Dela via

Planering av Power BI-implementering: Granskning på datanivå

  • Artikel

Kommentar

Den här artikeln är en del av planeringsserien för Power BI-implementering. Den här serien fokuserar främst på Power BI-upplevelsen i Microsoft Fabric. En introduktion till serien finns i Implementeringsplanering för Power BI.

Den här granskningsartikeln på datanivå riktar sig till flera målgrupper:

  • Dataskapare och arbetsyteadministratörer: Användare som behöver förstå användning, implementering och prestanda för de semantiska modeller, dataflöden och datamarter som de skapar, publicerar och delar.
  • Power BI-administratörer: De administratörer som ansvarar för att övervaka Power BI i organisationen. Power BI-administratörer kan behöva samarbeta med IT, säkerhet, intern granskning och andra relevanta team. Power BI-administratörer kan också behöva samarbeta med innehållsskapare när de felsöker prestanda.
  • Power BI-kapacitetsadministratörer: Administratörer som ansvarar för att övervaka Premium-kapacitet i organisationen. Power BI-kapacitetsadministratörer kan behöva samarbeta med innehållsskapare vid felsökning av prestanda.
  • Center of Excellence-, IT- och BI-teamet: De team som också ansvarar för att övervaka Power BI. De kan behöva samarbeta med Power BI-administratörer och andra relevanta team.
  • Systemadministratörer: Det team som ansvarar för att skapa och skydda Azure Log Analytics-resurser och databasadministratörerna som hanterar datakällor.

Viktigt!

Ibland refererar den här artikeln till Power BI Premium eller dess kapacitetsprenumerationer (P SKU:er). Tänk på att Microsoft för närvarande konsoliderar köpalternativ och drar tillbaka Power BI Premium per kapacitets-SKU:er. Nya och befintliga kunder bör överväga att köpa kapacitetsprenumerationer för Infrastrukturresurser (F SKU:er) i stället.

Mer information finns i Viktig uppdatering som kommer till Power BI Premium-licensiering och Vanliga frågor och svar om Power BI Premium.

Begreppen som beskrivs i den här artikeln gäller främst lösningar som skapats för tre omfång för innehållsleverans, särskilt enterprise BI, avdelnings-BI och team BI. Skapare av personliga BI-lösningar kan också tycka att informationen i den här artikeln är användbar. De är dock inte det primära målet.

Det går inte att uppnå bra prestanda i rapporter och visuella objekt när den underliggande semantiska modellen och/eller datakällan inte fungerar bra. Den här artikeln fokuserar på granskning och övervakning av semantiska modeller, dataflöden och datamarter. Det är den andra artikeln i gransknings- och övervakningsserien eftersom verktygen och teknikerna är mer komplexa än vad som beskrivs i granskningsartikeln på rapportnivå. Vi rekommenderar att du skapar delade semantiska modeller (avsedda för återanvändning mellan många rapporter) innan användarna skapar rapporter. Därför rekommenderar vi att du läser den här artikeln tillsammans med granskningsartikeln på rapportnivå.

Eftersom Power BI-semantiska modeller bygger på Analysis Services-tabellmotorn kan du ansluta till en lokal datamodell (i Power BI Desktop) eller en Premium-semantisk modell (i Power BI-tjänst) som om det vore en Analysis Services-databas. Därför stöds många av funktionerna för granskning och övervakning i Analysis Services för Power BI Premium-semantiska modeller.

Kommentar

Mer information om modeller som finns i Analysis Services finns i Övervakningsöversikt.

Resten av den här artikeln fokuserar främst på modeller som publicerats till Power BI-tjänst.

Händelseloggar för semantisk modell

Med tiden kan dataskapare och ägare uppleva situationer med sina semantiska modeller. En semantisk modell kan:

För att säkerställa användbarhet, bra prestanda och implementering av det innehåll som de skapar bör du granska användningen och prestandan för de datatillgångar som du ansvarar för att hantera. Du kan använda händelseloggarna för datauppsättningen, som samlar in användargenererade och systemgenererade aktiviteter som inträffar för en semantisk modell. De kallas även spårningshändelser, datamängdsloggar eller datauppsättningsaktivitetsloggar. Systemadministratörer kallar dem ofta spårningshändelser på låg nivå eftersom de är detaljerade.

Kommentar

Namnändringen på datauppsättningen har distribuerats i Power BI-tjänst och i dokumentationen, även om det kan finnas vissa instanser , till exempel med händelseloggens åtgärdsnamn, där ändringen inte har inträffat ännu.

Du bör analysera semantiska modellspårningshändelser för att:

  • Granska alla aktiviteter som har inträffat i en semantisk modell.
  • Felsöka och optimera semantisk modellprestanda, minnesanvändning och frågeeffektivitet.
  • Undersök information om och varaktighet för semantisk modelluppdatering .
  • Övervaka power query-formelspråket (M-frågor) som skickas av Power Query.
  • Övervaka DAX-formler och uttryck som skickas till den semantiska modellen (Analysis Services-motorn).
  • Kontrollera om rätt lagringsläge har valts baserat på arbetsbelastningarna och behovet av att balansera nya data och optimala prestanda.
  • Granska vilka säkerhetsroller på radnivå som anropas, för vilka användare och på vilka semantiska modeller.
  • Förstå antalet samtidiga användare.
  • Verifiera en semantisk modell (till exempel för att verifiera datakvalitet och prestanda innan du godkänner en semantisk modell eller innan du publicerar den på en produktionsarbetsyta).

Händelserna som genereras av en Power BI-semantisk modell härleds från befintliga diagnostikloggar som är tillgängliga för Azure Analysis Services. Det finns många typer av spårningshändelser som du kan samla in och analysera, som beskrivs i följande avsnitt.

