Operasi kain
Setiap pengalaman dalam Microsoft Fabric mendukung operasi unik. Tingkat konsumsi operasi adalah apa yang mengonversi penggunaan metrik mentah pengalaman menjadi Unit Komputasi (CU).
Halaman komputasi aplikasi Microsoft Fabric Capacity Metrics memberikan gambaran umum tentang performa kapasitas Anda dan mencantumkan operasi Fabric yang menggunakan sumber daya komputasi.
Artikel ini mencantumkan operasi ini berdasarkan pengalaman, dan menjelaskan bagaimana mereka menggunakan sumber daya dalam Fabric.
Operasi interaktif dan latar belakang
Microsoft Fabric membagi operasi menjadi dua jenis, interaktif dan latar belakang. Artikel ini mencantumkan operasi ini dan menjelaskan perbedaannya.
Operasi interaktif
Permintaan dan operasi sesuai permintaan yang dapat dipicu oleh interaksi pengguna dengan UI, seperti kueri model data yang dihasilkan oleh visual laporan, diklasifikasikan sebagai operasi interaktif . Mereka biasanya dipicu oleh interaksi pengguna dengan UI. Misalnya, operasi interaktif dipicu saat pengguna membuka laporan atau memilih pemotong dalam laporan Power BI. Operasi interaktif juga dapat dipicu tanpa berinteraksi dengan UI, misalnya saat menggunakan SQL Server Management Studio (SSMS) atau aplikasi kustom untuk menjalankan kueri DAX.
Fungsi latar belakang
Operasi yang berjalan lebih lama seperti model semantik atau refresh aliran data diklasifikasikan sebagai operasi latar belakang . Mereka dapat dipicu secara manual oleh pengguna, atau secara otomatis tanpa interaksi pengguna. Operasi latar belakang mencakup refresh terjadwal, refresh interaktif, refresh berbasis REST, dan operasi refresh berbasis XMLA. Pengguna tidak diharapkan menunggu operasi ini selesai. Sebaliknya, mereka mungkin kembali nanti untuk memeriksa status operasi.
Cara membaca dokumen ini
Setiap pengalaman memiliki tabel yang mencantumkan operasinya, dengan kolom berikut:
Operasi – Nama operasi. Terlihat di aplikasi Metrik Kapasitas Microsoft Fabric.
Deskripsi – Deskripsi operasi.
Item – Item yang dapat diterapkan operasi ini. Terlihat di aplikasi Microsoft Fabric Capacity Metrics.
Pengukur penagihan Azure – Nama pengukur pada tagihan Azure Anda yang menunjukkan penggunaan untuk operasi ini.
Jenis – Mencantumkan jenis operasi. Operasi diklasifikasikan sebagai operasi interaktif atau latar belakang .
Ketika detail lebih lanjut mengenai tingkat konsumsi tersedia, tautan ke dokumen dengan informasi ini disediakan.
Operasi kain berdasarkan pengalaman
Bagian ini dibagi menjadi pengalaman Fabric. Setiap pengalaman memiliki tabel yang mencantumkan operasinya.
Penting
Tarif konsumsi dapat berubah sewaktu-waktu. Microsoft akan menggunakan upaya yang wajar untuk memberikan pemberitahuan melalui email atau melalui pemberitahuan dalam produk. Perubahan akan berlaku pada tanggal yang dinyatakan dalam Catatan Rilis Microsoft atau blog Microsoft Fabric. Jika ada perubahan pada Tingkat Konsumsi Beban Kerja Microsoft Fabric secara material meningkatkan Unit Kapasitas (CU) yang diperlukan untuk menggunakan beban kerja tertentu, pelanggan mungkin menggunakan opsi pembatalan yang tersedia untuk metode pembayaran yang dipilih.
Copilot dalam Fabric
Copilot operasi terdaftar dalam tabel ini. Anda dapat menemukan tingkat konsumsi untuk Copilot di Copilot konsumsi.
| Operasi | Deskripsi | Barang | Pengukur tagihan Azure | Jenis |
|---|---|---|---|---|
| Copilot dalam Fabric | Biaya komputasi yang terkait dengan perintah input dan penyelesaian output | Beberapa | Copilot dalam Fabric CU | Latar belakang |
Data Factory
Antarmuka Data Factory berisi operasi untuk Aliran Data Gen2 dan Pipelines.
