Nowoczesna architektura medalionowa magazynu danych w Microsoft Fabric

To przykładowe obciążenie robocze opisuje architekturę warstwową typu medallion nowoczesnego magazynu danych (MDW), opartego przede wszystkim na języku SQL. Nowoczesny magazyn danych używa magazynów danych opartych na języku SQL do organizowania danych strukturalnych na potrzeby analizy i raportowania. Ta architektura implementuje warstwy z brązu, srebra i złota w Fabric Data Warehouse oraz używa Fabric Data Factory do organizowania pozyskiwania i przekształcania danych.

Fabric Data Warehouse przechowuje dane relacyjne w formacie delta w usłudze OneLake i obsługuje programowanie języka T-SQL za pomocą tabel, widoków, transakcji i procedur składowanych. Power BI, klienci SQL i inne aplikacje używają wyselekcjonowanych danych ze złotej warstwy.

Architecture

Pobierz plik PowerPoint tej architektury.

Na schemacie funkcja Mirroring odpowiada za replikację operacyjnej bazy danych, a potoki usługi Fabric Data Factory pozyskują źródła nieobjęte mechanizmem Mirroring do warstwy brązowej.

Przepływ danych

Poniższy przepływ danych odpowiada poprzedniemu diagramowi:

1. Operacyjne bazy danych, aplikacje SaaS, pliki i inne systemy źródłowe generują dane.

2. Pozyskiwanie danych wprowadza dane źródłowe do platformy Fabric dwiema ścieżkami. W przypadku obsługiwanych operacyjnych baz danych Mirroring w Fabric nieprzerwanie replikuje dane do elementu bazy danych w trybie mirroringu w OneLake. Magazyn CTAS lub INSERT ... SELECT krok następnie utrwala te dane w magazynie z brązu. W przypadku plików, aplikacji SaaS i innych źródeł bez dublowania użyj potoków usługi Fabric Data Factory lub kodu T-SQL magazynu danych, na przykład COPY INTO, aby załadować dane do tabel warstwy brązowej.

3. Warstwa brązowa przechowuje surowe, minimalnie przetworzone dane w tabelach hurtowni danych. Metadane importu, takie jak znaczniki czasu ładowania i identyfikatory źródeł, wspierają audyt i ponowne przetwarzanie.

4. Pierwszy etap transformacji (Bronze to silver) weryfikuje i przekształca dane z brązu na warstwę srebrną.

5. Warstwa srebrna zawiera oczyszczone, deduplikowane i ujednolicone dane. Jeśli jest wymagana analiza historyczna, srebrne tabele zachowują zmiany źródła z datami wejścia w życie i bieżącymi wskaźnikami wierszy.

6. Procedury składowane lub zadania dbt zwykle realizują etap Bronze to silver za pomocą wzorców SQL, takich jak CREATE TABLE AS SELECT (CTAS), INSERT ... SELECT i MERGE.

7. Warstwa złota udostępnia schematy gwiazdy gotowe do użycia, składnice danych i tabele wstępnie agregowane.

8. Drugi etap transformacji (Silver to gold) przekształca srebrne dane w jednostki biznesowe, wymiary, fakty i agregacje w warstwie złota.

9. Power BI korzysta z danych warstwy gold za pośrednictwem modeli semantycznych. Inni odbiorcy, tacy jak klienci SQL, notesniki i aplikacje, mogą wysyłać zapytania do punktu końcowego SQL magazynu danych.

Components

• Fabric Data Warehouse udostępnia tabele obliczeniowe i relacyjne języka T-SQL dla warstw z brązu, srebra i złota.
• OneLake przechowuje dane hurtowni w formacie Delta oraz dane replikowane przez funkcję dublowania w usłudze Fabric.
• Mirroring w Fabric w sposób ciągły replikuje obsługiwane operacyjne bazy danych do OneLake.
• Fabric Data Factory pobiera dane i koordynuje procedury składowane, potoki danych oraz inne działania transformacji.
• Power BI udostępnia semantyczne modele, raporty i pulpity nawigacyjne w przypadku wyselekcjonowanych danych złota.

