Stofhandlinger
Hver oplevelse i Microsoft Fabric understøtter unikke handlinger. En handlings forbrugsrate er det, der konverterer brugen af oplevelsens rå målepunkter til Beregningsenheder (CU).
Siden med beregning af Microsoft Fabric Capacity Metrics-appen giver et overblik over din kapacitets ydeevne og viser Fabric-handlinger, der forbruger beregningsressourcer.
Denne artikel indeholder en liste over disse handlinger efter erfaring og forklarer, hvordan de forbruger ressourcer i Fabric.
Interaktive handlinger og baggrundshandlinger
Microsoft Fabric opdeler handlinger i to typer, interaktiv og baggrund. I denne artikel beskrives disse handlinger, og forskellen mellem dem forklares.
Interaktive handlinger
Anmodninger og handlinger efter behov, der kan udløses af brugerinteraktioner med brugergrænsefladen, f.eks. datamodelforespørgsler, der genereres af rapportvisualiseringer, klassificeres som interaktive handlinger. De udløses normalt af brugerinteraktioner med brugergrænsefladen. En interaktiv handling udløses f.eks., når en bruger åbner en rapport eller klikker på et udsnit i en Power BI-rapport. Interaktive handlinger kan også udløses uden at interagere med brugergrænsefladen, f.eks. når du bruger SQL Server Management Studio (SSMS) eller et brugerdefineret program til at køre en DAX-forespørgsel.
Handlinger i baggrunden
Længere kørende handlinger, f.eks. semantiske model- eller dataflowopdateringer, klassificeres som handlinger i baggrunden . De kan udløses manuelt af en bruger eller automatisk uden brugerinteraktion. Handlinger i baggrunden omfatter planlagte opdateringer, interaktive opdateringer, REST-baserede opdateringer og XMLA-baserede opdateringshandlinger. Det forventes ikke, at brugerne venter på, at disse handlinger afsluttes. I stedet kan de vende tilbage senere for at kontrollere status for handlingerne.
Sådan læser du dette dokument
Hver oplevelse har en tabel, der viser handlingerne med følgende kolonner:
Operation – navnet på handlingen. Synlig i appen Microsoft Fabric Capacity Metrics.
Description – en beskrivelse af handlingen.
Item – det element, som denne handling kan anvendes på. Synlig i appen Microsoft Fabric Capacity Metrics.
Azure-faktureringsmåler – navnet på måleren på din Azure-faktura, der viser forbruget for denne handling.
Type – viser handlingens type. Handlinger klassificeres som interaktive handlinger eller baggrundshandlinger .
Når der er flere oplysninger om forbrugssatsen tilgængelige, vises der et link til dokumentet med disse oplysninger.
Stofhandlinger efter erfaring
Dette afsnit er opdelt i Fabric-oplevelse. Hver oplevelse havde en tabel, der viser dens handlinger.
Vigtigt
Forbrugssatserne kan ændres når som helst. Microsoft vil gøre en rimelig indsats for at give besked via mail eller via meddelelse i produktet. Ændringerne træder i kraft på den dato, der er angivet i Microsofts produktbemærkninger eller Microsoft Fabric-blog. Hvis en ændring af en Microsoft Fabric-arbejdsbelastningsforbrugsrate øger de kapacitetsenheder (CU), der kræves for at bruge en bestemt arbejdsbelastning, kan kunderne bruge de annulleringsmuligheder, der er tilgængelige for den valgte betalingsmetode.
Copilot i Fabric
Copilot handlinger er angivet i denne tabel. Du kan finde forbrugssatserne for Copilot forbrugCopilot.
| Operation | Description | Artikel | Azure-faktureringsmåler | Skriv |
|---|---|---|---|---|
| Copilot i Fabric | Beregningsomkostninger, der er knyttet til inputprompter og fuldførelse af output | Flere | Copilot i Fabric CU | Baggrund |
Data Factory
Data Factory-oplevelsen indeholder handlinger for Dataflow Gen2 og Pipelines.
