarını kullanarak uygular.
Altın katmanı tüketime hazır yıldız şemaları, veri reyonları ve önceden toplanmış tablolar sağlar.
İkinci dönüştürme aşaması (Silver to gold), gümüş verileri işletme varlıklarına, boyutlara, olgulara ve altın katmandaki toplamlara dönüştürür.
Power BI anlamsal modeller aracılığıyla altın verileri tüketir. SQL istemcileri, not defterleri ve uygulamalar gibi diğer tüketiciler, ambar SQL uç noktasını sorgulayabilir.

Components

Fabric Data Warehouse bronz, gümüş ve altın katmanları için T-SQL işlem ve ilişkisel tablolar sağlar.
OneLake, ambar verilerini Delta biçiminde depolar ve Fabric yansıtmasıyla çoğaltılan verileri depolar.
Fabric'da yansıtma, desteklenen işlemsel veritabanlarını sürekli olarak OneLake'e çoğaltır.
Fabric Data Factory verileri alır ve saklı yordamları, işlem hatlarını ve diğer dönüştürme etkinliklerini düzenler.
Power BI, seçilmiş altın veriler üzerinde anlamsal modeller, raporlar ve panolar sağlar.

Tasarım kılavuzu

Aşağıdaki kılavuzda bronz, gümüş ve altın katmanları uygulama ve destekleyici çalışma alanlarını düzenleme işlemleri açıklanmaktadır. Bu önerileri iş yükünüzün veri kaynaklarına, idare gereksinimlerine ve ekibinizin becerilerine uyarlayın.

Bronz katman: Ham veri alımı

Bronz katman ham verileri alır ve hiçbir iş mantığı uygulamadan tüm kaynak verileri özgün biçiminde yakalar. Tam izlenebilirliği ve yeniden işlemeyi sağlayan kayıt sistemi görevi görür. Bu katmandaki tablolar kaynak şemaları yakından yansıtır ve filtrelemeyi, yinelenenleri kaldırmayı veya zenginleştirmeyi kasıtlı olarak önler. Alma zaman damgaları veya kaynak dosya adları gibi isteğe bağlı meta veri sütunları genellikle denetimi destekler.

Desteklenen işletimsel veritabanları için kaynak tabloları OneLake'e sürekli olarak çoğaltmak üzere Fabric'te Yansıtma'yı kullanın. Dosya, SaaS veya desteklenmeyen kaynaklar için toplu veri alma amacıyla Fabric Data Factory işlem hatlarını, COPY INTO seçeneğini ya da dış dosya verilerini bronz veri ambarında kalıcı olarak depolamak için CTAS veya INSERT ... SELECT ile birlikte OPENROWSET seçeneğini kullanın.

Bu aşamada, veri alımı yeniden şekillendirmeyi en düşük düzeyde tutar; böylece bronz katman yeniden oynatılabilir kayıt sistemi olarak kalır. Aynalanmamış kaynaklar için gerektiğinde, bir bronze-load saklı yordamı (veya eşdeğer bir dbt modeli) gelen kayıtları standartlaştırabilir ve yükleme meta verileri ekleyebilir.

Bronz katman için en iyi yöntemler, geçersiz kayıtlar dahil olmak üzere tüm ham verilerin korunmasını, küçük dosya sorunlarını önlemek için toplu alımın kullanılmasını, şemaların kaynak sistemlerle yakından hizalanmasını ve büyük ölçekte tutarlılık ve güvenilirlik sağlamak için Fabric işlem hatlarını kullanarak alım iş akışlarının otomatikleştirilmesini vurgular.

Gümüş katman: Veri temizleme ve uyumluluk

gümüş katman, bronz verileri veri kalitesi kuralları uygulayarak, standartlaştırarak, yinelemeleri gidererek ve birden çok kaynaktan gelen verileri entegre ederek rafine etmek suretiyle veri temizleme ve uygunluğa odaklanır. Neticede temizlenmiş ve güvenilir veriler için tek bir gerçeklik kaynağı oluşturur.