Wskazówki dotyczące projektowania

W poniższych wskazówkach opisano sposób implementowania warstw z brązu, srebra i złota oraz organizowania pomocniczych obszarów roboczych. Dostosuj te zalecenia do źródeł danych obciążenia roboczego, wymagań w zakresie nadzoru oraz umiejętności Twojego zespołu.

Warstwa brązowa: ładowanie surowych danych

Warstwa brązowa przyjmuje nieprzetworzone dane i przechwytuje wszystkie dane źródłowe w ich oryginalnej postaci bez stosowania jakiejkolwiek logiki biznesowej. Służy jako system rekordów, który umożliwia pełną możliwość śledzenia i ponownego przetwarzania. Tabele w tej warstwie ściśle odzwierciedlają schematy źródłowe i celowo unikają filtrowania, deduplikacji lub wzbogacania danych. Opcjonalne kolumny metadanych, takie jak znaczniki czasu pozyskania danych lub nazwy plików źródłowych, często ułatwiają przeprowadzanie audytów.

W przypadku obsługiwanych baz danych operacyjnych użyj Mirroring in Fabric, aby w sposób ciągły replikować tabele źródłowe do OneLake. W przypadku plików, SaaS lub nieobsługiwanych źródeł użyj potoków usługi Fabric Data Factory, COPY INTO do zbiorczego pozyskiwania danych lub OPENROWSET z użyciem CTAS lub INSERT ... SELECT do utrwalania danych z plików zewnętrznych w warstwie bronze.

Na tym etapie ingestia danych ogranicza przekształcenia do minimum, dzięki czemu warstwa brązowa pozostaje referencyjnym systemem umożliwiającym ponowne odtworzenie danych. W razie potrzeby, w przypadku źródeł nieodwzorowanych, procedura składowana warstwy Bronze (lub równoważny model dbt) może standaryzować rekordy wejściowe i dodawać metadane ładowania.

Najlepsze praktyki dotyczące warstwy brązowej kładą nacisk na zachowanie wszystkich surowych danych, w tym nieprawidłowych rekordów, stosowanie wsadowego pozyskiwania danych w celu uniknięcia problemów z małymi plikami, ścisłe dopasowanie schematów do systemów źródłowych oraz automatyzację przepływów pracy pozyskiwania danych przy użyciu potoków danych Fabric w celu zapewnienia spójności i niezawodności na dużą skalę.

Warstwa srebrna: czyszczenie danych i zgodność

Warstwa srebrna koncentruje się na oczyszczaniu danych i zapewnieniu ich zgodności poprzez uszlachetnianie danych z warstwy brązowej z zastosowaniem reguł jakości danych, standaryzacji, deduplikacji oraz integracji danych z wielu źródeł. Ostatecznie tworzy jedno źródło prawdy dla oczyszczonych i wiarygodnych danych.

Zwykle na tym etapie implementujesz przekształcenia przy użyciu języka T-SQL, stosując wzorce, takie jak instrukcje CREATE TABLE AS SELECT (CTAS), INSERT … SELECT i MERGE, aby obsługiwać zarówno przetwarzanie wsadowe, jak i przyrostowe. Chociaż magazyn danych Fabric nie obsługuje widoków zmaterializowanych, można używać zmaterializowanych widoków jeziora danych, zaimplementowanych za pomocą platformy Spark, do generowania tabel Delta. Punkt końcowy analizy SQL uwidacznia te tabele delty jako tabele, które magazyn może odczytać.

Najlepsze praktyki dla warstwy srebrnej obejmują projektowanie idempotentnych przekształceń, konsekwentne egzekwowanie reguł jakości danych oraz używanie MERGE do aktualizacji przyrostowych. Gdy obciążenie robocze wymaga historyzacji, zachowaj wersje wierszy z datami początku i końca obowiązywania oraz znacznikiem aktualnego wiersza. Wymiary warstwy Gold mogą wykorzystać tę historię do implementacji zachowania wymiaru wolnozmiennego (SCD) typu 1 lub typu 2.