Aliran Data Gen2
Anda dapat menemukan tarif konsumsi untuk Dataflows Gen2 dalam harga Dataflow Gen2 untuk Data Factory di Microsoft Fabric.
| Operasi | Deskripsi | Barang | Pengukur tagihan Azure | Jenis |
|---|---|---|---|---|
| Pembaruan Gen2 Aliran Data | Biaya komputasi yang terkait dengan operasi refresh Aliran Data Gen2 | Dataflow Gen2 | Kapasitas Komputasi Standar untuk Pemrosesan Aliran Data CU | Latar belakang |
| Komputasi Aliran Data Skala Tinggi - Kueri Titik Akhir SQL | Penggunaan yang terkait dengan titik akhir SQL gudang pementasan alur data Gen2 | Gudang | Penggunaan Kapasitas Komputasi Aliran Data Skala Tinggi CU | Latar belakang |
Jalur Pipa
Anda dapat menemukan tarif konsumsi untuk Pipa data dalam harga Pipa data untuk Data Factory di Microsoft Fabric.
| Operasi | Deskripsi | Barang | Pengukur tagihan Azure | Jenis |
|---|---|---|---|---|
| DataMovement | Jumlah waktu yang digunakan oleh aktivitas salin dalam alur Data Factory dibagi dengan jumlah unit integrasi data | Jalur | Penggunaan Kapasitas Pemindahan Data CU | Latar belakang |
| ActivityRun | Eksekusi aktivitas pada alur data di Data Factory | Pipa | CU Penggunaan Kapasitas Orkestrasi Data | Latar belakang |
Database
Satu unit kapasitas Fabric = 0,383 VCore database SQL.
| Operasi | Deskripsi | Barang | Pengukur Penagihan Azure | Jenis |
|---|---|---|---|---|
| Penggunaan SQL | Komputasi untuk semua kueri SQL yang dihasilkan pengguna dan yang dihasilkan sistem, modifikasi, dan operasi pemrosesan data dalam database | Database | Database SQL dalam Penggunaan Kapasitas Microsoft Fabric CU | Interaktif |
| Penyimpanan SQL yang Dialokasikan | Ruang penyimpanan yang dialokasikan secara dinamis untuk database SQL di Fabric, digunakan untuk menyimpan tabel, indeks, log transaksi, dan metadata. Terintegrasi penuh dengan OneLake. | Database | Data Penyimpanan SQL Disimpan | Latar belakang |
Gudang Data
Satu inti Gudang Data Fabric (unit komputasi untuk Gudang Data) setara dengan dua Unit Kapasitas Fabric (CUs).
| Operasi | Deskripsi | Barang | Pengukur tagihan Azure | Jenis |
|---|---|---|---|---|
| Pertanyaan Gudang | Menghitung biaya untuk semua pernyataan T-SQL yang dihasilkan oleh pengguna dan sistem dalam Gudang. | Gudang | CU Penggunaan Kapasitas Gudang Data | Latar belakang |
| Kueri Titik Akhir SQL | Menghitung biaya untuk semua pernyataan T-SQL yang dihasilkan oleh pengguna dan sistem dalam titik akhir analitik SQL di Lakehouse. | Gudang | CU Penggunaan Kapasitas Gudang Data | Latar belakang |
Fabric API untuk GraphQL
Operasi GraphQL terdiri dari permintaan yang dilakukan pada API untuk item GraphQL oleh klien API. Setiap waktu pemrosesan operasi permintaan dan respons GraphQL dilaporkan dalam Unit Kapasitas (CUs) dalam hitungan detik dengan kecepatan sepuluh CUs per jam.
| Operasi | Deskripsi | Barang | Pengukur tagihan Azure | Jenis |
|---|---|---|---|---|
| Kueri | Hitung biaya untuk semua kueri GraphQL (baca) dan mutasi (tulis) yang dihasilkan oleh klien dalam API GraphQL | GraphQL | API Kapasitas Penggunaan Kueri GraphQL CU | Interaktif |
OneLake
Operasi komputasi One Lake mewakili transaksi yang dilakukan pada item One Lake. Tingkat konsumsi untuk setiap operasi bervariasi tergantung pada jenisnya. Untuk detail selengkapnya, lihat One Lake consumption.