Dataflow Gen2
Du kan finde forbrugshastighederne for Dataflow Gen2 i prisfastsættelsen for Dataflow Gen2 for Data Factory i Microsoft Fabric.
| Operation | Description | Artikel | Azure-faktureringsmåler | Skriv |
|---|---|---|---|---|
| Gen2-opdatering af dataflow | Beregningsomkostninger, der er knyttet til opdateringshandlingen For dataflow Gen2 | Dataflow Gen2 | Cu for forbrug af standardberegningskapacitet for dataflow | Baggrund |
| Beregning af dataflow i høj skala – SQL-slutpunktsforespørgsel | Forbrug, der er relateret til SQL-slutpunktet for det midlertidige lager Gen2-dataflow | Lagersted | Cu for beregningskapacitet for dataflow i høj skala | Baggrund |
Pipelines
Du kan finde forbrugssatserne for pipelines i priser på datapipelines for Data Factory i Microsoft Fabric.
| Operation | Description | Artikel | Azure-faktureringsmåler | Skriv |
|---|---|---|---|---|
| DataFlytning | Den mængde tid, der bruges af kopiaktiviteten i en Data Factory-pipeline, divideret med antallet af dataintegrationsenheder | Pipeline | Forbrug af dataflytningskapacitet CU | Baggrund |
| Aktivitetskørsel | Udførelse af en Data Factory-datapipelineaktivitet | Pipeline | Cu for kapacitetsforbrug af dataorkestreringskapacitet | Baggrund |
Data Warehouse
One Fabric Data Warehouse-kerne (beregningsenhed for Data Warehouse) svarer til to Fabric Capacity Units (CU'er).
| Operation | Description | Artikel | Azure-faktureringsmåler | Skriv |
|---|---|---|---|---|
| Lagerforespørgsel | Beregningsgebyr for alle brugeroprettede og systemoprettede T-SQL-sætninger i et lager | Lagersted | Cu for kapacitetsforbrug for data warehouse | Baggrund |
| SQL-slutpunktsforespørgsel | Beregningsgebyr for alle brugeroprettede og systemoprettede T-SQL-sætninger i SQL-analyseslutpunktet for en Lakehouse | Lagersted | Cu for kapacitetsforbrug for data warehouse | Baggrund |
Fabric API til GraphQL
GraphQL-handlinger består af anmodninger, der udføres på API for GraphQL-elementer af API-klienter. Hver GraphQL-behandlingstid for anmodnings- og svarhandlinger rapporteres i Kapacitetsenheder (CU'er) i sekunder med en hastighed på ti CU'er pr. time.
| Operation | Description | Artikel | Azure-faktureringsmåler | Skriv |
|---|---|---|---|---|
| Anmodning | Beregningsgebyr for alle genererede GraphQL-forespørgsler (læsninger) og mutationer (skrivninger) af klienter i en GraphQL-API | GraphQL | API til GraphQL Query Capacity Usage CU | Interaktiv |
OneLake
One Lake-beregningshandlinger repræsenterer de transaktioner, der udføres på One Lake-elementer. Forbrugshastigheden for hver handling varierer afhængigt af dens type. Du kan finde flere oplysninger i One Lake-forbrug.
