Dela via


Nätverksåtgärder

Varje upplevelse i Microsoft Fabric stöder unika åtgärder. En åtgärds förbrukningshastighet är det som konverterar användningen av upplevelsens råmått till beräkningsenheter (CU).

Microsoft Fabric Capacity Metrics-appens beräkningssida ger en översikt över kapacitetens prestanda och visar en lista över infrastrukturåtgärder som förbrukar beräkningsresurser.

Den här artikeln innehåller en lista över dessa åtgärder baserat på erfarenhet och förklarar hur de förbrukar resurser inom Fabric-systemet.

Interaktiva åtgärder och bakgrundsåtgärder

Microsoft Fabric delar upp åtgärder i två typer, interaktiva och bakgrunder. Den här artikeln innehåller en lista över dessa åtgärder och förklarar skillnaden mellan dem.

Interaktiva åtgärder

Begäranden och åtgärder på begäran som kan utlösas av användarinteraktioner med användargränssnittet, till exempel datamodellfrågor som genereras av visuella rapportobjekt, klassificeras som interaktiva åtgärder. De utlöses vanligtvis av användarinteraktioner med användargränssnittet. Till exempel utlöses en interaktiv åtgärd när en användare öppnar en rapport eller väljer ett utsnitt i en Power BI-rapport. Interaktiva åtgärder kan också utlösas utan att interagera med användargränssnittet, till exempel när du använder SQL Server Management Studio (SSMS) eller ett anpassat program för att köra en DAX-fråga.

Bakgrundsåtgärder

Åtgärder som körs längre, till exempel semantisk modell eller dataflödesuppdateringar, klassificeras som bakgrundsåtgärder . De kan utlösas manuellt av en användare eller automatiskt utan användarinteraktion. Bakgrundsåtgärder omfattar schemalagda uppdateringar, interaktiva uppdateringar, REST-baserade uppdateringar och XMLA-baserade uppdateringsåtgärder. Användarna förväntas inte vänta tills de här åtgärderna har slutförts. I stället kan de komma tillbaka senare för att kontrollera status för åtgärderna.

Så här läser du det här dokumentet

Varje upplevelse har en tabell som visar dess åtgärder med följande kolumner:

  • Åtgärd – namnet på åtgärden. Visas i Kapacitetsmått för Microsoft Fabric-appen.

  • Beskrivning – En beskrivning av åtgärden.

  • Objekt – det objekt som den här åtgärden kan tillämpas på. Synlig i Microsoft Fabric Kapacitetsmått-appen.

  • Azure-faktureringsmätare – namnet på mätaren på din Azure-faktura som visar användning för den här åtgärden.

  • Type – visar en lista över typen av åtgärd. Åtgärder klassificeras som interaktiva åtgärder eller bakgrundsåtgärder .

När det finns mer information om förbrukningsfrekvensen finns en länk till dokumentet med den här informationen.

Operationer i infrastrukturen baserat på erfarenhet

Det här avsnittet är indelat i Fabric-upplevelsen. Varje upplevelse hade en tabell som visar dess åtgärder.

Viktigt!

Förbrukningsfrekvensen kan ändras när som helst. Microsoft kommer att använda rimliga ansträngningar för att meddela via e-post eller via produktmeddelande. Ändringarna ska gälla på det datum som anges i Microsofts viktig information eller Microsoft Fabric-blogg. Om någon ändring av en förbrukningstakt för Microsoft Fabric-arbetsbelastningar väsentligt ökar de kapacitetsenheter (CU) som krävs för att använda en viss arbetsbelastning kan kunderna använda de avbokningsalternativ som är tillgängliga för den valda betalningsmetoden.

Copilot i infrastrukturresurser

Copilot åtgärder visas i den här tabellen. Du hittar förbrukningsnivåerna för Copilot i Copilot förbrukning.

