Direct Lake -yleiskatsaus
Direct Lake on Semanttisen Power BI -mallin taulukoiden tallennustilan tilavaihtoehto, joka on tallennettu Microsoft Fabric -työtilaan. Se on optimoitu suurille tietomäärille, jotka voidaan ladata nopeasti muistiin Delta -taulukoista, jotka tallentavat tietonsa Parquet-tiedostoihin OneLake, joka on kaikkien analyysitietojen yksittäinen säilö. Kun semanttinen malli on ladattu muistiin, semanttinen malli mahdollistaa suuren suorituskyvyn kyselyt. Direct Lake poistaa hitaan ja kalliin tarpeen tuoda tietoja malliin.
Direct Lake -tallennustilan tilan avulla voit yhdistää yhden Fabric Lakehouse - tai Fabric -varaston taulukoihin tai näkymiin. Kumpikin näistä Fabric-kohteista ja Direct Laken semanttisista malleista edellyttää Fabric -kapasiteetin käyttöoikeutta.
Semanttinen Direct Lake -malli muistuttaa jollain tavalla semanttista Tuonti-mallia. Tämä johtuu siitä, että VertiPaq-moduuli lataa mallitiedot muistiin kyselyjen nopeaa suorituskykyä varten (lukuun ottamatta DirectQuery-varatoimintoa, mikä selitetään myöhemmin tässä artikkelissa).
Semanttinen Direct Lake -malli eroaa kuitenkin tuonnin semanttisesta mallista tärkeällä tavalla. Tämä johtuu siitä, että Direct Lake -semanttisen mallin päivitystoiminto poikkeaa käsitteellisesti tuonnin semanttisen mallin päivitystoiminnosta. Semanttisen Direct Lake -mallin päivitykseen liittyy määritystoiminto (kuvataan myöhemmin tässä artikkelissa), jonka suorittaminen voi kestää muutamia sekunteja. Se on halpa toiminto, jossa semanttinen malli analysoi Delta-taulukoiden uusimman version metatiedot ja päivitetään viittaamaan OneLaken uusimpiin tiedostoihin. Tuonti-semanttisen mallin kohdalla päivitys sen sijaan tuottaa tiedoista kopion, mikä voi kestää huomattavasti aikaa ja kuluttaa merkittävästi tietolähde- ja kapasiteettiresursseja (muisti ja suoritin).
Muistiinpano
semanttisen tuontimallin lisäävän päivityksen voivat auttaa lyhentämään kapasiteettiresurssien päivitysaikaa ja käyttöä.
Milloin kannattaa käyttää Direct Lake -tallennustilaa?
Direct Lake -tallennustilan ensisijainen käyttötapaus on yleensä IT-perustuvissa analytiikkaprojekteissa, jotka käyttävät järvikeskeisiä arkkitehtuureja. Tässä skenaariossa sinulla on – tai oletat kerääväsi – suuria tietomääriä OneLakessa. Näiden tietojen nopea lataaminen muistiin, usein toistuvat ja nopeat päivitystoiminnot, kapasiteetin resurssien tehokas käyttö ja nopea kyselyjen suorituskyky ovat kaikki tärkeitä tässä käyttötapauksessa.
Muistiinpano
Semanttiset tuonti- ja DirectQuery-mallit ovat edelleen merkityksellisiä Fabricissa, ja ne ovat joissakin tilanteissa oikea valinta semanttiseen malliin. Esimerkiksi Tuonnin tallennustila toimii usein hyvin omatoimiiselle analyytikolle, joka tarvitsee vapautta ja ketteryyttä toimiakseen nopeasti ja ilman riippuvuutta IT-tietoelementteihin uusien tietoelementtien lisäämiseksi.
Lisäksi OneLake-integrointi kirjoittaa automaattisesti tuontitallennustilan taulukoiden tiedot OneLaken Delta-taulukoihin ilman siirtotoimia. Tämän vaihtoehdon avulla voit hyödyntää monia Fabricin etuja, jotka ovat semanttisten mallikäyttäjien käytettävissä, kuten integrointi lakehouse-taloihin pikakuvakkeiden, SQL-kyselyjen ja muistikirjojen kautta. Suosittelemme, että pidät tätä vaihtoehtoa nopeana tapana hyödyntää Fabricin etuja ilman, että suunnittelet olemassa olevaa tietovarastoa ja/tai analytiikkajärjestelmääsi heti uudelleen.