| Operasi | Deskripsi | Barang | Pengukur Penagihan Azure | Jenis |
|---|---|---|---|---|
| OneLake Baca melalui Pengalihan | OneLake Read melalui Pengalihan | Beberapa | Penggunaan Kapasitas Operasi Membaca OneLake CU | Latar belakang |
| OneLake Read melalui Proksi | OneLake Read melalui Proksi | Beberapa | Operasi Baca OneLake melalui Penggunaan Kapasitas API CU | Latar belakang |
| OneLake Write melalui Pengalihan | OneLake Write melalui Pengalihan | Beberapa | CU Penggunaan Kapasitas Operasi Tulis OneLake | Latar belakang |
| Penulisan OneLake melalui Proksi | OneLake Write melalui Proksi | Beberapa | Operasi Penulisan OneLake melalui API Penggunaan Kapasitas CU | Latar belakang |
| OneLake Penulisan Iteratif melalui Pengalihan | OneLake "Iterative Write" melalui Pengalihan | Beberapa | Operasi Penulisan Berulang OneLake | Latar belakang |
| OneLake Pembacaan Iteratif melalui Pengalihan | Pembacaan Iteratif OneLake melalui Pengalihan | Beberapa | OneLake Operasi Baca Iteratif Penggunaan Kapasitas CU | Latar belakang |
| Operasi OneLake Lainnya | Operasi OneLake Lainnya | Beberapa | OneLake Operasi lainnya Kapasitas Penggunaan CU | Latar belakang |
| Operasi OneLake Lainnya melalui Pengalihan | Operasi OneLake Lainnya melalui Pengalihan | Beberapa | Operasi Lainnya di OneLake melalui Penggunaan Kapasitas CU API | Latar belakang |
| Penulisan Iteratif OneLake melalui Proksi | OneLake Iterative Write melalui Proksi | Beberapa | Operasi Penulisan Berulang di OneLake melalui Penggunaan Kapasitas API CU | Latar belakang |
| Pembacaan Berulang OneLake melalui Proksi | Pembacaan Iteratif OneLake melalui Proksi | Beberapa | Operasi Pembacaan Iteratif OneLake melalui Penggunaan Kapasitas CU API | Latar belakang |
| OneLake BCDR Baca melalui Proxy | OneLake BCDR Membaca melalui Proxy | Beberapa | Operasi Pembacaan OneLake BCDR melalui Penggunaan Kapasitas API CU | Latar belakang |
| Penulisan OneLake BCDR melalui Proksi | OneLake BCDR Write melalui Proksi | Beberapa | Operasi Tulis OneLake BCDR melalui CU Penggunaan Kapasitas API | Latar belakang |
| OneLake BCDR Read via Pengalihan | OneLake BCDR Membaca melalui Pengalihan | Beberapa | OneLake BCDR Membaca Operasi Kapasitas Penggunaan CU | Latar belakang |
| OneLake BCDR Write melalui Pengalihan | OneLake BCDR Write melalui Pengalihan | Beberapa | Penggunaan Kapasitas Operasi Tulis OneLake BCDR CU | Latar belakang |
| OneLake BCDR Pembacaan Iteratif melalui Proksi | OneLake BCDR Iterative Read melalui Proksi | Beberapa | Operasi Pembacaan Berulang OneLake BCDR melalui Penggunaan Kapasitas CU API | Latar belakang |
| OneLake BCDR Iterative Read melalui Pengalihan | OneLake BCDR Iterative Read melalui Pengalihan | Beberapa | Kapasitas Penggunaan Operasi Baca Iteratif OneLake BCDR CU | Latar belakang |
| OneLake BCDR Iterative Write melalui Proksi | Penulisan Iteratif BCDR OneLake melalui Proksi | Beberapa | Operasi Penulisan Berulang OneLake BCDR melalui CU Penggunaan Kapasitas API | Latar belakang |
| OneLake BCDR Iterative Write melalui Pengalihan Arah | OneLake BCDR Penulisan Iteratif dengan Pengalihan | Beberapa | OneLake BCDR Operasi Tulis Iteratif Kapasitas Penggunaan CU | Latar belakang |
| Operasi OneLake BCDR Lainnya | Operasi OneLake BCDR Lainnya | Beberapa | OneLake BCDR Operasi Lainnya Penggunaan Kapasitas CU | Latar belakang |
| OneLake BCDR Operasi-Operasi Lain Terkait Melalui Pengalihan | Operasi Lainnya OneLake BCDR Melalui Pengalihan | Beberapa | Operasi Lain OneLake BCDR melalui Penggunaan Kapasitas CU API | Latar belakang |
Power BI
Penggunaan untuk setiap operasi dilaporkan dalam waktu pemrosesan CU dalam detik. Delapan CUs setara dengan satu Power BI v-core.
Catatan
Istilah Model semantik menggantikan istilah himpunan data. Anda mungkin masih melihat istilah lama di UI sampai benar-benar diganti.