Azure Log Analytics

Azure Log Analytics är en komponent i Azure Monitor-tjänsten . Med Azure Log Analytics-integrering med Power BI kan du samla in semantiska modellhändelser från alla semantiska modeller på en Power BI-arbetsyta. Det stöds endast för Premium-arbetsytor. När du har konfigurerat integreringen och anslutningen är aktiverad (för en Power BI Premium-arbetsyta) registreras semantiska modellhändelser automatiskt och skickas kontinuerligt till en Azure Log Analytics-arbetsyta. De semantiska modellloggarna lagras i Azure Data Explorer, som är en tilläggsdatabas som är optimerad för att samla in telemetridata med stora volymer nära realtid.

Du tilldelar en Power BI Premium-arbetsyta till en Log Analytics-arbetsyta i Azure. Du måste skapa en ny Log Analytics-resurs i din Azure-prenumeration för att aktivera den här typen av loggning.

Loggar från en eller flera Power BI-arbetsytor skickas till en Log Analytics-målarbetsyta. Här är några sätt du kan välja att organisera data på.

  • En målarbetsyta för alla granskningsdata: Lagra alla data på en Log Analytics-arbetsyta. Det är användbart när samma administratör eller användare kommer åt alla data.
  • Målarbetsytor ordnade efter ämnesområde: Organisera innehållet efter ämnesområde. Den här tekniken är särskilt användbar när olika administratörer eller användare har behörighet att komma åt granskningsdata från Azure Log Analytics. När du till exempel behöver skilja försäljningsdata från driftdata.
  • En målarbetsyta för varje Power BI-arbetsyta: Konfigurera en en-till-en-relation mellan en Power BI-arbetsyta och en Azure Log Analytics-arbetsyta. Det är användbart när du har särskilt känsligt innehåll eller när data omfattas av specifika efterlevnads- eller regelkrav.

Dricks

Granska dokumentationen och vanliga frågor om den här funktionen så att du är tydlig med vad som är möjligt och att du förstår de tekniska kraven. Innan du gör den här funktionen allmänt tillgänglig för arbetsyteadministratörer i din organisation bör du överväga att göra ett tekniskt konceptbevis (POC) med en Power BI-arbetsyta.

Viktigt!

Även om namnen är liknande är data som samlas in av Azure Log Analytics inte samma som Power BI-aktivitetsloggen. Azure Log Analytics samlar in spårningshändelser på detaljnivå från Analysis Services-motorn. Det enda syftet är att hjälpa dig att analysera och felsöka prestanda för semantiska modeller. Dess omfång är på arbetsytans nivå. Omvänt är syftet med aktivitetsloggen att hjälpa dig att förstå hur ofta vissa användaraktiviteter inträffar (till exempel att redigera en rapport, uppdatera en semantisk modell eller skapa en app). Dess omfång är hela Power BI-klientorganisationen.

Mer information om de användaraktiviteter som du kan granska för din Power BI-klient finns i Granskning på klientorganisationsnivå.

Azure Log Analytics-anslutningen för arbetsyteadministratörer styr vilka grupper av användare (som också har den nödvändiga administratörsrollen för arbetsytan) som kan ansluta en Power BI-arbetsyta till en befintlig Azure Log Analytics-arbetsyta.

Innan du kan konfigurera integrering måste du uppfylla säkerhetskraven. Överväg därför att aktivera power BI-klientinställningen endast för Power BI-arbetsyteadministratörer som också har de behörigheter som krävs i Azure Log Analytics eller som kan få dessa behörigheter på begäran.

Dricks

Samarbeta med Azure-administratören tidigt i planeringsprocessen, särskilt när det är en utmaning i din organisation att få godkännande att skapa en ny Azure-resurs. Du måste också planera för säkerhetskraven. Bestäm om du vill bevilja behörighet till din Power BI-arbetsyteadministratör i Azure eller om du vill bevilja behörighet till Azure-administratören i Power BI.

De semantiska modellloggar som registreras av Azure Log Analytics omfattar semantiska modellfrågor, frågestatistik, detaljerad uppdateringsaktivitet, cpu-tid som förbrukas på Premium-kapaciteter med mera. Eftersom de är loggar på detaljnivå från Analysis Services-motorn kan data vara utförliga. Stora datavolymer är vanliga för stora arbetsytor som upplever hög semantisk modellaktivitet.

Så här optimerar du kostnaden när du använder Azure Log Analytics med Power BI:

  • Anslut Endast Power BI-arbetsytor till Azure Log Analytics när du aktivt felsöker, testar, optimerar eller undersöker semantisk modellaktivitet. När den är ansluten körs en spårning på alla semantiska modeller på arbetsytan.
  • Koppla från Azure Log Analytics från en Power BI-arbetsyta när du inte längre behöver felsöka, testa, optimera eller undersöka semantisk modellaktivitet. Genom att koppla från avslutar du spårningen från att köras på alla semantiska modeller på arbetsytan.
  • Se till att du förstår kostnadsmodellen för hur Azure Log Analytics fakturerar för datainmatning, lagring och frågor.
  • Lagra inte data i Log Analytics längre än standardperioden på 30 dagar. Det beror på att semantisk modellanalys vanligtvis fokuserar på omedelbara felsökningsaktiviteter.

Det finns flera sätt att komma åt de händelser som skickas till Azure Log Analytics. Du kan använda:

  • Den fördefinierade mallappen Log Analytics för Power BI Semantic Models.
  • Power BI Desktop-anslutningsappen för Azure Data Explorer (Kusto). Använd Kusto-frågespråk (KQL) för att analysera data som lagras i Log Analytics. Om du har SQL-frågeupplevelse hittar du många likheter med KQL.
  • Den webbaserade frågeupplevelsen i Azure Data Explorer.
  • Alla frågeverktyg som kan köra KQL-frågor.

Dricks

Eftersom det finns en stor mängd semantiska modellspårningshändelser rekommenderar vi att du utvecklar en DirectQuery-modell för att analysera data. Med en DirectQuery-modell kan du köra frågor mot data nästan i realtid. Händelserna anländer vanligtvis inom fem minuter.