Direct Lake -tallennustila soveltuu myös tietojen viiveen minimointiin, jotta tiedot saadaan nopeasti yrityskäyttäjien saataville. Jos Delta-taulukoita muokataan ajoittain (ja olettaen, että olet jo valmisellut tietoja Data Lakessa), voit luottaa siihen, automaattiset päivitykset uudelleen näiden muutosten johdosta. Tässä tapauksessa semanttiseen malliin lähetetyt kyselyt palauttavat uusimmat tiedot. Tämä ominaisuus toimii hyvin yhdessä Power BI -raporttien automaattisen sivun päivityksen ominaisuuden kanssa.
Muista, että Direct Lake riippuu datan valmistelusta Data Lake -tallennustilassa. Tietojen valmistelu voidaan tehdä erilaisilla työkaluilla, kuten Spark-työt Fabric lakehouseille, T-SQL DML -lausekkeet Fabric-varastoille, tietovoille, putkille ja muille. Tämä lähestymistapa auttaa varmistamaan, että tietojen valmistelulogiikka suoritetaan arkkitehtuurissa mahdollisimman matalalla uudelleenkäytettävyyden maksimoimiseksi. Jos semanttisen mallin tekijä ei kuitenkaan pysty muokkaamaan lähdekohdetta, esimerkiksi jos omatoimisella analyytikolla ei ole kirjoitusoikeuksia IT-järjestelmän hallitsemaan lakehouse-tallennustilaan, tuontitallennustilan tila voi olla parempi vaihtoehto. Tämä johtuu siitä, että se tukee tietojen valmistelua käyttämällä Power Queryä, joka on määritetty osana semanttista mallia.
Muista ottaa huomioon nykyinen Fabric -kapasiteetin käyttöoikeutesi ja fabrickapasiteetin suojakaiteet Direct Lake -tallennustilaa harkittaessa. Ota huomioon myös huomioitavat asiat ja rajoitukset, jotka kuvataan myöhemmin tässä artikkelissa.
Juomaraha
Suosittelemme, että luot prototyypintai soveltuvuusselvityksen sen määrittämiseksi, onko Direct Lake -semanttinen malli oikea ratkaisu, ja pienentämään riskejä.
Miten Direct Lake toimii?
Yleensä Direct Lake -semanttiseen malliin lähetetyt kyselyt käsitellään Delta-taulukoista peräisin olevien sarakkeiden välimuistista. Delta-taulukon pohjana oleva tallennustila on vähintään yksi Parquet-tiedosto OneLakessa. Parquet-tiedostot järjestävät tiedot sarakkeiden mukaan rivien sijaan. Semanttiset mallit lataavat kokonaisia sarakkeita Delta-taulukoista muistiin, koska kyselyt vaativat niitä.
Semanttisessa Direct Lake -mallissa voidaan myös käyttää DirectQuery-varamallia, jolloin siirrytään saumattomasti DirectQuerytilaan. DirectQuery-varajoukko noutaa tiedot suoraan Lakehouse-tai varaston SQL-analytiikan päätepisteestä. Vara varautumista voi ilmetä esimerkiksi silloin, kun Delta-taulukko sisältää enemmän tietorivejä kuin Fabric-kapasiteettisi tukee (kuvataan myöhemmin tämän artikkelin). Tässä tapauksessa DirectQuery-toiminto lähettää kyselyn SQL-analytiikan päätepisteeseen. Varatoiminnot saattavat hidastaa kyselyn suorituskykyä.
Seuraavassa kaaviossa esitetään Direct Laken toiminta käyttämällä skenaariota käyttäjälle, joka avaa Power BI -raportin.