Saat ini kami tidak menagih untuk visual R/Py di Power BI.
| Operasi | Deskripsi | Barang | Pengukur tagihan Azure | Jenis |
|---|---|---|---|---|
| Kecerdasan buatan (AI) | Evaluasi fungsi AI | Kecerdasan Buatan | Penggunaan Kapasitas Power BI (CU) | Interaktif |
| Kueri latar belakang | Kueri untuk me-refresh petak peta dan membuat rekam jepret laporan | Model semantik | Penggunaan Kapasitas Power BI CU | Latar belakang |
| Dataflow DirectQuery | Menyambungkan langsung ke aliran data tanpa perlu mengimpor data ke dalam model semantik | Aliran Data Gen1 | Penggunaan Kapasitas Power BI CU | Interaktif |
| Penyegaran Dataflow | Refresh aliran data latar belakang sesuai permintaan atau terjadwal, yang dilakukan oleh layanan atau dengan REST API. | Aliran Data Gen1 | Penggunaan Kapasitas Power BI CU | Latar belakang |
| Pemutakhiran sesuai permintaan model semantik | Penyegaran model semantik di latar belakang yang diinisiasi oleh pengguna, menggunakan layanan, REST API, atau titik akhir XMLA publik. | Model semantik | CU Penggunaan Kapasitas Power BI | Latar belakang |
| Refresh terjadwal model semantik | Refresh model semantik latar belakang terjadwal, yang dilakukan oleh layanan, REST API, atau titik akhir XMLA publik | Model semantik | CU Penggunaan Kapasitas Power BI | Latar belakang |
| Langganan email laporan lengkap | Salinan PDF atau PowerPoint dari seluruh laporan Power BI, dilampirkan ke langganan email | Laporan | Penggunaan Kapasitas Power BI CU | Latar belakang |
| Kueri interaktif | Kueri dimulai oleh permintaan data sesuai permintaan. Misalnya, memuat model saat membuka laporan, interaksi pengguna dengan laporan, atau mengkueri himpunan data sebelum penyajian. Memuat model semantik mungkin dilaporkan sebagai operasi kueri interaktif mandiri. | Model semantik | Penggunaan Kapasitas Power BI CU | Interaktif |
| PublicApiExport | Laporan Power BI yang diekspor dengan export report to file REST API | Laporan | Penggunaan Kapasitas Power BI CU | Latar belakang |
| Render | Laporan paginasi Power BI yang diekspor dengan ekspor laporan paginasi ke berkas REST API | Laporan yang diberi nomor halaman | CU Penggunaan Kapasitas Power BI | Latar belakang |
| Render | Laporan Power BI yang dipaginasi ditampilkan di layanan Power BI | Laporan yang diberi nomor halaman | Penggunaan Kapasitas Power BI CU | Interaktif |
| Pembacaan pemodelan web | Operasi baca model data dalam pengalaman pengguna pemodelan web model semantik | Model semantik | CU Penggunaan Kapasitas Power BI | Interaktif |
| Penulisan pemodelan web | Operasi penulisan model data dalam pengalaman pengguna pemodelan web model semantik | Model semantik | Penggunaan Kapasitas Power BI CU | Interaktif |
| Baca XmlA | Operasi baca XMLA yang dimulai oleh pengguna, untuk permintaan dan penemuan data | Model semantik | Penggunaan Kapasitas Power BI CU | Interaktif |
| Penulisan XMLA | Operasi penulisan latar belakang XMLA yang mengubah model | Model semantik | CU Penggunaan Kapasitas Power BI | Latar belakang |
| Eksekusi visual pembuatan skrip Power BI | Visual R dan Python dijalankan ketika laporan Power BI dirender | Laporan pembuatan skrip Power BI | Kapasitas Memori yang Dioptimalkan oleh Spark (CU) | Interaktif |
Kecerdasan Waktu Nyata
Pengalaman Real-Time Intelligence berisi operasi untuk Eventstream, peristiwa Fabric, dan KQL Database serta KQL Queryset.