Mer information finns i Styra Azure-anslutningar.

Checklista – När du planerar att använda Azure Log Analytics är viktiga beslut och åtgärder:

  • Överväg en teknisk POC: Planera för ett litet projekt för att säkerställa att du förstår de tekniska kraven, säkerhetskrav, vilka händelser som ska samlas in och hur du analyserar loggarna.
  • Bestäm vilka arbetsytor som ska integreras med Log Analytics: Bestäm vilka Premium-arbetsytor som innehåller semantiska modeller som du är intresserad av att analysera.
  • Bestäm om Log Analytics ska aktiveras på heltid för alla arbetsytor: För kostnadsoptimering ska du avgöra om det finns situationer (eller specifika arbetsytor) där loggning ska aktiveras permanent. Bestäm om arbetsytor ska kopplas från när felsökning inte sker.
  • Bestäm hur länge Log Analytics-data ska behållas: Avgör om det finns ett behov av att ange en längre kvarhållningsperiod än standardvärdet på 30 dagar.
  • Förtydliga processen för att begära en ny Log Analytics-arbetsyta: Samarbeta med Azure-administratören för att klargöra hur begäranden om en ny Log Analytics-resurs ska skickas av Power BI-arbetsyteadministratörer.
  • Bestäm hur säkerheten ska fungera: Samarbeta med Azure-administratören för att avgöra om det är mer möjligt för en Power BI-arbetsyteadministratör att beviljas behörighet till en Azure Log Analytics-arbetsyta eller om en Azure-administratör ska beviljas behörighet till en Power BI-arbetsyta. När du fattar det här säkerhetsbeslutet bör du överväga din plan att ansluta och koppla från arbetsytor regelbundet (för kostnadsoptimering).
  • Bestäm hur du ska organisera Log Analytics-målarbetsytor: Överväg hur många Azure Log Analytics-arbetsytor som är lämpliga för att organisera data från en eller flera Power BI-arbetsytor. Anpassa det här beslutet till dina säkerhetsbeslut för vem som kan komma åt loggdata.
  • Bestäm vilka arbetsyteadministratörer som ska kunna ansluta: Avgör vilka grupper av arbetsyteadministratörer som kan ansluta en Power BI-arbetsyta till en Log Analytics-arbetsyta. Ställ in azure Log Analytics-anslutningen för klientinställningen för arbetsyteadministratörer så att den överensstämmer med det här beslutet.
  • Skapa Azure Log Analytics-resursen: Samarbeta med Azure-administratören för att skapa varje Log Analytics-arbetsyta. Kontrollera och uppdatera de behörigheter som har tilldelats i Azure för att säkerställa att Power BI-konfigurationen kan ske utan problem. Kontrollera att data som lagras i Azure finns i rätt geografiska region.
  • Ange Log Analytics-anslutningen för varje Power BI-arbetsyta: Samarbeta med dina Power BI-arbetsyteadministratörer för att konfigurera anslutningen till Log Analytics för varje Power BI-arbetsyta. Kontrollera att loggdata flödar korrekt till Log Analytics-arbetsytan.
  • Skapa frågor för att analysera data: Konfigurera KQL-frågor för att analysera data i Log Analytics baserat på ditt användningsfall och aktuella behov.
  • Ta med vägledning för Power BI-arbetsyteadministratörer: Ange information och förutsättningar för dina Power BI-arbetsyteadministratörer för hur du begär en ny Log Analytics-arbetsyta och hur du ansluter till en Power BI-arbetsyta. Förklara också när det är lämpligt att koppla från en Power BI-arbetsyta.
  • Ge vägledning och exempelfrågor för att analysera data: Skapa KQL-frågor för arbetsyteadministratörer för att göra det enklare för dem att komma igång med att analysera data som har samlats in.
  • Övervaka kostnader: Samarbeta med Azure-administratören för att kontinuerligt övervaka Log Analytics-kostnader.

SQL Server-profilerare

Du kan använda SQL Server Profiler (SQL Profiler) för att samla in power BI-semantiska modellhändelser. Det är en komponent i SQL Server Management Studio (SSMS). Anslutning till en Power BI-semantisk modell stöds med SSMS eftersom den baseras på Analysis Services-arkitekturen som har sitt ursprung i SQL Server.

Du kan använda SQL Profiler under olika faser av livscykeln för en semantisk modell.

  • Under utvecklingen av datamodeller: SQL Profiler kan ansluta till en datamodell i Power BI Desktop som ett externt verktyg. Den här metoden är användbar för datamodellerare som vill verifiera sin datamodell eller utföra prestandajustering.
  • När den semantiska modellen har publicerats till Power BI-tjänst: SQL Profiler kan ansluta till en semantisk modell på en Premium-arbetsyta. SSMS är ett av många klientverktyg som stöds och som kan använda XMLA-slutpunkten för anslutning. Den här metoden är användbar när du vill granska, övervaka, validera, felsöka eller finjustera en publicerad semantisk modell i Power BI-tjänst.

Du kan också använda SQL Profiler som ett externt verktyg i DAX Studio. Du kan använda DAX Studio för att starta en profilerarspårning, parsa data och formatera resultatet. Datamodellerare som använder DAX Studio föredrar ofta den här metoden jämfört med att använda SQL Profiler direkt.

Kommentar

Att använda SQL Profiler är ett annat användningsfall än aktiviteten för profilering av data. Du profilerar data i Power Query-redigeraren för att få en djupare förståelse för dess egenskaper. Även om dataprofilering är en viktig aktivitet för datamodellerare finns den inte i omfånget för den här artikeln.

Överväg att använda SQL Profiler i stället för Azure Log Analytics när:

  • Din organisation tillåter inte att du använder eller skapar Azure Log Analytics-resurser i Azure.
  • Du vill samla in händelser för en datamodell i Power BI Desktop (som inte har publicerats till en Premium-arbetsyta i Power BI-tjänst).
  • Du vill samla in händelser för en semantisk modell under en kort tidsperiod (i stället för alla semantiska modeller på en Premium-arbetsyta).
  • Du vill bara samla in vissa händelser under en spårning (till exempel endast frågesluthändelsen).
  • Du vill starta och stoppa spårningar ofta (till exempel när du behöver samla in semantiska modellhändelser som inträffar nu).

