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 |