Bu aşamada dönüştürmeleri genellikle T-SQL kullanarak, hem toplu hem de artımlı işlemeyi desteklemek için INSERT … SELECT (CTAS), MERGE ve CREATE TABLE AS SELECT deyimleri gibi kalıplardan yararlanarak uygularsınız. Fabric Data Warehouse gerçekleştirilmiş görünümleri desteklemese de, Delta tabloları oluşturmak için Spark kullanılarak uygulanan gerçekleştirilmiş göl görünümlerini kullanabilirsiniz. SQL analiz uç noktası, bu Delta tablolarını ambarın okuyabileceği tablolar olarak kullanıma sunar.

Gümüş katmanı için en iyi uygulamalar arasında, dönüşümlerin idempotent olacak şekilde tasarlanması, veri kalitesi kurallarının tutarlı biçimde uygulanması ve artımlı güncellemeler için MERGE kullanılması yer alır. İş yükü geçmişin tutulmasını gerektiriyorsa, geçerlilik başlangıç ve bitiş tarihleri ile geçerli satır göstergesine sahip satır sürümlerini saklayın. Altın boyutlar, tür 1 veya tür 2 yavaş değişen boyut (SCD) davranışını uygulamak için bu geçmişi kullanabilir.

Altın katman: Analiz için seçilmiş veriler

Altın katman, Power BI gibi BI araçları tarafından analiz, raporlama ve tüketim için iyileştirilmiş, seçilmiş, işletmeye hazır veriler sunar. Bu katman analitik modelleme desenleri etrafında tasarlanmıştır; genellikle olgu ve boyut tablolarına sahip yıldız şemaları, etki alanına özgü veri reyonları ve önceden toplanmış özet tabloları kullanarak performanslı sorgulamayı ve sezgisel analizi destekler.

Genellikle altın renkli tabloları yalnızca gümüş verilerden türetir ve bunları son kullanıcılara ve raporlama araçlarına sunarsınız.

Olguların değiştirilebilir kaynak sistem anahtarlarına bağımlı olmaması için boyutlar için kararlı vekil anahtarlar kullanın. Fabric Data Warehouse vekil anahtar oluşturma için sütunları desteklerBIGINT IDENTITY. Kimlik değerleri benzersizdir, ancak ardışık veya sıralı olmaları garanti edilmez ve arada boşluklar oluşabilir. Bu sınırlamalar iş yükü için uygun değilse, dönüştürme mantığında vekil anahtarlar oluşturup bunları kalıcı olarak saklayın ve her doğal anahtar için kalıcı bir eşleme sürdürün. Tam yenileme sırasında yedek anahtarları yeniden oluşturmayın.

Altın katmanı için en iyi yöntemler arasında analiz ve iş kullanım örnekleriyle yakından uyumlu hale getirmek için verileri modelleme, performansı geliştirmenin mümkün olduğu yerlerde verileri önceden toplama, satır düzeyi güvenlik (RLS), sütun düzeyi güvenlik (CLS) ve veri maskeleme gibi güvenlik denetimleri uygulama ve veri kökeni ile dönüşümlerini ayrıntılı bir şekilde belgeleme sayılabilir.

Çalışma alanı stratejisi

Çalışma alanı stratejisi, bronz, gümüş ve altın katmanların idare, güvenlik ve operasyonel basitliği dengelemek için mantıksal ve fiziksel olarak nasıl ayrıldığını tanımlar. Katman başına ayrı çalışma alanları kullanarak katmanları uygulayabilirsiniz. Bu, güçlü güvenlik sınırları, net sahiplik veya katı sorumluluk ayrımı gerektiğinde önerilir. Örneğin, ham veri alımını seçilmiş iş verilerinden yalıtmalısınız.

Alternatif olarak, bronz, gümüş ve altın veriler için ayrı ambarlar kullanarak katmanları tek bir çalışma alanı içinde uygulayabilirsiniz. Bu yaklaşım yönetim yükünü azaltabilir ve madalyon katmanlar arasındaki ambar düzeyinde ayrımı korurken katmanlar arası geliştirme ve test sürecini basitleştirebilir.

Bu yaklaşımlar arasındaki seçim genellikle kuruluş ölçeği, güvenlik gereksinimleri, ekip yapısı ve idare olgunluğu gibi faktörlere bağlıdır. Birçok kuruluş, Fabric uygulamaları geliştikçe hibrit bir model benimser. Yalıtım, idare ve sahiplik sınırları gerektiğinde ayrı çalışma alanları kullanmanızı öneririz.