Precis som Azure Log Analytics (beskrivs tidigare i den här artikeln) härleds semantiska modellhändelser som fångas av SQL Profiler från befintliga diagnostikloggar som är tillgängliga för Azure Analysis Services. Det finns dock vissa skillnader i de händelser som är tillgängliga.

Dricks

Användningen av SQL Profiler för övervakning av Analysis Services beskrivs i många böcker, artiklar och blogginlägg. Merparten av den informationen är relevant för övervakning av en Power BI-semantisk modell.

Viktigt!

Du kan också använda SQL Profiler för att övervaka frågor som skickas från Power BI-tjänst till underliggande datakällor (till exempel till en SQL Server-relationsdatabas). Möjligheten att spåra en relationsdatabas är dock inaktuell. Anslutning till Analysis Services-motorn stöds och är inte inaktuell. Om du är bekant med Analysis Services utökade händelser och föredrar att använda dem, är anslutning från SSMS möjlig för en datamodell i Power BI Desktop. Det stöds dock inte för Power BI Premium. Därför fokuserar det här avsnittet bara på SQL Profiler-standardanslutning.

Inställningen Tillåt XMLA-slutpunkter och Analysera i Excel med lokala semantiska modeller styr vilka grupper av användare (som också är tilldelade rollen Deltagare, Medlem eller Administratör eller Skapa-behörighet för den enskilda semantiska modellen) kan använda XMLA-slutpunkten för att fråga och/eller underhålla semantiska modeller i Power BI-tjänst. Mer information om hur du använder XMLA-slutpunkten finns i scenariot för hantering av avancerade datamodeller.

Kommentar

Du kan också använda SQL Profiler för att felsöka specifika DAX-uttryck. Du kan ansluta SQL Profiler till Power BI Desktop som ett externt verktyg. Leta efter händelseklassen DAX-utvärderingslogg för att visa mellanliggande resultat för ett DAX-uttryck. Den händelsen genereras när du använder dax-funktionen EVALUATEANDLOG i en modellberäkning.

Den här funktionen är endast avsedd för utveckling och testning. Du bör ta bort den från dina datamodellberäkningar innan du publicerar datamodellen till en produktionsarbetsyta.

Checklista – När du planerar att använda SQL Profiler är viktiga beslut och åtgärder:

  • Bestäm vem som kan ha SSMS eller DAX Studio installerat: Avgör om du tillåter att alla Power BI-innehållsskapare i din organisation installerar SSMS och/eller DAX Studio så att de kan använda SQL Profiler. Bestäm om dessa underordnade verktyg installeras på begäran eller en del av en standarduppsättning programvara som är installerad för godkända dataskapare i organisationen.
  • Lägg till SQL Profiler på menyn Externa verktyg i Power BI Desktop: Om dataskapare ofta använder SQL Profiler ber du IT att automatiskt lägga till det på menyn Externa verktyg i Power BI Desktop för dessa användare.
  • Bestäm vem som kan använda XMLA-slutpunkten: Avgör om alla användare får ansluta till publicerade semantiska modeller med hjälp av XMLA-slutpunkten eller om den endast är begränsad till godkända dataskapare. Ange inställningen Tillåt XMLA-slutpunkter och Analysera i Excel med lokala semantiska modeller för klientorganisation så att den överensstämmer med det här beslutet.
  • Ge vägledning och exempelfrågor för att analysera data: Skapa dokumentation för dina dataskapare så att de förstår det rekommenderade sättet att granska och övervaka semantiska modeller. Ge vägledning för vanliga användningsfall för att göra det enklare för dem att komma igång med att samla in och analysera spårningsdata.

Metadata för datamodell

Eftersom Power BI-semantiska modeller bygger på Analysis Services-motorn har du åtkomst till de verktyg som kan köra frågor mot metadata för en datamodell. Metadata innehåller allt om datamodellen, inklusive tabellnamn, kolumnnamn och måttuttryck.

Dynamiska hanteringsvyer

Analysis Services Dynamic Management Views (DMV: er) kan köra frågor mot datamodellmetadata. Du kan använda DMV:erna för att granska, dokumentera och optimera dina datamodeller vid en tidpunkt.

Mer specifikt kan du:

  • Granska de datakällor som används av en modell.
  • Identifiera vilka objekt som förbrukar mest minne i en modell.
  • Fastställ hur effektivt kolumndata kan komprimeras.
  • Hitta kolumner i en modell som inte används.
  • Granska aktiva användarsessioner och anslutningar.
  • Kontrollera modellens struktur.
  • Granska DAX-uttryck som används av beräknade tabeller, beräknade kolumner, mått och säkerhetsregler på radnivå (RLS).
  • Identifiera beroenden mellan objekt och mått.

Dricks

DMV:erna hämtar information om det aktuella tillståndet för en semantisk modell. Tänk på de data som returneras av DMV:er som en ögonblicksbild av vad som händer vid en tidpunkt. Omvänt hämtar händelseloggarna för semantikmodellen (som beskrivs tidigare i den här artikeln) information om vilka aktiviteter som har inträffat för en semantisk modell medan en spårningsanslutning var aktiv.

SSMS är ett verktyg som ofta används för att köra DMV-frågor. Du kan också använda PowerShell-cmdleten Invoke-ASCmd för att skapa och köra XMLA-skript som kör frågor mot DMV:erna.