| Operation | Description | Artikel | Azure Billing Meter | Skriv |
|---|---|---|---|---|
| OneLake Læs via omdirigering | OneLake Læs via omdirigering | Flere | Cu for kapacitetsforbrug for læsehandlinger i OneLake | Baggrund |
| OneLake Læs via proxy | OneLake Læs via proxy | Flere | OneLake Read Operations via API Capacity Usage CU | Baggrund |
| OneLake Skriv via omdirigering | OneLake Skriv via omdirigering | Flere | Cu for kapacitetsforbrug for OneLake-skrivehandlinger | Baggrund |
| OneLake Skriv via proxy | OneLake Skriv via proxy | Flere | OneLake-skrivehandlinger via CU for API-kapacitetsforbrug | Baggrund |
| OneLake Iterativ skrivning via omdirigering | OneLake Iterativ skrivning via omdirigering | Flere | OneLake-iterative skrivehandlinger | Baggrund |
| OneLake Iterative Read via Redirect | OneLake Iterative Read via Redirect | Flere | OneLake Iterative Read Operations Capacity Usage CU | Baggrund |
| OneLake Andre handlinger | OneLake Andre handlinger | Flere | OneLake Andre handlinger Kapacitetsforbrug CU | Baggrund |
| OneLake Andre handlinger via omdirigering | OneLake Andre handlinger via omdirigering | Flere | OneLake Andre handlinger via CU for API-kapacitetsforbrug | Baggrund |
| OneLake Iterativ skrivning via proxy | OneLake Iterativ skrivning via proxy | Flere | OneLake Iterative skrivehandlinger via CU for API-kapacitetsforbrug | Baggrund |
| OneLake Iterative Read via Proxy | OneLake Iterative Read via Proxy | Flere | OneLake Iterative Read Operations via CU for API-kapacitetsforbrug | Baggrund |
| OneLake BCDR Læs via proxy | OneLake BCDR Læs via proxy | Flere | OneLake BCDR Read Operations via API-kapacitetsforbrug CU | Baggrund |
| OneLake BCDR Skriv via proxy | OneLake BCDR Skriv via proxy | Flere | OneLake BCDR-skrivehandlinger via CU for API-kapacitetsforbrug | Baggrund |
| OneLake BCDR Læs via Omdirigering | OneLake BCDR Læs via Omdirigering | Flere | OneLake BCDR Read Operations Capacity Usage CU | Baggrund |
| OneLake BCDR Write via Redirect | OneLake BCDR Write via Redirect | Flere | OneLake BCDR-kapacitetsforbrug for kapacitetsforbrug for BCDR | Baggrund |
| OneLake BCDR Iterative Read via Proxy | OneLake BCDR Iterative Read via Proxy | Flere | OneLake BCDR Iterative Read Operations via CU for API-kapacitetsforbrug | Baggrund |
| OneLake BCDR Iterative Read via Redirect | OneLake BCDR Iterative Read via Redirect | Flere | OneLake BCDR Iterative Read Operations Capacity Usage CU | Baggrund |
| OneLake BCDR Iterativ skrivning via proxy | OneLake BCDR Iterativ skrivning via proxy | Flere | OneLake BCDR Iterative skrivehandlinger via CU for API-kapacitetsforbrug | Baggrund |
| OneLake BCDR Iterative Write via Redirect | OneLake BCDR Iterative Write via Redirect | Flere | OneLake BCDR Iterative Write Operations Capacity Usage CU | Baggrund |
| OneLake BCDR Andre handlinger | OneLake BCDR Andre handlinger | Flere | OneLake BCDR Andre handlinger Kapacitetsforbrug CU | Baggrund |
| OneLake BCDR Andre handlinger via omdirigering | OneLake BCDR Andre handlinger via omdirigering | Flere | OneLake BCDR Andre handlinger via API-kapacitetsforbrug CU | Baggrund |
Power BI
Forbruget for hver handling rapporteres i CU-behandlingstiden i sekunder. Otte CU'er svarer til én Power BI-v-kerne.
Bemærk
Udtrykket Semantisk model erstatter ordet datasæt. Du kan stadig se det gamle ord i brugergrænsefladen, indtil det er helt erstattet.