Uygulama kılavuzu

Fabric Data Warehouse bronz, gümüş ve altın katmanlarında işlem tutarlılığı ve güvenilir veri işleme sağlar. Küçük dosya sorunlarını en aza indirmek ve depolama ile sorgu verimliliğini artırmak için toplu iş odaklı yazma işlemlerini kullanın. Artımlı işleme senaryolarında geç gelen veya değişen verileri işlemek için MERGEdeyimlerini kullanın.

Özellikle yüksek veri alımının olduğu ortamlarda, çekişmeyi azaltmak ve eşzamanlılığı en iyi duruma getirmek için işlemleri kısa süreli tutun. Fabric sorgu içgörülerini ve dinamik yönetim görünümlerini (DMV) kullanarak performansı ve işlem durumunu etkin bir şekilde izleyin. Fabric'da okuma ve yazma iş yüklerinin mimari ayrımı, analiz sorgularını engellemeden alım ve dönüştürme işlerinin eşzamanlı olarak çalışmasını sağlayarak aşağı akış analizi ve raporlama için öngörülebilir performans sağlar.

Yerel SQL dönüşümü ve düzenlemesi için T-SQL saklı yordamlarını ve Fabric Data Factory işlem hatlarını kullanın. Modüler SQL modellerini ve testlerini tercih eden ekipler, Fabric Data Warehouse için Microsoft bakımlı dbt bağdaştırıcısını kullanabilir. Verileri aşağı akış katmanlarına yayımlamadan önce dağıtım veya işlem hattı geçitleri olarak benzersizlik, bilgi tutarlılığı ve kabul edilen değer testleri çalıştırın.

Alternatives

Bu mimari, iş yükünüzün işlevsel ve işlevsel olmayan gereksinimlerine bağlı olarak diğer Azure hizmetleri veya yaklaşımlarıyla değiştirebileceğiniz birden çok bileşen içerir. Aşağıdaki alternatifleri ve bunların avantajlarını göz önünde bulundurun.

Büyük ölçekli veri mühendisliği, gelişmiş analiz, makine öğrenmesi veya yapılandırılmamış verileri vurgulayan senaryolar için, Microsoft Fabric üzerinde lakehouse öncelikli bir mimari daha uygun olabilir. Bu yaklaşımda, bir Fabric lakehouse OneLake'te birincil veri deposu görevi görür ve dönüştürmeler öncelikle not defterleri veya Dataflow 2. Nesil gibi Spark tabanlı araçlar kullanılarak uygulanır. Bu desen, bu SQL öncelikli veri ambarı mimarisinin odağında olmayan dağıtık hesaplama, not defterleri ve makine öğrenmesi araç setlerini sunar.

Veri bilimi, yapay zeka veya karmaşık dağıtılmış işlemeye odaklanan kuruluşlar için Azure Databricks başka bir alternatiftir. Azure Databricks genellikle iş yükleri açık kaynak makine öğrenmesi çerçeveleriyle derin tümleştirme, Spark yürütmesi üzerinde ayrıntılı denetim veya çok bulutlu taşınabilirlik gerektirdiğinde seçilir.

Gerçeğe yakın gerçek zamanlı veya olay odaklı analizler için Fabric Real-Time Intelligence, Azure Event Hubs ya da Azure Stream Analytics, Fabric Data Warehouse merkezli toplu işleme yönelik bir medalyon mimarisinden daha uygun olabilir.

Senaryo ayrıntıları

Fabric Data Warehouse, birincil hedef, tanıdık SQL desenlerini kullanarak yönetilen ve analize hazır verileri büyük ölçekte sunmak olduğunda bu madalyon mimarisi için güçlü bir uyum sağlar.

Senaryo 1: Seçilmiş, analize hazır veri kümeleri için ilişkisel semantik ve SQL performansı

delta verilerinin üzerinde ilişkisel tablolar ve görünümler, ACID işlemleri ve T-SQL işlemleri sağladığından Fabric Data Warehouse uygundur. Bu özellik kümesi, verilerin zaten temizlendiği ve uyumlu olduğu ve SQL aracılığıyla tutarlı bir şekilde sorgulanması gereken iş yüklerini destekler.