Verktyg från tredje part och externa verktyg är också populära i Power BI-communityn. De här verktygen använder offentligt dokumenterade DMV:er för att förenkla åtkomsten och arbeta med data som returneras av DMV:erna. Ett exempel är DAX Studio, som innehåller explicita funktioner för att få åtkomst till DMV:erna. DAX Studio innehåller också en inbyggd vymåttfunktion , som ofta kallas Vertipaq Analyzer. Vertipaq Analyzer har ett användargränssnitt för att analysera strukturen och storleken på tabeller, kolumner, relationer och partitioner i en datamodell. Du kan också exportera (eller importera) datamodellmetadata till en .vpax-fil. Den exporterade filen innehåller endast metadata om datamodellens struktur och storlek, utan att lagra några modelldata.

Dricks

Överväg att dela en .vpax-fil med någon när du behöver hjälp med en datamodell. På så sätt delar du inte modelldata med den personen.

Du kan använda DMV-frågor under olika faser i livscykeln för en semantisk modell.

  • Under utveckling av datamodeller: Ditt valfritt verktyg kan ansluta till en datamodell i Power BI Desktop som ett externt verktyg. Den här metoden är användbar för datamodellerare som vill verifiera sin datamodell eller utföra prestandajustering.
  • När den semantiska modellen har publicerats till Power BI-tjänst: Ditt valfritt verktyg kan ansluta till en semantisk modell på en Premium-arbetsyta. SSMS är ett av många klientverktyg som stöds och som använder XMLA-slutpunkten för anslutning. Den här metoden är användbar när du vill granska eller verifiera en publicerad semantisk modell i Power BI-tjänst.

Dricks

Om du bestämmer dig för att skriva egna DMV-frågor (till exempel i SSMS) bör du vara medveten om att DMV:erna inte stöder alla SQL-åtgärder. Vissa DMV:er stöds inte heller i Power BI (eftersom de kräver administratörsbehörigheter för Analysis Services-servern som inte stöds av Power BI).

Inställningen Tillåt XMLA-slutpunkter och Analysera i Excel med lokala semantiska modeller styr vilka grupper av användare (som också är tilldelade rollen Deltagare, Medlem eller Administratör eller Skapa-behörighet för den enskilda semantiska modellen) kan använda XMLA-slutpunkten för att fråga och/eller underhålla semantiska modeller i Power BI-tjänst.

Mer information om hur du använder XMLA-slutpunkten, verktyg från tredje part och externa verktyg finns i användningsscenariot för hantering av avancerade datamodeller.

Best Practice Analyzer

Best Practice Analyzer (BPA) är en funktion i Tabellredigeraren, som är ett verktyg från tredje part som har implementerats i stor utsträckning av Power BI-communityn. BPA innehåller en uppsättning anpassningsbara regler som kan hjälpa dig att granska datamodellens kvalitet, konsekvens och prestanda.

Dricks

Om du vill konfigurera BPA laddar du ned uppsättningen regelverk som tillhandahålls av Microsoft på GitHub.

I första hand kan BPA hjälpa dig att förbättra konsekvensen i modeller genom att identifiera suboptimala designbeslut som kan minska prestandaproblem. Det är användbart när du har självbetjäningsdatamodellerare distribuerade i olika delar av organisationen.

BPA kan också hjälpa dig att granska och styra dina datamodeller. Du kan till exempel kontrollera om en datamodell innehåller några säkerhetsroller på radnivå (RLS). Eller så kan du kontrollera om alla modellobjekt har en beskrivning. Det är användbart när till exempel ditt mål är att säkerställa att en datamodell innehåller en dataordlista.

BPA kan exponera designproblem som kan hjälpa Center of Excellence att avgöra om mer utbildning eller dokumentation krävs. Den kan vidta åtgärder för att utbilda dataskapare om metodtips och organisationsriktlinjer.

Dricks

Tänk på att BPA kan identifiera förekomsten av en egenskap (till exempel säkerhet på radnivå). Det kan dock vara svårt att avgöra om det är korrekt konfigurerat. Av den anledningen kan en ämnesexpert behöva göra en granskning . Omvänt innebär inte förekomsten av en viss egenskap nödvändigtvis en dålig design. Datamodelleraren kan ha en bra anledning att skapa en viss design.

Checklista – När du planerar att komma åt metadata för datamodeller är viktiga beslut och åtgärder:

  • Bestäm vem som kan ha SSMS installerat: Avgör om du tillåter att alla Power BI-innehållsskapare i din organisation installerar SSMS så att de kan ansluta till publicerade semantiska modeller. Bestäm om den installeras på begäran eller som en del av en standarduppsättning programvara som är installerad för godkända dataskapare i organisationen.
  • Bestäm vem som kan ha verktyg från tredje part installerade: Avgör om du tillåter att alla Power BI-innehållsskapare i din organisation installerar verktyg från tredje part (till exempel DAX Studio och Tabellredigeraren) så att de kan övervaka lokala datamodeller och/eller publicerade semantiska modeller. Bestäm om de installeras på begäran eller som en del av en standarduppsättning programvara som är installerad för godkända dataskapare i organisationen.
  • Konfigurera regler för bästa praxis: Bestäm vilka best practice analyzer-regler som kan skanna datamodellerna i din organisation.
  • Bestäm vem som kan använda XMLA-slutpunkten: Avgör om alla användare får ansluta till semantiska modeller med hjälp av XMLA-slutpunkten eller om den endast är begränsad till godkända dataskapare. Ange inställningen Tillåt XMLA-slutpunkter och Analysera i Excel med lokala semantiska modeller för klientorganisation så att den överensstämmer med det här beslutet.
  • Ge vägledning för innehållsskapare: Skapa dokumentation för dina dataskapare så att de förstår de rekommenderade sätten att analysera semantiska modeller. Ge vägledning för vanliga användningsfall för att göra det enklare för dem att börja samla in och analysera DMV-resultat och/eller använda Best Practice Analyzer.

Datamodell och frågeprestanda

Power BI Desktop innehåller flera verktyg som hjälper dataskapare att felsöka och undersöka sina datamodeller. Dessa funktioner riktar sig till datamodellerare som vill verifiera sin datamodell och utföra prestandajustering innan de publicerar till Power BI-tjänst.