Warstwa złota: wyselekcjonowane dane na potrzeby analizy

Warstwa złota dostarcza wyselekcjonowane dane gotowe do wykorzystania biznesowego, zoptymalizowane pod kątem analityki, raportowania i wykorzystania przez narzędzia BI, takie jak Power BI. Ta warstwa jest przeznaczona dla wzorców modelowania analitycznego, często używając schematów gwiazd z tabelami faktów i wymiarów, składnicami danych specyficznymi dla domeny i wstępnie zagregowanymi tabelami podsumowania w celu obsługi wydajnego wykonywania zapytań i intuicyjnej analizy.

Zazwyczaj uzyskujesz złote tabele wyłącznie z danych srebrnych i udostępniasz je użytkownikom końcowym i narzędziom do raportowania.

Używaj stabilnych kluczy zastępczych dla wymiarów, aby fakty nie zależały od modyfikowalnych kluczy systemu źródłowego. Fabric Data Warehouse obsługuje BIGINT IDENTITY kolumny na potrzeby generowania kluczy zastępczych. Wartości identyfikacyjne są unikatowe, ale nie ma gwarancji, że będą sekwencyjne ani uporządkowane, i mogą występować luki. Jeśli te ograniczenia nie są odpowiednie dla obciążenia, wygeneruj i utrwal klucze zastępcze w logice transformacji i zachowaj trwałe mapowanie dla każdego klucza naturalnego. Nie wygeneruj ponownie kluczy zastępczych podczas pełnego odświeżania.

Najlepsze praktyki dotyczące warstwy gold obejmują modelowanie danych tak, aby były jak najlepiej dopasowane do analitycznych i biznesowych przypadków użycia, wstępną agregację danych tam, gdzie to możliwe, w celu poprawy wydajności, stosowanie mechanizmów bezpieczeństwa, takich jak zabezpieczenia na poziomie wiersza (RLS), zabezpieczenia na poziomie kolumn (CLS) i maskowanie danych, a także dokładne dokumentowanie rodowodu danych i przekształceń.

Strategia obszaru roboczego

Strategia obszaru roboczego określa, w jaki sposób warstwy brązowe, srebrne i złote są logicznie i fizycznie oddzielone w celu zrównoważenia ładu, bezpieczeństwa i prostoty operacyjnej. Warstwy można zaimplementować przy użyciu oddzielnych obszarów roboczych na warstwę, które zalecamy, gdy wymagane są silne granice zabezpieczeń, wyraźna własność lub ścisłe rozdzielenie obowiązków. Na przykład należy oddzielić pozyskiwanie surowych danych od przygotowanych danych biznesowych.

Możesz też zaimplementować warstwy w jednym obszarze roboczym przy użyciu oddzielnych magazynów dla danych z brązu, srebra i złota. Takie podejście może zmniejszyć narzut związany z zarządzaniem oraz uprościć tworzenie i testowanie między warstwami, przy jednoczesnym zachowaniu rozdzielenia na poziomie magazynu danych między warstwami architektury medallion.

Wybór między tymi podejściami zwykle zależy od czynników, takich jak skala organizacyjna, wymagania dotyczące zabezpieczeń, struktura zespołu i dojrzałość ładu. Wiele przedsiębiorstw wdraża model hybrydowy w miarę rozwoju implementacji Fabric. Zalecamy używanie oddzielnych obszarów roboczych, gdy wymagane są granice izolacji, ładu i własności.

Wskazówki dotyczące implementacji

Fabric Data Warehouse zapewnia spójność transakcyjną i niezawodne przetwarzanie danych w warstwach brązu, srebra i złota. Użyj operacji zapisu zorientowanego na partie, aby zminimalizować problemy z małymi plikami i zwiększyć wydajność magazynowania i zapytań. Użyj instrukcji MERGE do obsługi opóźnionych lub zmienionych danych w scenariuszach przetwarzania przyrostowego.

Utrzymuj transakcje jako krótkotrwałe, aby ograniczyć konflikty o zasoby i zoptymalizować współbieżność, zwłaszcza w środowiskach o intensywnym napływie danych. Aktywnie monitoruj wydajność i stan operacyjny za pomocą szczegółowych informacji o zapytaniach w usłudze Fabric oraz dynamicznych widoków zarządzania (DMV). Rozdzielenie architektury obciążeń odczytu i zapisu w Fabric dodatkowo umożliwia uruchamianie zadań pozyskiwania i przekształcania jednocześnie bez blokowania zapytań analitycznych, zapewniając przewidywalną wydajność analizy podrzędnej i raportowania.