Operation beskrivning Artikel Azure-faktureringsmätare Typ
Copilot i infrastrukturresurser Beräkna kostnad associerad med inkommande instruktioner och slutförande av genererade svar. Flera Copilot i Fabric CU Bakgrund

Data Factory

Data Factory-upplevelsen innehåller åtgärder för Dataflöden Gen2 och Pipelines.

Dataflöden Gen2

Du hittar förbrukningspriser för Dataflöden Gen2 i Dataflow Gen2-priser för Data Factory i Microsoft Fabric.

Operation beskrivning Artikel Azure-faktureringsmätare Typ
Uppdatering av Dataflöde Gen2 Beräkningskostnad som är associerad med uppdateringsåtgärden för dataflödet Gen2 Dataflöde Gen2 Användning av standardkapacitet för databeräkning (CU) för dataflöden Bakgrund
Dataflödesberäkning i hög skala – SQL-slutpunktsfråga Användning relaterad till SQL-slutpunkten för dataflödet Gen2-mellanlagringslager Lager Beräkningskapacitet för dataflöden i stor skala CU-användning Bakgrund

Pipelines

Du hittar förbrukningsnivåerna för pipelines i datapipelintaxor för Data Factory i Microsoft Fabric.

Operation beskrivning Artikel Azure-faktureringsmätare Typ
DataMovement Hur lång tid kopieringsaktiviteten används i en Data Factory-pipeline dividerat med antalet dataintegreringsenheter Rörledning CU för användning av dataförflyttningskapacitet Bakgrund
ActivityRun Körning av en aktivitet i en datapipeline inom Data Factory Pipeline CU för kapacitet för dataorkestrering Bakgrund

Databaser

En Fabric-kapacitetsenhet = 0,383 SQL-databas vCores.

Operation beskrivning Artikel Azure-faktureringsmätare Typ
SQL-användning Beräkning för alla användargenererade och systemgenererade SQL-frågor, ändringar och databearbetningsåtgärder i en databas Databas SQL-databas i Microsoft Fabric Capacity Usage CU Interaktivt
Allokerad SQL-lagring Det dynamiskt allokerade lagringsutrymmet för en SQL-databas i Fabric, som används för att lagra tabeller, index, transaktionsloggar och metadata. Helt integrerad med OneLake. Databas SQL-lagringsdata lagrade Bakgrund

Informationslager

En Fabric Data Warehouse-kärna (beräkningsenhet för datalager) motsvarar två Fabric kapacitetsenheter (CUs).

Operation beskrivning Artikel Azure-faktureringsmätare Typ
Informationslagerfråga Beräkna avgiften för alla användargenererade och systemgenererade T-SQL-instruktioner i ett datavaruhus Lager CU för kapacitetsanvändning för datamagasin Bakgrund
SQL-slutpunktsfråga Beräkna avgift för alla användargenererade och systemgenererade T-SQL-instruktioner i SQL-analysslutpunkten i en Lakehouse. Lager KU för kapacitetsanvändning för datalager Bakgrund

Stomme-API för GraphQL

GraphQL-åtgärder består av begäranden som utförs på API för GraphQL-objekt av API-klienter. Varje bearbetningstid för GraphQL-begäran och svarsåtgärd rapporteras i kapacitetsenheter med en takt av tio kapacitetsenheter per timme.

Operation beskrivning Artikel Azure-faktureringsmätare Typ
Sökfråga Beräkna avgiften för alla genererade GraphQL-frågor (läsningar) och mutationer (skrivningar) av klienter inom ett GraphQL-API GraphQL API för användning av GraphQL-frågekapacitet CU Interaktivt

OneLake

One Lake-beräkningsåtgärder representerar de transaktioner som utförs på One Lake-objekt. Förbrukningshastigheten för varje åtgärd varierar beroende på dess typ. Mer information finns i One Lake-förbrukning.