Prestandaanalys

Använd Prestandaanalys, som är tillgängligt i Power BI Desktop, för att granska och undersöka prestanda för en datamodell. Prestandaanalys hjälper rapportskapare att mäta prestanda för enskilda rapportelement. Vanligtvis är dock rotorsaken till prestandaproblem relaterade till design av datamodeller. Därför kan en semantisk modellskapare också dra nytta av att använda Prestandaanalys. Om det finns olika innehållsskapare som ansvarar för att skapa rapporter jämfört med semantiska modeller är det troligt att de måste samarbeta när de felsöker ett prestandaproblem.

Dricks

Du kan använda DAX Studio för att importera och analysera loggfilerna som genereras av Prestandaanalys.

Mer information om Prestandaanalys finns i Granskning på rapportnivå.

Frågediagnostik

Använd Frågediagnostik, som är tillgängliga i Power BI Desktop, för att undersöka prestanda för Power Query. De är användbara för felsökning och för när du behöver förstå vad Power Query-motorn gör.

Den information du kan få från Frågediagnostik inkluderar:

  • Extra information om felmeddelanden (när ett undantag inträffar).
  • De frågor som skickas till en datakälla.
  • Oavsett om frågedelegering sker eller inte.
  • Antalet rader som returneras av en fråga.
  • Potentiella avmattningar under en datauppdateringsåtgärd.
  • Bakgrundshändelser och systemgenererade frågor.

Beroende på vad du letar efter kan du aktivera en eller alla loggar: aggregerade, detaljerade, prestandaräknare och datasekretesspartitioner.

Du kan starta sessionsdiagnostik i Power Query-redigeraren. När det är aktiverat samlas fråge- och uppdateringsåtgärder in tills diagnostisk spårning har stoppats. Data fylls i direkt i frågeredigeraren så snart diagnostiken har stoppats. Power Query skapar en diagnostikgrupp (mapp) och lägger till flera frågor i den. Du kan sedan använda power query-standardfunktioner för att visa och analysera diagnostikdata.

Du kan också aktivera en spårning i Power BI Desktop i avsnittet Diagnostik i fönstret Alternativ. Loggfiler sparas i en mapp på den lokala datorn. Dessa loggfiler fylls med data när du har stängt Power BI Desktop, då spårningen stoppas. När Power BI Desktop har stängts kan du öppna loggfilerna med önskat program (till exempel en textredigerare) för att visa dem.

Frågeutvärdering och vikning

Power Query har stöd för olika funktioner som hjälper dig att förstå frågeutvärdering, inklusive frågeplanen. Det kan också hjälpa dig att avgöra om frågedelegering sker för en hel fråga eller för en delmängd av stegen i en fråga. Frågedelegering är en av de viktigaste aspekterna av prestandajustering. Det är också bra att granska de interna frågor som skickas av Power Query när du övervakar en datakälla, vilket beskrivs senare i den här artikeln.

Premium-måttapp

När du felsöker kan det vara bra att samarbeta med din Power BI Premium-kapacitetsadministratör. Kapacitetsadministratören har åtkomst till power BI Premium-användnings- och måttappen. Den här appen kan ge dig en mängd information om aktiviteter som sker i kapaciteten. Den informationen kan hjälpa dig att felsöka problem med semantiska modeller.

Dricks

Premium-kapacitetsadministratören kan ge åtkomst till ytterligare användare (icke-kapacitetsadministratörer) så att de kan komma åt Premium-måttappen.

Premium-måttappen består av en intern semantisk modell och en första uppsättning rapporter. Det hjälper dig att utföra nästan realtidsövervakning av en Power BI Premium-kapacitet (P SKU) eller En SKU-kapacitet (Power BI Embedded). Den innehåller data för de senaste två till fyra veckorna (beroende på måttet).

Använd Premium-måttappen för att felsöka och optimera semantiska modeller. Du kan till exempel identifiera semantiska modeller som har ett stort minnesavtryck eller som upplever rutinmässigt hög CPU-användning. Det är också ett användbart verktyg för att hitta semantiska modeller som närmar sig gränsen för din kapacitetsstorlek.

Checklista – När du överväger metoder att använda för att övervaka datamodell och frågeprestanda, omfattar viktiga beslut och åtgärder:

  • Identifiera prestandamål för semantisk modellfråga: Se till att du har en god förståelse för vad bra semantisk modellprestanda innebär. Ta reda på när du behöver specifika frågeprestandamål (till exempel frågor som stöder rapporter måste återges inom fem sekunder). I så fall kontrollerar du att målen kommuniceras med dataskaparna i din organisation.
  • Identifiera prestandamål för semantisk modelluppdatering: Bestäm när du behöver specifika datauppdateringsmål (till exempel slutförande av en datauppdateringsåtgärd inom 15 minuter och före 05.00). I så fall kontrollerar du att målen kommuniceras med dataskaparna i din organisation.
  • Utbilda supportteamet: Se till att ditt interna användarsupportteam är bekant med diagnostikfunktionerna så att de är redo att stödja Power BI-användare när de behöver hjälp.
  • Anslut supportteamet och databasadministratörerna: Kontrollera att supportteamet vet hur de ska kontakta rätt administratörer för varje datakälla (till exempel vid felsökning av frågedelegering).
  • Samarbeta med din Premium-kapacitetsadministratör: Samarbeta med kapacitetsadministratören för att felsöka semantiska modeller som finns på en arbetsyta som har tilldelats Premium-kapacitet eller Power BI Embedded-kapacitet. När det är lämpligt begär du åtkomst till Premium-måttappen.
  • Ge vägledning för innehållsskapare: Skapa dokumentation för dina dataskapare så att de förstår vilka åtgärder som ska utföras vid felsökning.
  • Inkludera i utbildningsmaterial: Ge vägledning till dina dataskapare om hur du skapar högpresterande datamodeller. Hjälp dem att anta goda designvanor tidigt. Fokusera på att lära dataskapare att fatta bra designbeslut.