Kaaviossa esitetään seuraavat käyttäjän toiminnot, prosessit ja ominaisuudet.
| Kohta | Kuvaus |
|---|---|
|
OneLake on Data Lake -tallennustila, joka tallentaa analytiikkatiedot Parquet-muodossa. Tämä tiedostomuoto optimoitu Direct Lake -semanttisten mallien tietojen tallentamista varten. |
|
Fabric Lakehouse- tai Fabric-varasto sijaitsee Fabric-kapasiteetin työtilassa. Lakehousessa on SQL-analytiikan päätepiste, joka tarjoaa SQL-pohjaisen kyselykokemuksen. Taulukot (tai näkymät) ovat keino tehdä kyselyjä OneLaken Delta-taulukoista käyttämällä Transact-SQL (T-SQL). |
|
Fabric-työtilassa on semanttinen Direct Lake -malli. Se muodostaa yhteyden joko lakehousen tai varaston taulukoihin tai näkymiin. |
|
Käyttäjä avaa Power BI -raportin. |
|
Power BI -raportti lähettää DATA Analysis Expressions (DAX) -kyselyjä Direct Lake -semanttiseen malliin. |
|
Kun semanttinen malli on mahdollista (ja tarpeen), semanttinen malli lataa sarakkeet muistiin suoraan OneLakeen tallennetuista Parquet-tiedostoista. Kyselyillä saavutetaan muistissa oleva suorituskyky, mikä on hyvin nopeaa. |
|
Semanttinen malli palauttaa kyselyn tulokset. |
|
Power BI -raportti hahmontaa visualisoinnit. |
|
Tietyissä tilanteissa, kuten silloin, kun semanttinen malli ylittää kapasiteetin suojakaiteet, semanttiset mallikyselyt palaavat automaattisesti DirectQuery-tilaan. Tässä tilassa kyselyt lähetetään Lakehousen tai varaston SQL-analytiikan päätepisteeseen. |
|
SQL-analytiikan päätepisteeseen lähetetyt DirectQuery-kyselyt puolestaan kyselevät OneLaken Delta-taulukoita. Tästä syystä kyselyn suorituskyky voi olla hitaampi kuin muistissa olevien kyselyiden. |
Seuraavissa osioissa kuvataan Direct Laken käsitteitä ja ominaisuuksia, kuten sarakkeiden lataaminen, kehystys, automaattiset päivitykset ja DirectQueryn varaversio.
Sarakkeiden lataaminen (koodaus)
Semanttiset Direct Lake -mallit lataavat tietoja OneLakesta vain, kun sarakkeista tehdään kyselyjä ensimmäistä kertaa. Tietojen lataamista pyydettäessä OneLakesta kutsutaan transkoodaukseksi.
Kun semanttinen malli vastaanottaa DAX-kyselyn (tai MDX-lausekkeet, Multidimensional Expressions), se määrittää ensin, mitä sarakkeita tarvitaan kyselyn tuloksen tuottamiseen. Mitä tahansa kyselyn suoraan käyttämää saraketta ja myös yhteyksien ja mittareiden tarvitsemia sarakkeita. Yleensä kyselyn tuloksen tuottamiseen tarvittavien sarakkeiden määrä on huomattavasti pienempi kuin semanttisessa mallissa määritettyjen sarakkeiden määrä.
Kun se ymmärtää, mitä sarakkeita tarvitaan, semanttinen malli määrittää, mitkä sarakkeet ovat jo muistissa. Jos kyselyn edellyttämät sarakkeet eivät ole muistissa, semanttinen malli lataa kaikki tiedot näille sarakkeille OneLakesta. Saraketietojen lataaminen on yleensä nopea toiminto, mutta se voi riippua eri tekijöistä, kuten sarakkeisiin tallennettujen tietojen kardinaliteetista.
Muistiin ladatut sarakkeet sitten asukkaiden muistissa. Tulevissa kyselyissä, joihin liittyy vain asukassarakkeita, ei tarvitse ladata enempää sarakkeita muistiin.
Sarake on asukas, kunnes se poistetaan (häädetään) muistista siihen saakka, kunnes se poistetaan. Syitä sarakkeiden poistamiseen ovat esimerkiksi seuraavat:
- Malli tai taulukko päivitettiin lähteen Delta-taulukon päivityksen jälkeen (katso Framing seuraavassa osassa).
- Yksikään kysely ei käyttänyt saraketta hetkeen.
- Muita muistinhallintasyitä, kuten muista samanaikaisista toiminnoista johtuva muistinhallintapaine kapasiteetissa.