Örnek: Bir havayolu, uçuş operasyonları ve gelir analizi için seçilmiş altın veri kümeleri oluşturur. Analistler, zamanında performans eğilimlerini, rota kârlılığını ve mürettebat kullanımını değerlendirmek için kararlı SQL sorgu performansına güvenir. Ambar tablolarını ve görünümlerini kullanmak işlem tutarlılığı ve güvenilir sorgu davranışı sağlar. Bu, geçici dosya tabanlı erişimle garanti etmek daha zordur.

Senaryo 2: SQL öncelikli deneyimle merkezi idare

Fabric Data Warehouse çalışma alanı izinleri, nesne düzeyi güvenlik ve yerleşik köken aracılığıyla merkezi idare sağlarken, analiz mühendisliği ekiplerine aşina olan bir SQL arabirimi aracılığıyla verileri kullanıma sunar. Bu yaklaşım operasyonel uyuşmaları azaltır, erişim denetimini basitleştirir ve yeni erişim paradigması eklemeden ekipler arasında benimsemeyi hızlandırır.

Örnek: Küresel bir kuruluş, katı görev ayrımı uygular: platform ekipleri alım ve dönüşümleri yönetir ve analiz ekipleri yalnızca seçilmiş verileri kullanır. Kuruluş, bir ambar aracılığıyla yalnızca altın katmanlı tabloları kullanıma sunarak ve erişimi merkezi olarak yöneterek, tanıdık bir SQL tabanlı iş akışını korurken ham veya ara verilere denetimsiz erişimi önler.

Senaryo 3: Raporlama ve gösterge panoları için BI’a optimize edilmiş kullanım

Veri ambarı, yüksek eşzamanlılık ve okuma ağırlıklı iş yükleri için optimize edilmiştir; bu da, çok sayıda iş kullanıcısının tutarlı anlamsal modeller üzerine oluşturulmuş panoları ve raporları kullandığı durumlarda onu güçlü bir seçenek haline getirir. Bu iyileştirme özellikle yoğun kullanım sırasında performans, kararlılık ve öngörülebilir sorgu davranışı gerektiğinde önemlidir.

Örnek: Finans ve operasyon ekipleri, gelir, operasyonel verimlilik ve SLA uyumluluğu gibi KPI'leri izlemek için iş saatlerinde Power BI panolara erişmektedir. Fabric Data Warehouse, SELECT ve SELECT olmayan iş yüklerini ayrı işlem kaynak havuzlarında yalıtarak gösterge paneli sorguları ile veri ambarına veri alımı arasındaki doğrudan çekişmeyi azaltır.

Senaryo 4: Yeniden kullanılabilir altın katmanı için boyutsal modelleme desteği

Fabric Data Warehouse, işletme dostu, yeniden kullanılabilir veri kümelerini kullanıma açmak için altın katmanda yaygın olarak kullandığınız olgu ve boyut tabloları da dahil olmak üzere boyutsal modelleme desenleriyle doğal olarak hizalanır. Bu modeller analizi basitleştirir, mantıksal yinelemeyi azaltır ve ekipler arasında tutarlı ölçüm tanımlarını teşvik eder.

Örnek: Perakende kuruluşu müşteriler, ürünler ve mağazalar için paylaşılan boyut tablolarının yanı sıra satış ve stok olgu tablolarını oluşturur. Bu altın renkli veri kümeleri birden çok Power BI raporu ve iş biriminde yeniden kullanılır ve net satış veya stok cirosu gibi KPI'lerin bir kez tanımlanıp tutarlı bir şekilde uygulanması sağlanır.

Considerations

Bu önemli noktalar, bir iş yükünün kalitesini artırmak için kullanabileceğiniz bir dizi yol gösteren ilke olan Azure Well-Architected Framework'ün yapı taşlarını uygular.

Güvenilirlik

Güvenilirlik, uygulamanızın müşterilerinize sağladığınız taahhütleri karşılayabilmesine yardımcı olur. Daha fazla bilgi için Güvenilirlik için tasarım gözden geçirme denetim listesine bakın.