Övervakning av datakälla

Ibland är det nödvändigt att direkt övervaka en specifik datakälla som Power BI ansluter till. Du kan till exempel ha ett informationslager som har en ökad arbetsbelastning och användarna rapporterar prestandaförsämring. Vanligtvis övervakar en databasadministratör eller systemadministratör datakällor.

Du kan övervaka en datakälla för att:

  • Granska vilka användare som skickar frågor till datakällan.
  • Granska vilka program (till exempel Power BI) som skickar frågor till datakällan.
  • Granska vilka frågeinstruktioner som skickas till datakällan, när och efter vilka användare.
  • Avgör hur lång tid det tar för en fråga att köras.
  • Granska hur säkerhet på radnivå anropas av källsystemet när det använder enkel inloggning (SSO).

Det finns många åtgärder som en Power BI-innehållsskapare kan vidta när de har analyserat övervakningsresultat. De kan:

  • Justera och förfina de frågor som skickas till datakällan så att de är så effektiva som möjligt.
  • Verifiera och finjustera de interna frågor som skickas till datakällan.
  • Minska antalet kolumner som importeras till en datamodell.
  • Ta bort kolumner med hög precision och hög kardinalitet som importeras till en datamodell.
  • Minska mängden historiska data som importeras till en datamodell.
  • Justera uppdateringstiderna för Power BI-data för att sprida ut efterfrågan på datakällan.
  • Använd inkrementell datauppdatering för att minska belastningen på datakällan.
  • Minska antalet uppdateringar av Power BI-data genom att konsolidera flera semantiska modeller till en delad semantisk modell.
  • Justera inställningarna för automatisk siduppdatering för att öka uppdateringsfrekvensen och därmed minska belastningen på datakällan.
  • Förenkla beräkningar för att minska komplexiteten för frågor som skickas till datakällan.
  • Ändra datalagringsläget (till exempel till importläge i stället för DirectQuery) för att minska den konsekventa frågebelastningen på datakällan.
  • Använd tekniker för frågereduktion för att minska antalet frågor som skickas till datakällan.

Systemadministratörer kan vidta andra åtgärder. De kan:

  • Introducera ett mellanliggande datalager, till exempel Power BI-dataflöden (när ett informationslager inte är ett genomförbart alternativ). Power BI-innehållsskapare kan använda dataflödena som sin datakälla i stället för att ansluta direkt till datakällor. Ett mellanliggande datalager kan minska belastningen på ett källsystem. Den har också den extra fördelen med att centralisera dataförberedelselogik. Mer information finns i användningsscenariot för dataförberedelse med självbetjäning .
  • Ändra datakällans plats för att minska effekten av nätverksfördröjning (till exempel använda samma dataregion för Power BI-tjänst, datakällor och gatewayer).
  • Optimera datakällan så att den mer effektivt hämtar data för Power BI. Flera vanliga tekniker omfattar att skapa tabellindex, skapa indexerade vyer, skapa beständiga beräknade kolumner, underhålla statistik, använda tabeller i minnet eller kolumnlagring och skapa materialiserade vyer.
  • Be användarna att använda en skrivskyddad replik av datakällan i stället för en ursprunglig produktionsdatabas. En replik kan vara tillgänglig som en del av en databasstrategi med hög tillgänglighet (HA). En fördel med en skrivskyddad replik är att minska konkurrensen i källsystemet.

Vilka verktyg och tekniker du kan använda för att övervaka datakällor beror på teknikplattformen. Databasadministratören kan till exempel använda utökade händelser eller Query Store för övervakning av Azure SQL Database- och SQL Server-databaser.

Ibland kommer Power BI åt en datakälla via en datagateway. Gatewayer hanterar anslutningar från Power BI-tjänst till vissa typer av datakällor. De gör dock mer än att bara ansluta till data. En gateway innehåller en kombinationsmotor som utför bearbetning och datatransformeringar på datorn. Den komprimerar och krypterar också data så att de effektivt och säkert kan överföras till Power BI-tjänst. Därför kan en ohanterad eller icke-optimerad gateway bidra till flaskhalsar i prestanda. Vi rekommenderar att du pratar med gatewayadministratören för att få hjälp med att övervaka gatewayer.

Dricks

Power BI-administratören kan kompilera en fullständig klientinventering (som innehåller ursprung) och komma åt användaraktiviteter i aktivitetsloggen. Genom att korrelera ursprung och användaraktiviteter kan administratörer identifiera de vanligaste datakällorna och gatewayerna.

Mer information om klientinventeringen och aktivitetsloggen finns i Granskning på klientnivå.

Checklista – När du planerar att övervaka en datakälla omfattar viktiga beslut och åtgärder:

  • Fastställ specifika mål: När du övervakar en datakälla får du klarhet om exakt vad du behöver göra och målen för felsökning.
  • Samarbeta med databasadministratörer: Samarbeta med databas- eller systemadministratörer för att få hjälp när du övervakar en specifik datakälla.
  • Samarbeta med gatewayadministratörer: För datakällor som ansluter via en datagateway bör du samarbeta med gatewayadministratören vid felsökning.
  • Anslut supportteamet och databasadministratörerna: Kontrollera att supportteamet vet hur de ska kontakta rätt administratörer för varje datakälla (till exempel vid felsökning av frågedelegering).
  • Uppdateringsträning och vägledning: Inkludera viktig information och tips för dataskapare om hur du arbetar med organisationens datakällor. Ta med information om vad du ska göra när något går fel.

Övervakning av datauppdatering

En datauppdateringsåtgärd omfattar import av data från underliggande datakällor till en Power BI-semantisk modell, dataflöde eller datamart. Du kan schemalägga en datauppdateringsåtgärd eller köra den på begäran.