Fabric SKU -valintasi määrittää kapasiteetin kunkin Direct Lake -semanttisen mallin käytettävissä olevan enimmäismuistin. Lisätietoja resurssien suojakaiteesta ja muistin enimmäisrajasta on tämän artikkelin kohdassa Fabric-kapasiteetin suojakaiteet ja rajoitukset, joita.
Kehystys
Framing tarjoaa mallien omistajille ajankohtaisen hallinnan siitä, mitä tietoja semanttiseen malliin ladataan. Framing on semanttisen mallin uudelleen lataamisen käynnistämä Direct Lake -toiminto, jonka suorittaminen useimmiten kestää vain muutaman sekunnin. Tämä johtuu siitä, että kyseessä on halpa toiminto, jossa semanttinen malli analysoi Delta Lake -taulukoiden uusimman version metatiedot ja päivitetään viittaamaan OneLaken uusimpiin Parquet-tiedostoihin.
Kun kehystää, asukastaulukon sarakkeen segmentit ja sanastot saatetaan häätää muistista, jos pohjana olevat tiedot ovat muuttuneet ja päivityksen ajankohtasta tulee uusi perustaso kaikille tuleville transkoodaustapahtumille. Tästä alkaen Direct Lake -kyselyt ottavat huomioon Delta-taulukoiden tiedot vain viimeisimmän kehystoiminnon ajankohdalta. Tästä syystä Direct Lake -taulukoihin tehdään kysely, jotta ne palauttavat tietoja, jotka perustuvat Delta-taulukon tilaan, viimeisimmän määritystoiminnon. Se aika ei välttämättä ole Delta-taulukoiden viimeisin tila.
Huomaa, että semanttinen malli analysoi jokaisen Delta-taulukon Delta-lokin analyysin aikana pudottaakseen vain kyseiset sarakesegmentit ja ladatakseen juuri lisätyt tiedot uudelleen koodauksen aikana. Tärkeä optimointi on se, että sanastoja ei yleensä pudoteta pois, kun lisäävä framing tulee voimaan, ja olemassa oleviin sanasankoihin lisätään uusia arvoja. Tämä lisäävä kehysmenetelmä auttaa vähentämään lataustaakkaa ja hyödyttää kyselyn suorituskykyä. Ihanteellisessa tapauksessa, kun Delta-taulukko ei saanut päivityksiä, uudelleenlataamista ei tarvita niille sarakkeille, jotka ovat jo muistissa, ja kyselyt osoittavat selvästi vähemmän suorituskykyvaikutuksia kehyksen muodostamisen jälkeen, koska lisäävä veljeskunta antaa semanttisen mallin pääasiassa päivittää tärkeät osat olemassa olevista muistissa olevista tiedoista.
Seuraavasta kaaviosta näet, miten Direct Laken framing-toiminnot toimivat.
Kaaviossa esitetään seuraavat prosessit ja ominaisuudet.
| Kohta | Kuvaus |
|---|---|
|
|
Fabric-työtilassa on semanttinen malli. |
|
|
Määritystoiminnot suoritetaan säännöllisesti, ja ne määrittävät perustason kaikille tuleville transkoodausta tapahtumille. Framing-toiminnot voivat tapahtua automaattisesti, manuaalisesti, aikataulussa tai ohjelmallisesti. |
|
|
OneLake tallentaa metatiedot ja Parquet-tiedostot, jotka esitetään Delta-taulukkoina. |
|
|
Viimeinen framing-toiminto sisältää Parquet-tiedostot, jotka liittyvät Delta-taulukoihin, ja erityisesti Parquet-tiedostot, jotka lisättiin ennen viimeistä kehystoimintoa. |
|
|
Myöhempi framing-toiminto sisältää Parquet-tiedostot, jotka on lisätty viimeisimmän kehystoiminnon jälkeen. |
|
|
Semanttisen Direct Lake -mallin asukassarakkeet saatetaan häätää muistista ja päivityksen ajankohdasta tulee uusi perusarvo kaikille tuleville muuntotapahtumille. |
|
|
Seuraavat tietojen muutokset, joita edustavat uudet Parquet-tiedostot, eivät näy ennen seuraavaa muotoilutoimintoa. |
Ei ole aina toivottavaa, että tiedot edustavat minkään Delta-taulukon viimeisintä tilaa transkoodaustoiminnon yhteydessä. Huomaa, että framing voi auttaa sinua tarjoamaan yhdenmukaisia kyselytuloksia ympäristöissä, joissa Delta-taulukoiden tiedot ovat tilapäisiä. Tiedot voivat olla tilapäisiä useista syistä, kuten pitkäkestoisen poiminnan, muuntamisen ja lataamisen (ETL) prosessien tapahtuessa.