Vi fakturerer i øjeblikket ikke for R/Py-visualiseringer i Power BI.
| Operation | Description | Artikel | Azure-faktureringsmåler | Skriv |
|---|---|---|---|---|
| Kunstig intelligens (AI) | Evaluering af AI-funktion | AI | Cu for kapacitetsforbrug i Power BI | Baggrund |
| Baggrundsforespørgsel | Forespørgsler til opdatering af felter og oprettelse af snapshots af rapporter | Semantisk model | Cu for kapacitetsforbrug i Power BI | Baggrund |
| Dataflow DirectQuery | Opret direkte forbindelse til et dataflow uden at skulle importere dataene til en semantisk model | Dataflow Gen1 | Cu for kapacitetsforbrug i Power BI | Interaktiv |
| Opdatering af dataflow | En opdatering af dataflow efter behov eller planlagt baggrund, der udføres af tjenesten eller med REST API'er. | Dataflow Gen1 | Cu for kapacitetsforbrug i Power BI | Baggrund |
| Semantisk opdatering efter behov af semantisk model | En semantisk baggrundsopdatering af en semantisk model, der er startet af brugeren, ved hjælp af tjenesten, REST API'er eller offentlige XMLA-slutpunkter | Semantisk model | Cu for kapacitetsforbrug i Power BI | Baggrund |
| Planlagt opdatering af semantisk model | En planlagt semantisk modelopdatering i baggrunden, der udføres af tjenesten, REST API'er eller offentlige XMLA-slutpunkter | Semantisk model | Cu for kapacitetsforbrug i Power BI | Baggrund |
| Fuldt mailabonnement på rapport | En PDF- eller PowerPoint-kopi af en hel Power BI-rapport, der er knyttet til et mailabonnement | Rapport | Cu for kapacitetsforbrug i Power BI | Baggrund |
| Interaktiv forespørgsel | Forespørgsler, der er startet af en dataanmodning efter behov. Det kan f.eks. være indlæsning af en model, når du åbner en rapport, brugerinteraktion med en rapport eller forespørger et datasæt før gengivelse. | Semantisk model | Cu for kapacitetsforbrug i Power BI | Interaktiv |
| PublicApiExport | En Power BI-rapport, der eksporteres med REST API'en til eksport af rapporten til filen | Rapport | Cu for kapacitetsforbrug i Power BI | Baggrund |
| Gengivelse | En sideinddelt Power BI-rapport, der eksporteres med den sideinddelte API til fileksport | Sideinddelt rapport | Cu for kapacitetsforbrug i Power BI | Baggrund |
| Gengivelse | En sideinddelt Power BI-rapport, der vises i Power BI-tjeneste | Sideinddelt rapport | Cu for kapacitetsforbrug i Power BI | Interaktiv |
| Læsning af webmodellering | Læsehandling for en datamodel i brugeroplevelsen for webmodellering af semantiske modeller | Semantisk model | Cu for kapacitetsforbrug i Power BI | Interaktiv |
| Skriv til webmodellering | En skrivehandling for en datamodel i brugeroplevelsen for webmodellering af semantiske modeller | Semantisk model | Cu for kapacitetsforbrug i Power BI | Interaktiv |
| XMLA-læsning | XMLA-læsehandlinger, der er startet af brugeren, for forespørgsler og opdagelser | Semantisk model | Cu for kapacitetsforbrug i Power BI | Interaktiv |
| XMLA-skrivning | En XMLA-skrivehandling i baggrunden, der ændrer modellen | Semantisk model | Cu for kapacitetsforbrug i Power BI | Baggrund |
Intelligence i realtid
Real-Time Intelligence-oplevelsen indeholder handlinger for eventstreams, Fabric-hændelser og KQL-database og KQL-forespørgselssæt.