Operation beskrivning Artikel Azure-faktureringsmätare Typ
OneLake-läsning via omdirigering OneLake-läsning via omdirigering Flera EnLake läsoperations kapacitetsanvändning CU Bakgrund
Läsåtkomst i OneLake via proxy OneLake-läsning via proxy Flera OneLake-läsoperationer via API:ets kapacitetsanvändning CU Bakgrund
Skriva till OneLake via omdirigering OneLake-skrivning via omdirigering Flera Kapacitetsanvändning för OneLake Write Operations CU Bakgrund
OneLake-skrivning via proxy OneLake-skrivning via proxy Flera Skrivåtgärder i OneLake via API-kapacitetsanvändning CU Bakgrund
OneLake Iterativt skrivande via omdirigering OneLake Iterativ skrivning via omdirigering Flera Iterativa skrivåtgärder för OneLake Bakgrund
OneLake Iterativ läsning via omdirigering OneLake Iterativ läsning via omdirigering Flera OneLake Iterativa läsoperationskapacitetsanvändning CU Bakgrund
OneLake Andra operationer OneLake andra verksamheter Flera OneLake Andra Operativa Kapacitetsanvändning CU Bakgrund
OneLake Andra åtgärder via omdirigering OneLake Andra åtgärder via omdirigering Flera OneLake Andra operationer via API Kapacitetsanvändning CU Bakgrund
OneLake Upprepad skrivning via proxy OneLake Iterativt skrivande via proxy Flera Iterativa skrivoperationer i OneLake via API kapacitetsanvändning CU Bakgrund
OneLake Iterativa läsning via proxy OneLake Iterativ läsning via proxy Flera OneLake Iterativa läsoperationer via API kapacitetsanvändning CU Bakgrund
OneLake BCDR-läsning via proxy OneLake BCDR-läsning via Proxy Flera OneLake BCDR-läsåtgärder via API-kapacitetsanvändning CU Bakgrund
OneLake BCDR-skrivning via proxy OneLake BCDR-skrivning genom proxy Flera OneLake BCDR-skrivåtgärder genom API kapacitetsanvändning CU Bakgrund
OneLake BCDR-läsning via omdirigering Åtkomst till OneLake BCDR via omdirigering Flera OneLake BCDR Läsoperationer Kapacitetsanvändning CU Bakgrund
OneLake BCDR-skrivning med omdirigering OneLake BCDR-skrivning via omdirigering Flera OneLake BCDR Skrivoperationer Kapacitetsanvändning CU Bakgrund
OneLake BCDR Iterativ läsning via proxy OneLake BCDR Iterativ läsning via proxy Flera OneLake BCDR Iterativa läsåtgärder via API-kapacitetsanvändning CU Bakgrund
OneLake BCDR Iterativ läsning via omdirigering OneLake BCDR Iterativ läsningsprocess via omdirigering Flera OneLake BCDR Iterativa läsoperationer Kapacitetsanvändning CU Bakgrund
OneLake BCDR Iterativ skrivning via proxy OneLake BCDR Iterativ skrivning via proxy Flera Iterativa skrivåtgärder för OneLake BCDR via API Capacity Usage CU Bakgrund
OneLake BCDR Iterativ skrivning via omdirigering OneLake BCDR Iterativ skrivning genom omdirigering Flera OneLake BCDR Iterativa Skrivoperationer Kapacitetsanvändning CU Bakgrund
OneLake BCDR andra åtgärder OneLake BCDR andra åtgärder Flera OneLake BCDR andra operationer kapacitetsanvändning CU Bakgrund
OneLake BCDR övriga åtgärder via omdirigering OneLake BCDR andra åtgärder via omdirigering Flera OneLake BCDR Andra Åtgärder Via API-Kapacitetsanvändning CU Bakgrund

Power BI

Användningen för varje åtgärd rapporteras som CU-bearbetningstid i sekunder. Åtta processorer motsvarar en Power BI v-core.

Kommentar

Termen semantisk modell ersätter termen datauppsättning. Du kan fortfarande se den gamla termen i användargränssnittet tills den har ersatts helt.

Vi fakturerar för närvarande inte för visuella R/Py-objekt i Power BI.