Direct Laken semanttisen mallin päivitys voidaan tehdä manuaalisesti, automaattisesti tai ohjelmallisesti. Lisätietoja on kohdassa Direct Laken semanttisten mallien päivittäminen .
Lisätietoja Delta-taulukon versioinnista ja todentamisesta on kohdassa Tutustu Direct Lake -semanttisten mallien tallennustilaan.
Automaattiset päivitykset
Direct Lake -taulukoiden automaattiseen päivittämiseen on olemassa semanttinen mallitason asetus. Se on oletusarvoisesti käytössä. Se varmistaa, että OneLaken tietojen muutokset näkyvät automaattisesti Direct Laken semanttisessa mallissa. Poista automaattiset päivitykset käytöstä, kun haluat hallita tietojen muutoksia kehystämällä, mikä selitettiin edellisessä osiossa. Jos haluat lisätietoja, katso Direct Lake -semanttisten mallien hallinta.
Juomaraha
Voit määrittää automaattisen sivun päivityksen Power BI -raporteissasi. Se on ominaisuus, joka päivittää automaattisesti tietyn raporttisivun, jos raportti muodostaa yhteyden semanttiseen Direct Lake -malliin (tai muuntyyppiseen semanttiseen malliin).
DirectQuery-vara varatila
Semanttiseen Direct Lake -malliin lähetetty kysely voi palata DirectQuerytilaan. Tässä tapauksessa se noutaa tiedot suoraan Lakehousen tai varaston SQL-analytiikan päätepisteestä. Tällaiset kyselyt palauttavat aina uusimmat tiedot, koska niitä ei ole rajoitettu viimeisimmän kehystoiminnon aikaan.
Kyselyn palauttaa aina, kun semanttinen malli tekee kyselyn SQL-analytiikan päätepisteen näkymään tai SQL-analytiikan päätepisteen taulukkoon, joka pakottaa rivitason suojauksen (RLS).
Kysely saattaa myös perääntyä, kun semanttinen malli ylittää kapasiteetinsuojakaiteet.
Tärkeä
Jos mahdollista, suunnittele ratkaisusi – tai koko kapasiteettisi – aina, jotta vältät DirectQueryn varatoiminnon. Tämä johtuu siitä, että se saattaa hidastaa kyselyn suorituskykyä.
Voit hallita Direct Laken semanttisten mallien varatoimintoa asettamalla sen DirectLakeBehavior ominaisuuden. Lisätietoja on kohdassa Direct Lake Behavior -ominaisuuden määrittäminen .
Fabric-kapasiteetin suojakaiteet ja rajoitukset
Semanttiset Direct Lake -mallit vaativat Fabric -kapasiteetin käyttöoikeuden. Fabric-kapasiteetin tilaukseen (SKU) liittyy myös kapasiteetin suojakaiteita ja rajoituksia, jotka esitetään seuraavassa taulukossa.
Tärkeä
Seuraavan taulukon ensimmäinen sarake sisältää myös Power BI Premium -kapasiteettitilaukset (P-varastointiyksiköt). Ota huomioon, että Microsoft vahvistaa ostovaihtoehtoja ja poistaa käytöstä Kapasiteettikohtaisen Power BI Premiumin. Uusien ja nykyisten asiakkaiden kannattaa harkita Fabric-kapasiteettitilausten (F-varastointiyksiköiden) ostamista.