Belgelenen dayanıklılık modelini, kullanılabilirlik alanı kesintisi davranışını ve bölgesel hususları incelemek için Microsoft Fabric'te Güvenilirlik belgesine göz atın. Bölgeniz ve iş yükü gereksinimleriniz için bu kılavuza göre kurtarma beklentilerini doğrulayın.

Bölgeler arası olağanüstü durum kurtarma senaryoları için, kuruluş gereksinimleri ve paylaşılan sorumluluk modeliyle uyumlu bir kurtarma stratejisi tasarlayın ve belgeleyin.

Fabric Data Warehouse, FOREIGN KEY, UNIQUE ve NOT ENFORCED yalnızca PRIMARY KEY olarak destekler. Veri ambarı, benzersizliği veya referans bütünlüğünü doğrulamaz. Alma ve dönüştürme mantığının yinelenen veya yalnız bırakılmış kayıtları algılaması ve aşağı akış katmanlarına ulaşmasını engellemesi gerekir.

Security

Güvenlik, kasıtlı saldırılara ve değerli verilerinizin ve sistemlerinizin kötüye kullanımına karşı güvence sağlar. Daha fazla bilgi için Güvenlik için tasarım gözden geçirme denetim listesine bakın.

Microsoft Fabric, kuruluş gereksinimlerine göre güvenlik ayarlarını yönetme, denetleme ve denetleme özellikleri sağlar. Aşağıdaki güvenlik uygulamalarını göz önünde bulundurun:

Kullanıcıların kimliğini doğrulamak ve cihazlar ve konumlar arasında tutarlı kimlik yönetimi sağlamak için Microsoft Entra ID çoklu oturum açma (SSO) kullanın.
Fabric yapıtlarını kimlerin oluşturabileceğini, değiştirebileceğini veya kullanabileceğini denetlemek için çalışma alanı tabanlı izinler uygulayın.
Ağınızın içindeki veya dışındaki verilere veya hizmetlere erişirken gelen ve giden ağ güvenlik denetimlerini Fabric kullanın. Bu denetimler Koşullu Erişim, özel bağlantılar, güvenilen çalışma alanı erişimi ve yönetilen özel uç noktaları içerir.
Platform genelinde kullanıcı etkinliğini, yapılandırma değişikliklerini ve veri erişimini izlemek için Fabric denetim günlüklerini kullanın.

Daha fazla bilgi için bkz Fabric'de Güvenlik.

Maliyet İyileştirme

Maliyet İyileştirme, gereksiz giderleri azaltmanın ve operasyonel verimlilikleri iyileştirmenin yollarına odaklanır. Daha fazla bilgi için Bkz. Maliyet İyileştirme için tasarım gözden geçirme denetim listesi.

Microsoft Fabric, tanımlı sayıda kapasite birimi (RU) için kapasite rezervasyonları sağlar. Bir yıllık rezervasyonlar, öngörülebilir, kararlı durum iş yüklerinin maliyetlerini azaltmaya yardımcı olabilir.

Fabric kapasite kullanımını en üst düzeye çıkarmak için aşağıdaki uygulamaları göz önünde bulundurun:

İş yükü davranışını anlamak için deneme kapasiteleri veya kullandıkça öde F SKU'ları ile başlayın. Veri alımı, dönüştürme ve raporlama için örnek niteliğinde iş yüklerini içeren, belirli kapsamlı bir kavram kanıtı gerçekleştirin. CU tüketimini izleyin ve üretim gereksinimlerini tahmin etmek için sonuçlardan hareketle çıkarım yapın. Talep arttıkça Fabric kapasiteleri ölçeklendikleyebilirsiniz.
Yoğun ve yoğun olmayan dönemleri belirlemek için geçmiş kullanımını analiz edin. Süregelen CU baskısını azaltmak için kritik olmayan veya arka planda çalışan iş yüklerini talebin daha düşük olduğu zaman dilimlerinde zamanlayın.
SQL sorgularını, Veri Çözümleme İfadelerini (DAX) ve arka plan işlerini iyileştirerek gereksiz işlem tüketimini azaltın.
Fabric, işlem gücü talebindeki kısa süreli ani artışları karşılamak ve arka plan iş yükü tüketimini zamana yaymak için ani ölçekleme ve düzgünleştirmeyi destekler. Bu özellikler, talebin en yoğun olması yerine ortalama kullanım için kapasiteleri boyutlandırmaya yardımcı olur. Daha fazla bilgi için Fabric kapasitenizi değerlendirme ve iyileştirme konusuna bakın.
Aynı kapasitede yüksek işlem gücü gerektiren iş yüklerinin çakışmasını önlemek için uzun süren dönüştürme ve yenileme işlemlerini koordine edin. Daha fazla bilgi için bkz. Fabric Data Warehouse iş yükü yönetimi.