Operation beskrivning Artikel Azure-faktureringsmätare Typ
Artificiell intelligens (AI) Utvärdering av AI-funktion AI (artificiell intelligens) Kapacitetsanvändning CU i Power BI Interaktivt
Bakgrundsfråga Förfrågningar för att uppdatera brickor och skapa ögonblicksbilder av rapporter Semantisk modell Kapacitetsanvändning i Power BI CU Bakgrund
DirectQuery för dataflöde Ansluta direkt till ett dataflöde utan att behöva importera data till en semantisk modell Dataflöde Gen1 Kapacitetsanvändning CU i Power BI Interaktivt
Uppdatering av dataflöde En uppdatering av bakgrundsdataflöde på begäran eller schemalagt, som utförs av tjänsten eller med REST-API:er. Dataflöde Gen1 Kapacitetsanvändning CU i Power BI Bakgrund
Semantisk modell på begäran-uppdatering En bakgrundssemantisk modelluppdatering som initierats av användaren med hjälp av tjänsten, REST-API:er eller offentliga XMLA-slutpunkter Semantisk modell Kapacitetsanvändning CU i Power BI Bakgrund
Schemalagd uppdatering av semantisk modell En schemalagd uppdatering av en semantisk bakgrundsmodell som utförs av tjänsten, REST-API:er eller offentliga XMLA-slutpunkter Semantisk modell CU för kapacitetsanvändning i Power BI Bakgrund
Fullständig e-postprenumeration för rapport En PDF- eller PowerPoint-kopia av en hel Power BI-rapport som är kopplad till en e-postprenumeration Rapport Power BI kapacitetsanvändning CU Bakgrund
Interaktiv fråga Frågor som initieras av en databegäran på begäran. Du kan till exempel läsa in en modell när du öppnar en rapport, använda interaktion med en rapport eller köra frågor mot en datauppsättning innan den återges. Inläsning av en semantisk modell kan rapporteras som en fristående interaktiv frågeåtgärd. Semantisk modell CU för kapacitetsanvändning i Power BI Interaktivt
PublicApiExport En Power BI-rapport som exporteras med REST-API:et exportera rapport till fil Rapport Kapacitetsanvändning i Power BI CU Bakgrund
Rendera En sidnumrerad Power BI-rapport som exporteras med REST API:t exportera sidnumrerad rapport till fil Sidnumrerad rapport Kapacitetsanvändning CU i Power BI Bakgrund
Rendera En sidnumrerad Power BI-rapport som visas i Power BI-tjänst Sidnumrerad rapport Kapacitetsanvändning CU i Power BI Interaktivt
Läsa om webbmodellering En läsåtgärd för datamodell i den semantiska användarmiljön för webbmodellering. Semantisk modell Kapacitetsanvändning för Power BI CU Interaktivt
Skrivning av webbmodellering En skrivåtgärd för datamodeller i användarupplevelsen för semantisk modellwebbmodellering Semantisk modell Kapacitetsanvändning i Power BI CU Interaktivt
XMLA-läsning XMLA-läsåtgärder som initieras av användaren för frågor och identifieringar Semantisk modell Kapacitetsanvändning CU i Power BI Interaktivt
XMLA skriva En XMLA-skrivåtgärd i bakgrunden som ändrar modellen Semantisk modell Kapacitetsanvändning i Power BI Bakgrund
Körning av visuella Power BI-skript Visuella R- och Py-objekt körs när Power BI-rapporten återges Power BI-skriptrapport Optimerad kapacitet för Spark-minne (CU) Interaktivt

Realtidsinformation

Funktionen Real-Time Intelligence innehåller åtgärder för Eventstream, Fabric-händelser och KQL Database och KQL Queryset.

Händelseström

Du hittar förbrukningsfrekvensen för Eventstream i Övervaka kapacitetsförbrukning för Microsoft Fabric Eventstream.