Lisätietoja on ohjeaiheessa Power BI Premium -käyttöoikeuksien tulossa oleva tärkeä päivitys ja Power BI Premium -.
| Fabric SKU | Parquet-tiedostot taulukkoa kohden | Riviryhmät taulukkoa kohden | Rivit taulukkoa kohti (miljoonia) | Mallin enimmäiskoko levyllä/OneLakessa (Gt) | Muistin enimmäisarvo (Gt) 1 |
|---|---|---|---|---|---|
| F2 | 1,000 | 1,000 | 300 | 10 | 3 |
| F4 | 1,000 | 1,000 | 300 | 10 | 3 |
| F8 | 1,000 | 1,000 | 300 | 10 | 3 |
| F16 | 1,000 | 1,000 | 300 | 20 | 5 |
| F32 | 1,000 | 1,000 | 300 | 40 | 10 |
| F64/FT1/P1 | 5,000 | 5,000 | 1,500 | Rajaton | 25 |
| F128/P2 | 5,000 | 5,000 | 3,000 | Rajaton | 50 |
| F256/P3 | 5,000 | 5,000 | 6,000 | Rajaton | 100 |
| F512/P4 | 10,000 | 10,000 | 12,000 | Rajaton | 200 |
| F1024/P5 | 10,000 | 10,000 | 24,000 | Rajaton | 400 |
| F2048 | 10,000 | 10,000 | 24,000 | Rajaton | 400 |
1 semanttisten Direct Lake -mallien kohdalla Muistin enimmäismäärä edustaa muistin resurssien ylärajaa sille, kuinka paljon tietoja voidaan sivuta. Tästä syystä se ei ole suojakaide, koska sen ylittäminen ei aiheuta varautumista DirectQuery-tilaan; Tällä voi kuitenkin olla suorituskykyvaikutus, jos tietojen määrä on niin suuri, että se aiheuttaa liiallista sivutuskäyttöä OneLake-tietojen mallitiedoissa ja niissä.
Jos Mallin enimmäiskoko levyllä tai OneLake- ylittyy, kaikki semanttisen mallin kyselyt palaavat DirectQuery-tilaan. Kaikki muut taulukossa esitetyt suojakaiteet arvioidaan kyselyä kohden. Siksi on tärkeää, että optimoida Delta-taulukkosi ja Direct Lake -semanttisen mallin, jotta sinun ei tarvitsisi tarpeettomasti skaalata suurempaan Fabric-varastointiyksikköön (mikä kasvattaa kustannuksia).
Lisäksi kapasiteetin yksikköä ja Muistin enimmäismäärä kyselykohtaisia rajoituksia kohden koskee Direct Lake -semanttisia malleja. Lisätietoja on kohdassa Kapasiteettien ja SKU:t.
Huomioitavat asiat ja rajoitukset
Semanttiset Direct Lake -mallit esittävät joitakin huomioon otettavia seikkoja ja rajoituksia.
Muistiinpano
Direct Laken semanttisten mallien ominaisuudet ja ominaisuudet kehittyvät. Muista tarkistaa säännöllisesti, mikä on viimeisin huomioon otettavien seikkojen ja rajoitusten luettelo.
- Kun semanttinen Direct Lake -mallitaulukko muodostaa yhteyden SQL-analytiikan päätepisteen taulukkoon, joka ottaa käyttöön rivitason suojauksen (RLS), tähän mallitaulukkoon liittyvät kyselyt palataan aina DirectQuery-tilaan. Kyselyn suorituskyky voi olla hitaampi.
- Kun semanttinen Direct Lake -mallitaulukko muodostaa yhteyden SQL-analytiikan päätepisteen näkymään, tähän mallitaulukkoon liittyvät kyselyt palaavat aina DirectQuery-tilaan. Kyselyn suorituskyky voi olla hitaampi.
- Yhdistelmämallinnusta ei tueta. Tämä tarkoittaa sitä, että semanttisia Direct Lake -mallitaulukoita ei voi sekoittaa muissa tallennustiloissa olevien taulukoiden, kuten tuonti, DirectQuery tai kaksoistaulukko, kanssa (lukuun ottamatta erityistapauksia, joihin sisältyvät laskentaryhmät, entä jos -parametritja kenttäparametrit).
- Laskettuja sarakkeita ja laskettuja taulukoita, jotka viittaavat sarakkeisiin tai taulukoihin Direct Lake -tallennustilassa, ei tueta. laskentaryhmät,, entä jos -parametrit, ja kenttäparametrit, jotka luovat implisiittisesti laskettuja taulukoita ja laskettuja taulukoita, jotka eivät viittaa Direct Lake -sarakkeisiin tai -taulukoihin, tuetaan.