Eventstream
Anda dapat melihat tingkat konsumsi untuk Eventstream pada bagian Monitor konsumsi kapasitas untuk Microsoft Fabric Eventstream.
| Operasi | Deskripsi | Barang | Pengukur tagihan Azure | Jenis |
|---|---|---|---|---|
| Aliran Acara Per Jam | Biaya tetap | Eventstream | CU Penggunaan Kapasitas Eventstream | Latar belakang |
| Lalu Lintas Data Streaming Acara per GB | Ingress data & dan volume keluaran di saluran default dan turunan (Termasuk penyimpanan 24 jam) | Eventstream | Penggunaan Kapasitas CU untuk Lalu Lintas Data Eventstream | Latar belakang |
| Prosesor Aliran Acara Per Jam | Sumber daya komputasi yang digunakan oleh prosesor | Eventstream | Penggunaan Kapasitas Prosesor Eventstream CU | Latar belakang |
| Konektor Eventstream per vCore per Jam | Sumber daya komputasi yang dikonsumsi oleh konektor | Eventstream | Penggunaan Kapasitas Konektor Eventstream CU | Latar belakang |
Peristiwa fabric
Anda dapat menemukan tingkat konsumsi untuk peristiwa Fabric di Konsumsi kapasitas peristiwa Microsoft Fabric dan Azure.
| Operasi | Deskripsi | Barang | Pengukur tagihan Azure | Jenis |
|---|---|---|---|---|
| Operasi Acara | Operasi penerbitan, pengiriman, dan pemfilteran | Beberapa | Kecerdasan Waktu Nyata - Operasi Acara | Latar belakang |
| Pendengar Peristiwa | Waktu aktif pendengar peristiwa | Beberapa | Kecerdasan Waktu Nyata – Pemantau dan Pemberitahuan Peristiwa | Latar belakang |
KQL Database dan KQL Queryset
Anda dapat menemukan tingkat konsumsi untuk KQL Database di KQL Database consumption.
| Operasi | Deskripsi | Barang | Pengukur tagihan Azure | Jenis |
|---|---|---|---|---|
| Eventhouse UpTime | Pengukuran waktu saat Eventhouse aktif | Eventhouse | Penggunaan Kapasitas Eventhouse CU | Interaktif |
Spark
Dua Spark VCores (satu unit daya komputasi untuk Spark) sama dengan satu unit kapasitas (CU). Untuk memahami bagaimana operasi Spark menggunakan CUs, lihat kumpulan Spark.
| Operasi | Deskripsi | Barang | Pengukur tagihan Azure | Jenis |
|---|---|---|---|---|
| Operasi Lakehouse | Tabel pratinjau pengguna di penjelajah Lakehouse | Lakehouse | Penggunaan Kapasitas CU yang Dioptimalkan untuk Memori Spark | Latar belakang |
| Pemuatan tabel Lakehouse | Pengguna memuat tabel delta di penjelajah Lakehouse | Lakehouse | Penggunaan Kapasitas yang Dioptimalkan untuk Memori Spark | Latar belakang |
| Menjalankan notebook | Notebook berjalan secara manual oleh pengguna | Notebook | CU Penggunaan Kapasitas yang Dioptimalkan Memori Spark | Latar belakang |
| Notebook HC dijalankan | Notebook dijalankan dalam sesi Spark konkurensi yang tinggi | Buku catatan | CU Penggunaan Kapasitas yang Dioptimalkan Memori Spark | Latar belakang |
| Penjadwalan notebook | Eksekusi buku catatan dipicu oleh peristiwa terjadwal yang terkait dengan buku catatan | Notebook | Penggunaan Kapasitas yang Dioptimalkan untuk Memori Spark | Latar belakang |
| Eksekusi alur buku catatan | Eksekusi notebook dipicu oleh pipa | Buku catatan | Penggunaan Kapasitas Memori dioptimalkan Spark CU | Latar belakang |
| Notebook VS Code berjalan | Notebook berjalan di Visual Studio Code. | Notebook | Kapasitas Penggunaan yang Dioptimalkan untuk Memori Spark CU | Latar belakang |
| Pekerjaan Spark dijalankan | Pekerjaan batch Spark berjalan yang dimulai oleh pengiriman pengguna | Definisi Pekerjaan Spark | Penggunaan Kapasitas yang Dioptimalkan Memori Spark CU | Latar belakang |
| Pelaksanaan tugas Spark yang dijadwalkan | Pekerjaan batch yang dijalankan dipicu oleh penjadwalan peristiwa pada notebook | Definisi Pekerjaan Spark | CU Penggunaan Kapasitas yang Dioptimalkan Memori Spark | Latar belakang |
| Menjalankan rangkaian pekerjaan Spark | Batch job berjalan dipicu oleh rangkaian proses | Definisi Pekerjaan Spark | Memori Spark yang Dioptimalkan untuk Penggunaan Kapasitas CU | Latar belakang |
| Pekerjaan Spark vs Code berjalan | Definisi kerja Spark yang dikirimkan dari Visual Studio Code | Definisi Pekerjaan Spark | Penggunaan Kapasitas yang Dioptimalkan untuk Memori Spark (CU) | Latar belakang |