Użyj procedur składowanych T-SQL i potoków Fabric Data Factory do natywnej transformacji i orkiestracji SQL. Zespoły, które preferują modułowe modele i testy SQL, mogą korzystać z adaptera dbt dla usługi Fabric Data Warehouse, utrzymywanego przez firmę Microsoft. Uruchom testy unikatowości, integralności referencyjnej i dozwolonych wartości jako mechanizmy kontrolne wdrożenia lub potoku przed opublikowaniem danych do kolejnych warstw.

Alternatives

Ta architektura obejmuje wiele składników, które można zastąpić innymi usługami lub podejściami platformy Azure, w zależności od wymagań funkcjonalnych i niefunkcjonalnych obciążenia. Rozważ następujące alternatywy i ich kompromisy.

W przypadku scenariuszy, które podkreślają inżynierię danych na dużą skalę, zaawansowaną analizę, uczenie maszynowe lub dane bez struktury, architektura typu lakehouse-first w Microsoft Fabric może być lepszym rozwiązaniem. W tym podejściu usługa Fabric Lakehouse służy jako podstawowy magazyn danych w usłudze OneLake, a przekształcenia są implementowane głównie przy użyciu narzędzi opartych na platformie Spark, takich jak notesy lub dataflow Gen2. Ten wzorzec zapewnia rozproszone obliczenia, notesy i narzędzia uczenia maszynowego, które nie są głównym celem tej architektury magazynu opartej na języku SQL.

W przypadku organizacji, które koncentrują się na nauce o danych, sztucznej inteligencji lub złożonym przetwarzaniu rozproszonym, Azure Databricks jest inną alternatywą. Azure Databricks jest zwykle wybierana, gdy obciążenia wymagają głębokiej integracji z platformami uczenia maszynowego typu open source, szczegółową kontrolą nad wykonywaniem platformy Spark lub przenośnością w wielu chmurach.

W przypadku analiz działających niemal w czasie rzeczywistym lub opartych na zdarzeniach, Fabric Real-Time Intelligence, Azure Event Hubs lub Azure Stream Analytics mogą być bardziej odpowiednie niż wsadowa architektura medalionowa oparta na usłudze Fabric Data Warehouse.

Szczegóły scenariusza

Fabric Data Warehouse jest silnym rozwiązaniem dla tej architektury medalionu, gdy głównym celem jest dostarczanie zarządzanych, gotowych do analizy danych na dużą skalę przy użyciu znanych wzorców SQL.

Scenariusz 1. Semantyka relacyjna i wydajność SQL dla wyselekcjonowanych, gotowych do analizy zestawów danych

Fabric Data Warehouse dobrze się sprawdza, ponieważ zapewnia tabele relacyjne i widoki, transakcje ACID oraz operacje T-SQL na danych Delta. Ten zestaw funkcji obsługuje obciążenia robocze, w których dane są już oczyszczone i ujednolicone oraz muszą być odpytywane w spójny sposób za pomocą SQL.

Przykład: Linia lotnicza tworzy wyselekcjonowane złote zestawy danych na potrzeby operacji lotów i analizy przychodów. Analitycy bazują na stabilnej wydajności zapytań SQL w celu oceny trendów wydajności czasu, rentowności tras i wykorzystania załogi. Użycie tabel i widoków magazynu zapewnia spójność transakcyjną i niezawodne zachowanie zapytań, co jest trudniejsze do zagwarantowania przy użyciu dostępu opartego na plikach ad hoc.