Serviceavtal

IT använder ofta serviceavtal (SLA) för att dokumentera förväntningarna på datatillgångar. För Power BI bör du överväga att använda ett serviceavtal för kritiskt innehåll eller innehåll på företagsnivå. Det inkluderar ofta när användare kan förvänta sig att uppdaterade data i en semantisk modell ska vara tillgängliga. Du kan till exempel ha ett serviceavtal som alla datauppdateringar måste slutföras kl. 07.00 varje dag.

Semantiska modellloggar

Händelseloggarna för semantikmodellen från Azure Log Analytics eller SQL Profiler (beskrivs tidigare i den här artikeln) innehåller detaljerad information om vad som händer i en semantisk modell. De insamlade händelserna omfattar semantisk modelluppdateringsaktivitet. Händelseloggarna är särskilt användbara när du behöver felsöka och undersöka uppdateringar av semantiska modeller.

Semantiska modeller för Premium-kapacitet

När du har innehåll som finns i en Power BI Premium-kapacitet har du fler funktioner för att övervaka datauppdateringsåtgärder.

  • Sidan Power BI-uppdateringssammanfattningar i administratörsportalen innehåller en sammanfattning av uppdateringshistoriken. Den här sammanfattningen innehåller information om uppdateringstid och felmeddelanden.
  • Power BI Premium-användnings- och måttappen innehåller även användbar uppdateringsinformation. Det är användbart när du behöver undersöka uppdateringsaktiviteten för en Power BI Premium-kapacitet (P SKU) eller En SKU-kapacitet (Power BI Embedded).

Förbättrade uppdateringar av semantisk modell

Innehållsskapare kan initiera semantiska modelluppdateringar programmatiskt med hjälp av förbättrad uppdatering med uppdateringsdatauppsättningen i Grupp Power BI REST API. När du använder förbättrad uppdatering kan du övervaka historiska, aktuella och väntande uppdateringsåtgärder.

Övervakning av datauppdateringsschema

Power BI-administratörer kan övervaka datauppdateringsscheman i klientorganisationen för att avgöra om det finns många uppdateringsåtgärder som schemalagts samtidigt under en viss tidsram (till exempel mellan 05.00 och 07.00, vilket kan vara en särskilt upptagen datauppdateringstid). Administratörer har behörighet att komma åt semantiska modelluppdateringsschemametadata från API:erna för metadatagenomsökning, som kallas skanner-API:er.

Power BI REST-API:er

För kritiska semantiska modeller förlitar du dig inte enbart på e-postaviseringar för övervakning av problem med datauppdatering. Överväg att kompilera datauppdateringshistoriken i ett centraliserat lager där du kan övervaka, analysera och agera på den.

Du kan hämta datauppdateringshistoriken med hjälp av:

Dricks

Vi rekommenderar starkt att du övervakar uppdateringshistoriken för dina semantiska modeller för att säkerställa att aktuella data är tillgängliga för rapporter och instrumentpaneler. Det hjälper dig också att veta om serviceavtal uppfylls.

Checklista – När du planerar för övervakning av datauppdatering är viktiga beslut och åtgärder:

  • Fastställ specifika mål: När du övervakar datauppdateringar får du klarhet om exakt vad du behöver göra och vad övervakningsomfånget ska vara (till exempel produktionssemantiska modeller, certifierade semantiska modeller och andra).
  • Överväg att konfigurera ett serviceavtal: Avgör om ett serviceavtal skulle vara användbart för att ange förväntningar på datatillgänglighet och när datauppdateringsscheman ska köras.
  • Samarbeta med databas- och gatewayadministratörer: Arbeta med dina databas- eller systemadministratörer och gatewayadministratörer för att övervaka eller felsöka datauppdatering.
  • Kunskapsöverföring för supportteamet: Se till att supportteamet vet hur de kan hjälpa innehållsskapare när problem med datauppdatering uppstår.
  • Uppdateringsträning och vägledning: Inkludera viktig information och tips för dataskapare om hur du uppdaterar data från organisationens datakällor och vanliga datakällor. Inkludera metodtips och organisationsinställningar för hur du hanterar datauppdatering.
  • Använd en e-postadress för support för meddelanden: Konfigurera uppdateringsaviseringar för att använda en e-postadress för support för kritiskt innehåll.
  • Konfigurera centraliserad uppdateringsövervakning: Använd Power BI REST API:er för att kompilera datauppdateringshistorik.

Dataflödesövervakning

Du skapar ett Power BI-dataflöde med Power Query Online. Många av frågeprestandafunktionerna och Power Query-diagnostiken, som beskrevs tidigare, är tillämpliga.

Du kan också ange att arbetsytor ska använda Azure Data Lake Storage Gen2 för dataflödeslagring (kallas bring-your-own-storage) i stället för intern lagring. När du använder bring-your-own-storage kan du överväga att aktivera telemetri så att du kan övervaka mått för lagringskontot. Mer information finns i användningsscenariot för självbetjäning av dataförberedelse och scenariot för avancerad dataförberedelseanvändning .

Du kan använda Power BI REST-API:er för att övervaka dataflödestransaktioner. Använd till exempel API:et Hämta dataflödestransaktioner för att kontrollera statusen för dataflödesuppdateringar.

Du kan spåra användaraktiviteter för Power BI-dataflöden med Power BI-aktivitetsloggen. Mer information finns i Granskning på klientorganisationsnivå.

Dricks

Det finns många metodtips som du kan använda för att optimera dina dataflödesdesigner. Mer information finns i Metodtips för dataflöden.

Datamart-övervakning

En Power BI-datamart innehåller flera integrerade komponenter, inklusive ett dataflöde, en hanterad databas och en semantisk modell. Läs de föregående avsnitten i den här artikeln om du vill veta mer om granskning och övervakning av varje komponent.

Du kan spåra användaraktiviteter för Power BI-datamarter med hjälp av Power BI-aktivitetsloggen. Mer information finns i Granskning på klientorganisationsnivå.

Relaterat innehåll

I nästa artikel i den här serien får du lära dig mer om granskning på klientorganisationsnivå.