Eventstreams
Du kan finde forbrugsraterne for eventstreams i Overvåg kapacitetsforbrug for Microsoft Fabric-eventstreams.
| Operation | Description | Artikel | Azure-faktureringsmåler | Skriv |
|---|---|---|---|---|
| Hændelsesstream pr. time | Indtagelse eller behandling for Eventstream | Eventstream | eventstream Capacity Usage CU | Baggrund |
| Hændelsesstreamdatatrafik pr. GB | Dataindgang og udgående data | Eventstream | eventstream Data Traffic per GB Capacity Usage CU | Baggrund |
| Hændelsesstreamprocessor pr. time | ASA-behandling | Eventstream | eventstreams Cu for processorkapacitet | Baggrund |
Fabric-begivenheder
Du kan finde forbrugsraterne for Fabric-begivenheder i kapacitetsforbruget for Microsoft Fabric- og Azure-hændelser.
| Operation | Description | Artikel | Azure-faktureringsmåler | Skriv |
|---|---|---|---|---|
| Hændelseshandlinger | Udgivelses-, leverings- og filtreringshandlinger | Flere | Realtidsintelligens – hændelseshandlinger | Baggrund |
| Hændelseslyttefunktion | Hændelseslyttefunktionens oppetid | Flere | Realtidsintelligens – hændelseslytte og besked | Baggrund |
KQL-database og KQL-forespørgselssæt
Du kan finde forbrugssatserne for KQL Database i KQL Database-forbrug.
| Operation | Description | Artikel | Azure-faktureringsmåler | Skriv |
|---|---|---|---|---|
| Oppetid for eventhouse | Måling af det tidspunkt, hvor Event House er aktivt | Begivenhedshus | Cu for kapacitetsforbrug for hændelseshus | Interaktiv |
Spark
Two Spark VCores (en enhed med beregningskraft til Spark) svarer til én kapacitetsenhed (CU). Du kan finde oplysninger om, hvordan Spark-handlinger forbruger CPU'er, i spark-puljer.
| Operation | Description | Artikel | Azure-faktureringsmåler | Skriv |
|---|---|---|---|---|
| Lakehouse-operationer | Brugere får vist en eksempeltabel i Lakehouse Explorer | Lakehouse | Cu for optimeret kapacitetsforbrug for spark-hukommelse | Baggrund |
| Lakehouse-tabelbelastning | Brugere indlæser deltatabel i Lakehouse Explorer | Lakehouse | Cu for optimeret kapacitetsforbrug for spark-hukommelse | Baggrund |
| Kørsel af notesbog | Notesbog køres manuelt af brugere | Notesbog | Cu for optimeret kapacitetsforbrug for spark-hukommelse | Baggrund |
| HC-kørsel af notesbog | Kørsel af notesbog under Spark-sessionen med høj samtidighed | Notesbog | Cu for optimeret kapacitetsforbrug for spark-hukommelse | Baggrund |
| Planlagt kørsel af notesbog | Kørsel af notesbog udløst af planlagte hændelser for notesbogen | Notesbog | Cu for optimeret kapacitetsforbrug for spark-hukommelse | Baggrund |
| Kørsel af notesbogpipeline | Kørsel af notesbog udløst af pipeline | Notesbog | Cu for optimeret kapacitetsforbrug for spark-hukommelse | Baggrund |
| Kørsel af VS Code for notesbog | Notesbog kører i VS Code. | Notesbog | Cu for optimeret kapacitetsforbrug for spark-hukommelse | Baggrund |
| Kørsel af Spark-job | Spark-batchjobkørsler, der er startet af brugerindsendelse | Definition af Spark-job | Cu for optimeret kapacitetsforbrug for spark-hukommelse | Baggrund |
| Spark-job med planlagt kørsel | Batchjobkørsler, der udløses af planlagte hændelser for notesbogen | Definition af Spark-job | Cu for optimeret kapacitetsforbrug for spark-hukommelse | Baggrund |
| Kørsel af Spark-jobpipeline | Batchjobkørsler udløst af pipeline | Definition af Spark-job | Cu for optimeret kapacitetsforbrug for spark-hukommelse | Baggrund |
| Kørsel af Spark-job-VS Code | Spark-jobdefinition sendt fra VS Code | Definition af Spark-job | Cu for optimeret kapacitetsforbrug for spark-hukommelse | Baggrund |