Scenariusz 2. Scentralizowane zarządzanie przy użyciu środowiska sql-first

Fabric Data Warehouse umożliwia scentralizowane zarządzanie dzięki uprawnieniom obszaru roboczego, zabezpieczeniom na poziomie obiektu i wbudowanemu śledzeniu pochodzenia danych, a jednocześnie udostępnia dane za pośrednictwem interfejsu SQL, który jest dobrze znany zespołom analityki danych. Takie podejście zmniejsza tarcie operacyjne, upraszcza kontrolę dostępu i przyspiesza wdrażanie w zespołach bez wprowadzania nowych paradygmatów dostępu.

Przykład: Globalne przedsiębiorstwo wymusza ścisłe rozdzielenie obowiązków: zespoły platformy zarządzają pozyskiwaniem i transformacjami, a zespoły analityczne zużywają tylko wyselekcjonowane dane. Uwidaczniając tylko tabele warstw złota za pośrednictwem magazynu i centralnego zarządzania dostępem, organizacja unika kontrolowanego dostępu do danych pierwotnych lub pośrednich przy zachowaniu znanego przepływu pracy opartego na języku SQL.

Scenariusz 3. Użycie zoptymalizowane pod kątem analizy biznesowej na potrzeby raportowania i pulpitów nawigacyjnych

Hurtownia danych jest zoptymalizowana pod kątem wysokiej współbieżności i obciążeń z przewagą operacji odczytu, co czyni ją dobrym wyborem, gdy duża liczba użytkowników biznesowych korzysta z pulpitów nawigacyjnych i raportów opartych na spójnych modelach semantycznych. Ta optymalizacja jest szczególnie ważna, gdy wydajność, stabilność i przewidywalne zachowanie zapytań są wymagane podczas szczytowego użycia.

Przykład: Zespoły ds. finansów i operacji uzyskują dostęp do pulpitów nawigacyjnych Power BI w godzinach pracy w celu monitorowania wskaźników KPI, takich jak przychód, wydajność operacyjna i zgodność z umową SLA. Usługa Fabric Data Warehouse izoluje obciążenia SELECT i inne niż SELECT w oddzielnych pulach obliczeniowych, zmniejszając bezpośrednią rywalizację między zapytaniami z pulpitu nawigacyjnego a ładowaniem danych do magazynu.

Scenariusz 4. Obsługa modelowania wymiarowego dla warstwy złota wielokrotnego użytku

Fabric Data Warehouse jest naturalnie dopasowywany do wzorców modelowania wymiarowego, w tym tabel faktów i wymiarów, które są często używane w warstwie złota w celu uwidocznienia przyjaznych dla biznesu zestawów danych wielokrotnego użytku. Te modele upraszczają analizę, zmniejszają duplikację logiki i promują spójne definicje metryk w różnych zespołach.

Przykład: Organizacja handlu detalicznego tworzy udostępnione tabele wymiarów dla klientów, produktów i sklepów wraz z tabelami faktów dla sprzedaży i spisu. Te złote zestawy danych są ponownie używane w wielu raportach Power BI i jednostkach biznesowych, zapewniając, że wskaźniki KPI, takie jak sprzedaż netto lub obroty magazynowe, są definiowane raz i stosowane spójnie.

Considerations

Te zagadnienia implementują filary struktury Azure Well-Architected, która jest zestawem wytycznych, których można użyć do poprawy jakości obciążenia.

Niezawodność

Niezawodność pomaga zapewnić, że aplikacja może spełnić zobowiązania podjęte przez klientów. Aby uzyskać więcej informacji, zobacz listę kontrolną przeglądu projektu dotyczącą niezawodności.

Zapoznaj się z artykułem Niezawodność w Microsoft Fabric, aby poznać udokumentowany model odporności na awarie, w tym zachowanie systemu w przypadku awarii strefy oraz kwestie regionalne. Zweryfikuj oczekiwania dotyczące odzyskiwania w odniesieniu do tych wskazówek dla Twojego regionu i wymagań dotyczących obciążeń roboczych.

W przypadku scenariuszy odzyskiwania po awarii między regionami należy zaprojektować i udokumentować strategię odzyskiwania zgodną z wymaganiami organizacyjnymi i modelem wspólnej odpowiedzialności.