Aşağıdaki fiyatlandırma konularını göz önünde bulundurun:

OneLake depolama hacmi, saklama süresi ve veri erişim desenleri toplam maliyeti doğrudan etkiler. Madalyon katmanı başına beklenen veri büyümesini tahmin edin ve saklamayı iş ve uyumluluk gereksinimleriyle uyumlu hale getirin.
Microsoft Fabric fiyatlandırması, ATANAN F kapasitesini temel alır ve CU cinsinden ölçülür. Power BI kullanıcı başına lisanslar ayrıdır ve Fabric kapasite sağlamaz.

Bu mimari için başlangıç maliyetini öğrenmek üzere Azure fiyatlandırma hesaplayıcısındaki önceden yapılandırılmış tahmini kullanın. Değerleri, beklenen iş yükünüzle eşleşecek şekilde ayarlayın.

Operasyonel Mükemmellik

Operasyonel Mükemmellik, üretim ortamında bir iş yükünü dağıtan, izleyen ve koruyan operasyonel süreçleri kapsar. Daha fazla bilgi için operasyonel mükemmellik için tasarım gözden geçirme denetim listesine bakın.

Microsoft Fabric veri mühendisliği, depolama ve analiz iş yükleri arasında yerleşik operasyonel görünürlük sağlar. Kapasite tüketimini izlemek, yoğun kaynak kullanan yapıtları tanımlamak ve etkileşimli ve arka plan iş yüklerinin genel kullanıma nasıl katkıda bulunabileceklerini anlamak için Fabric Kapasite Ölçümleri uygulamasını kullanın. Bu içgörüler ekiplerin ölçeklendirme, zamanlama ve iyileştirme hakkında bilinçli operasyonel kararlar almalarına yardımcı olur.

Kapasite yöneticilerinin yüksek kullanım veya azaltma koşullarını erken belirleyip kullanıcı etkisi oluşmadan önce yanıt verebilmesi için proaktif uyarılar ayarlayın.

Performans Verimliliği

Performans Verimliliği, bir iş yükünün kullanıcı talebini verimli bir şekilde ölçeklendirme ve karşılama becerisini ifade eder. Daha fazla bilgi için Bkz. Performans Verimliliği için tasarım gözden geçirme denetim listesi.

Microsoft Fabric, performansı ve kapasite kullanımını yönetmeye yardımcı olacak çeşitli mekanizmalar içerir:

Ani artış ve dengeleme, işlem gücü talebindeki kısa süreli yükselişlerin daha hızlı tamamlanmasını sağlarken kullanımı zamana yayar. Etkileşimli işlemler genellikle dakikalar içinde sorunsuz, arka plan işlemleri ise daha uzun pencereler üzerinde sorunsuz çalışır.
Bir kapasitenin işlem gücü kullanımı, kendisine atanmış SKU’nun sınırlarını uzun süre boyunca aştığında kısıtlama uygulanır. Kısıtlama, platform kararlılığını korumak için yeni işlemleri geciktirir veya reddeder.
Fabric Kapasite Ölçümleri uygulaması, kapasite tüketimine ilişkin ayrıntılı görünürlük sağlar ve etkileşimli işlemler (rapor sorguları gibi) ile arka plan işlemleri (alma veya model yenileme gibi) arasında ayrım sağlar. Bu ayrım, farklı iş yükü türleri için hedeflenen performans iyileştirmelerini etkinleştirir.

Contributors

Microsoft bu makaleyi korur. Bu makaleyi aşağıdaki katkıda bulunanlar yazdı.

Prabhjot Kaur | Üst Düzey Bulut Çözümü Mimarı

Herkese açık olmayan LinkedIn profillerini görmek için LinkedIn'e oturum açın.

Sonraki Adımlar

Geri Bildirim

Bu sayfayı yararlı buldunuz mu?