- Direct Lake -tallennustilan tilataulukot eivät tue monimutkaisia Delta-taulukon saraketyyppejä. Myös semanttisia binaarisia tyyppejä ja GUID-tunnuksia ei tueta. Nämä tietotyypit on muunnettava merkkijonoiksi tai muuksi tuetuksi tietotyypiksi.
- Taulukkosuhteet edellyttävät, että liittyvien sarakkeiden tietotyypit vastaavat toisiaan.
- Yhden puolen suhteiden sarakkeissa on oltava yksilöllisiä arvoja. Kyselyt epäonnistuvat, jos yhden puolen sarakkeesta havaitaan arvojen kaksoiskappaleita.
- automaattinen tietojen ja aikatietojen käyttö Power BI Desktopin ei ole tuettua. Tuetaan Oman päivämäärätaulukon merkitsemistä päivämäärätaulukoksi.
- Merkkijonosarakearvojen pituus on rajoitettu 32 764 Unicode-merkkiin.
- NaN liukulukuarvoa (ei lukua) ei tueta.
- Julkaise verkkoon Power BI - palvelun päänimen avulla on tuettu vain, kun käytössä on kiinteät käyttäjätiedot Direct Lake -semanttisen mallin.
- verkkomallinnuskokemuksen, semanttisten Direct Lake -mallien vahvistus on rajoitettu. Käyttäjän valintojen oletetaan olevan oikein, eikä kyselyjä anneta kardinaliteetin tai ristiinsuodatuksen suhteiden vahvistamiseksi tai merkityn päivämäärätaulukon valitulle päivämääräsarakkeelle.
- Fabric-portaalissa Direct Lake --välilehden päivityshistoriassa on vain Direct Lakeen liittyvät päivitysvirheet. Onnistuneita päivitystoimintoja ei luetella.
- Fabric-varastointiyksikkö määrittää kapasiteetin suurimman käytettävissä olevan muistin per Direct Lake -semanttinen malli. Kun raja ylitetään, semanttiseen malliin lähetetyt kyselyt voivat olla hitaampia mallitietojen liiallisen sivutuksen vuoksi.
- Direct Lake -semanttisen mallin luomista työtilaan, joka sijaitsee tietolähdetyötilan eri alueella, ei tueta. Jos Lakehouse sijaitsee esimerkiksi Yhdysvaltojen läntisessä keskiosassa, voit luoda semanttisia malleja vain tästä Lakehousesta samalla alueella. Vaihtoehtoinen menetelmä on luoda Lakehouse toisen alueen työtilaan ja pikakuvake taulukoihin ennen semanttisen mallin luomista. Jos haluat tarkistaa, millä alueella olet, katso etsiä Fabric-kotialueesi.
- Voit luoda ja tarkastella mukautettua semanttista Direct Lake -semanttista mallia palvelun päänimen käyttäjätietojen avulla, mutta semanttinen Direct Lake -oletusmalli ei tue palvelun päänimiä. Varmista, että palvelun päänimen todentaminen on käytössä vuokraajan Fabric REST -ohjelmointirajapinnoille, ja myönnä palvelun päänimelle Osallistuja tai suuremmat käyttöoikeudet Direct Laken semanttisen mallin työtilaan.
- Raporttien upottaminen edellyttää V2 -upotustunnusta.
- Direct Lake ei tue palvelun päänimiprofiileja todentamisessa.
- Palvelun päänimellä ja katselijalla luotuja mukautettuja Direct Lake -semanttisia malleja tuetaan, mutta semanttisia Direct Lake -oletusmalleja ei tueta.