• Fabric Data Warehouse obsługuje PRIMARY KEY, i FOREIGN KEYUNIQUE tylko jako NOT ENFORCED. Magazyn nie weryfikuje unikatowości ani integralności referencyjnej. Logika pozyskiwania i przekształcania musi wykrywać zduplikowane lub oddzielone rekordy i uniemożliwiać im dotarcie do warstw podrzędnych.

Zabezpieczenia

Zabezpieczenia zapewniają ochronę przed celowymi atakami i nieprawidłowym użyciem cennych danych i systemów. Aby uzyskać więcej informacji, zobacz listę kontrolną przeglądu projektu dotyczącą zabezpieczeń.

Microsoft Fabric zapewnia możliwości zarządzania ustawieniami zabezpieczeń, kontroli i inspekcji na podstawie wymagań organizacji. Rozważ następujące rozwiązania w zakresie zabezpieczeń:

• Użyj Microsoft Entra ID logowania jednokrotnego (SSO), aby uwierzytelnić użytkowników i zapewnić spójne zarządzanie tożsamościami między urządzeniami i lokalizacjami.

• Zastosuj uprawnienia oparte na obszarze roboczym, aby kontrolować, kto może tworzyć, modyfikować lub wykorzystywać artefakty Fabric.

• Używaj mechanizmów kontroli zabezpieczeń sieciowych ruchu przychodzącego i wychodzącego w usłudze Fabric podczas uzyskiwania dostępu do danych lub usług wewnątrz sieci lub poza nią. Te kontrolki obejmują dostęp warunkowy, łącza prywatne, dostęp do zaufanego obszaru roboczego i zarządzane prywatne punkty końcowe.

• Użyj dzienników inspekcji Fabric, aby śledzić aktywność użytkownika, zmiany konfiguracji i dostęp do danych na platformie.

Aby uzyskać więcej informacji, zobacz Zabezpieczenia w Fabric.

Optymalizacja kosztów

Optymalizacja kosztów koncentruje się na sposobach zmniejszenia niepotrzebnych wydatków i poprawy wydajności operacyjnej. Aby uzyskać więcej informacji, zobacz listę kontrolną przeglądu projektu dotyczącą optymalizacji kosztów.

Microsoft Fabric zapewnia rezerwacje pojemności dla zdefiniowanej liczby jednostek pojemności (CU). Roczne rezerwacje mogą pomóc zmniejszyć koszty przewidywalnych, stałych obciążeń.

Aby zmaksymalizować wykorzystanie pojemności usługi Fabric, rozważ następujące praktyki:

• Zacznij od pojemności próbnych lub jednostek SKU F z płatnością zgodnie z rzeczywistym użyciem , aby zrozumieć zachowanie obciążenia. Uruchom projekt pilotażowy o określonym zakresie z reprezentatywnymi obciążeniami związanymi z pozyskiwaniem danych, przekształcaniem i raportowaniem. Monitoruj zużycie CU i ekstrapoluj wyniki, aby oszacować potrzeby produkcyjne. W miarę wzrostu zapotrzebowania można skalować pojemności usługi Fabric.

• Analizowanie historycznego użycia w celu zidentyfikowania okresów szczytowych i poza szczytem. Planuj obciążenia niekrytyczne lub działające w tle w okresach mniejszego obciążenia, aby zmniejszyć stałą presję na zasoby CU.

• Zmniejsz niepotrzebne użycie zasobów obliczeniowych, optymalizując zapytania SQL, wyrażenia analizy danych (DAX) i zadania w tle.

• Fabric obsługuje rozszerzanie i wygładzenie w celu absorbowania krótkoterminowych skoków zapotrzebowania na zasoby obliczeniowe i rozłożenia zużycia obciążeń w tle w czasie. Te funkcje pomagają dobrać pojemność pod kątem przeciętnego wykorzystania, a nie szczytowego zapotrzebowania. Aby uzyskać więcej informacji, zobacz Ocena i optymalizacja pojemności Fabric.

• Koordynuj długotrwałe przekształcenia i operacje odświeżania, aby uniknąć nakładania się obciążeń obliczeniowych o dużej pojemności. Aby uzyskać więcej informacji, zobacz Zarządzanie obciążeniami w Fabric Data Warehouse.