Operation beskrivning Artikel Azure-faktureringsmätare Typ
Händelseström per timme Platt avgift Händelseström Cu för händelseströmskapacitetsanvändning Bakgrund
Datatrafik för händelseström per GB Dataingress & utgående volym i standard- och härledda strömmar (inkluderar 24-timmars kvarhållning) Händelseström Kapacitetsanvändning cu för händelseströmsdatatrafik Bakgrund
Event-strömprocessor per timme Beräkningsresurser som förbrukas av processorn Händelseström Cu för kapacitetsanvändning för Eventstream-processor Bakgrund
Eventstream Connectors per virtuell kärna timme Beräkningsresurser som används av anslutningarna Händelseström Kapacitetsanvändning för Eventstream-anslutning CU Bakgrund

Nätverkshändelser

Du hittar förbrukningsfrekvensen för Fabric-händelser i kapacitetsförbrukningen för Microsoft Fabric- och Azure-händelser.

Operation beskrivning Artikel Azure-faktureringsmätare Typ
Händelseåtgärder Publicera, leverera och filtrera operationer Flera Realtidsinformation – händelseåtgärder Bakgrund
Händelselyssnare Händelselyssnarens drifttid Flera Realtidsinformation – Händelselyssnare och avisering Bakgrund

KQL-databas och KQL-frågeuppsättning

Du hittar förbrukningsfrekvensen för KQL Database i KQL Database-förbrukning.

Operation beskrivning Artikel Azure-faktureringsmätare Typ
Eventhouse UpTime Mått på den tid då Eventhouse är aktivt Händelsehus Kapacitetsanvändnings-CU för Eventhouse Interaktivt

Spark

Två virtuella Spark-kärnor (en enhet för beräkningskraft för Spark) är lika med en kapacitetsenhet (CU). För att förstå hur Spark-operationer förbrukar beräkningsenheter (CUs), hänvisa till Spark-pooler.

Operation beskrivning Artikel Azure-faktureringsmätare Typ
Lakehouse-verksamhet Användarförhandstabell i Lakehouse Explorer Sjöhus Optimerad minnesanvändning för kapacitet i Spark (CU) Bakgrund
Lakehouse-tabellbelastning Användare läser in deltatabellen i Lakehouse Explorer Sjöhus Optimerad kapacitetsanvändning för Spark-minne Bakgrund
Notebook-körning Notebook som körs manuellt av användare Anteckningsbok CU för optimerad minneskapacitetsanvändning i Spark Bakgrund
Notebook HC-körning Körning av notebook under en Spark-session med hög samtidighet Anteckningsbok Cu för optimerad kapacitetsanvändning i Spark Bakgrund
Schemalagd körning av notebook-fil Notebook-körning som utlöstes av schemalagda notebook-händelser Anteckningsbok Minnesoptimerad kapacitetsanvändning CU i Spark Bakgrund
Pipeline-körning av notebook Notebook-körning som utlöses av pipeline Anteckningsbok Optimerad minneskapacitetsanvändning i Spark KU Bakgrund
Kör Notebook i VS Code Notebook körs i VS Code. Anteckningsbok CU för minnesoptimerad kapacitetsanvändning i Spark Bakgrund
Spark-jobbkörning Spark batch-jobbkörningar som initierats av användaröverföring Definition av Spark-jobb Kapacitetsenhet för minnesoptimerad användning i Spark Bakgrund
Körning av Spark-jobb enligt schema Körningar av batchjobb som utlöses av schemalagda händelser i notebook-filer Definition av Spark-jobb Minnesoptimerad kapacitetsanvändning i Spark CU Bakgrund
Spark-jobbpipelinekörning Batch-jobbkörningar som utlöses av pipelinesystemet Definition av Spark-jobb Minnesoptimerad kapacitetsanvändning CU i Spark Bakgrund
Spark-jobb VS Code-exekvering Spark-jobbdefinition som skickats från VS Code Definition av Spark-jobb CU för optimerad minneskapacitetsanvändning i Spark Bakgrund