Vertailu muihin tallennustiloihin
Seuraavassa taulukossa verrataan Direct Lake -tallennustilaa tuonti- ja DirectQuery-tallennustiloihin.
| Kykenevyys | Direct Lake | Tuoda | DirectQuery |
|---|---|---|---|
| Lisensointi | Fabric-kapasiteetin tilaus (vain SKU) | Mikä tahansa Fabric- tai Power BI -käyttöoikeus (mukaan lukien Microsoft Fabric Free -käyttöoikeudet) | Mikä tahansa Fabric- tai Power BI -käyttöoikeus (mukaan lukien Microsoft Fabric Free -käyttöoikeudet) |
| Tietolähde | Vain Lakehouse- tai varastotaulukot (tai näkymät) | Mikä tahansa liitin | Mikä tahansa DirectQuery-tilaa tukeva liitin |
| SQL-analytiikan päätepistenäkymiin yhdistäminen | Kyllä – mutta palaa automaattisesti DirectQuery-tilaan | Kyllä | Kyllä |
| Yhdistelmämallit | Ei 1 | Kyllä – voidaan yhdistää DirectQueryn tai kaksoistallennustilan taulukoihin | Kyllä – voidaan yhdistää tuonti- tai kaksoistallennustilan taulukoihin |
| Kertakirjautuminen (SSO) | Kyllä | Ei käytettävissä | Kyllä |
| Lasketut taulukot | Ei – paitsi laskentaryhmät,, entä jos -parametrit, ja kenttäparametrit, jotka luovat implisiittisesti laskettuja taulukoita | Kyllä | Ei – lasketut taulukot käyttävät Tuonti-tallennustilaa, vaikka ne viittaavat muihin taulukoihin DirectQuery-tilassa |
| Lasketut sarakkeet | Ei | Kyllä | Kyllä |
| Yhdistelmätaulukot | Ei | Kyllä | Kyllä |
| Mallitaulukon osiot | Ei – osioinnin voidaan kuitenkin tehdä Delta-taulukon tasolla | Kyllä – joko automaattisesti luotu lisäävällä päivityksellä tai manuaalisesti luotu XMLA-päätepisteen avulla | Ei |
| Käyttäjän määrittämät koosteet | Ei | Kyllä | Kyllä |
| SQL Analytics -päätepisteen objektitason suojaus tai saraketason suojaus | Kyllä – mutta kyselyt palaavat DirectQuery-tilaan ja saattavat tuottaa virheitä, kun käyttöoikeus hylätään | Kyllä – mutta päällekkäisten käyttöoikeuksien on oltava semanttisen mallin objektitason suojauksessa | Kyllä – mutta kyselyt saattavat aiheuttaa virheitä, kun käyttöoikeus hylätään |
| SQL Analytics -päätepisteen rivitason suojaus (RLS) | Kyllä – mutta kyselyt palaavat DirectQuery-tilaan | Kyllä – mutta käyttöoikeuksien on oltava kaksoiskappaleita semanttisen mallin rivitason suojauksen avulla | Kyllä |
| Semanttisen mallin rivitason suojaus (RLS) | Kyllä – mutta on erittäin suositeltavaa käyttää kiinteää käyttäjätietoa pilviyhteyttä | Kyllä | Kyllä |
| Semanttisen mallin objektitason suojaus (OLS) | Kyllä | Kyllä | Kyllä |
| Suuret tietomäärät ilman päivitysvaatimuksia | Kyllä | Vähemmän sopiva – kyselyihin ja päivityksiin saatetaan tarvita suurempi kapasiteetin koko | Kyllä |
| Tietojen viiveen pienentäminen | Kyllä – kun automaattiset päivitykset on käytössä, tai ohjelmallinen uudelleenjärjestely; tietojen valmistelu on kuitenkin tehtävä ensin | Ei | Kyllä |
| Power BI Embedded | Kyllä 2 | Kyllä | Kyllä |
1 Et voi yhdistää Direct Lake -tallennustilan taulukoita DirectQuery- tai Kaksoistaulukko-tallennustilan taulukoihin samaan semanttiseen malliin. Voit kuitenkin käyttää Power BI Desktopia yhdistelmämallin luomiseen semanttisessa Direct Lake -mallissa ja laajentaa sitä sitten uusilla taulukoilla (käyttämällä tuonti-, DirectQuery- tai kaksoistallennustilaa) tai laskutoimituksia. Lisätietoja on artikkelissa Yhdistelmämallin luominen semanttisella mallilla .
2 edellyttää V2-upotustunnusta. Jos käytät palvelun päänimeä, sinun on käytettävä kiinteitä käyttäjätietoja pilviyhteyttä.