Należy pamiętać o następujących kwestiach dotyczących cen:

• Wolumen magazynu OneLake, okres przechowywania i wzorce dostępu do danych mają bezpośredni wpływ na łączny koszt. Oszacuj oczekiwany przyrost danych dla każdej warstwy modelu medalionowego i dostosuj okres retencji do wymogów biznesowych oraz regulacyjnych.

• Cennik usługi Microsoft Fabric opiera się na przypisanej pojemności F mierzonej w jednostkach CU. Licencje Power BI na użytkownika są odrębne i nie zapewniają pojemności usługi Fabric.

Użyj wstępnie skonfigurowanego oszacowania w kalkulatorze cen platformy Azure, aby uzyskać wstępny koszt tej architektury. Dostosuj wartości, aby odpowiadały oczekiwanemu obciążeniu.

Doskonałość operacyjna

Doskonałość operacyjna obejmuje procesy operacyjne, które wdrażają, monitorują i utrzymują obciążenie w środowisku produkcyjnym. Aby uzyskać więcej informacji, zobacz listę kontrolną przeglądu projektu dotyczącą doskonałości operacyjnej.

Microsoft Fabric zapewnia wbudowaną widoczność operacyjną w ramach obciążeń inżynierii danych, magazynowania i analizy. Użyj aplikacji Fabric Capacity Metrics, aby monitorować zużycie pojemności, identyfikować artefakty intensywnie korzystające z zasobów i zrozumieć, jak obciążenia interakcyjne i w tle przyczyniają się do ogólnego wykorzystania. Te szczegółowe informacje ułatwiają zespołom podejmowanie świadomych decyzji operacyjnych dotyczących skalowania, planowania i optymalizacji.

Skonfiguruj proaktywne alerty, aby administratorzy pojemności mogli wcześnie identyfikować warunki wysokiego wykorzystania lub ograniczania przepustowości i reagować przed wystąpieniem wpływu na użytkownika.

Wydajność operacyjna

Wydajność odnosi się do możliwości skalowania obciążenia i efektywnego zaspokojenia zapotrzebowania użytkowników. Aby uzyskać więcej informacji, zobacz listę kontrolną przeglądu projektu dotyczącą wydajności.

Microsoft Fabric zawiera kilka mechanizmów ułatwiania zarządzania wydajnością i wykorzystaniem pojemności:

• Obsługa krótkotrwałych skoków obciążenia i wygładzanie umożliwiają szybszą realizację krótkoterminowych wzrostów zapotrzebowania na moc obliczeniową, a jednocześnie rozkładają użycie w czasie. Operacje interakcyjne zwykle są bezproblemowe w ciągu kilku minut, a operacje w tle są bezproblemowe w dłuższych oknach.

• Ograniczanie przepustowości jest stosowane wtedy, gdy pojemność przez dłuższy czas wykorzystuje zasoby obliczeniowe powyżej limitów przypisanego jej SKU. Ograniczanie przepustowości opóźnia lub odrzuca nowe operacje w celu ochrony stabilności platformy.

• Aplikacja Fabric Capacity Metrics zapewnia szczegółowy wgląd w zużycie pojemności i rozróżnia operacje interakcyjne (takie jak zapytania raportów) i operacje w tle (takie jak pozyskiwanie lub odświeżanie modelu). To rozróżnienie umożliwia ukierunkowane optymalizacje wydajności dla różnych typów obciążeń.

Contributors

Microsoft utrzymuje ten artykuł. Następujący współautorzy napisali ten artykuł.

• Prabhjot Kaur | Starszy architekt rozwiązań w chmurze

Aby wyświetlić niepubliczne profile serwisu LinkedIn, zaloguj się do serwisu LinkedIn.

Dalsze kroki

• Co to jest Fabric Data Warehouse?
• Łączność magazynu
• Co to jest Copilot w Data Warehouse?
• Ciągła integracja/ciągłe wdrażanie w usłudze Fabric Data Warehouse
• architektura Data Warehouse

Powiązane zasoby

• Uzyj analityczny magazyn danych w Microsoft Fabric
• Co to jest usługa Data Lake?
• Magazynowanie i analiza danych