Beskriva Realtidsinformation för Microsoft Fabric?
Fabrics realtidsinformationslösning tillhandahåller en direktuppspelningslösning från slutpunkt till slutpunkt för snabb dataanalys i fabric-tjänsten. Den är optimerad för tidsseriedata och stöder automatisk partitionering och indexering av alla dataformat.
Realtidsinformation ger höga prestanda för data i olika storlekar, allt från några gigabyte till flera petabyte. Den kan hantera data från olika källor och i olika format. Fabrics realtidsinformationsarbetsbelastning kan användas för lösningar som IoT och logganalys i många scenarier, inklusive tillverkning, olja och gas och fordon.
Förstå realtidsinformation i Microsoft Fabric
Realtidsinformation är en fullständigt hanterad tjänst som är optimerad för strömmande tidsseriedata. Med Realtidsinformation kan du få konsekventa prestanda genom att söka efter alla typer av data i stor skala, inklusive strukturerade, ostrukturerade och halvstrukturerade data. Dessutom är den integrerad med hela sviten med infrastrukturresurser, vilket gör att ett effektivt arbetsflöde kan läsas in från datainläsning till datavisualisering.
Genom att använda realtidsinformation i Infrastrukturresurser kan du:
- Mata in data från valfri källa, i valfritt dataformat.
- Kör analysfrågor direkt på rådata utan att behöva skapa komplexa datamodeller eller skapa skript för att transformera data.
- Importera data med strömning som standard som ger hög prestanda, låg svarstid, dataanalys med hög färskhet.
- Importerade data genomgår standardpartitionering – både tids- och hashbaserad partitionering och indexering som standard.
- Arbeta med mångsidiga datastrukturer och frågestrukturerad, halvstrukturerad eller fri text.
- Fråga rådata utan transformering, med höga prestanda, otroligt låg svarstid och med en mängd olika tillgängliga operatorer.
- Skala till en obegränsad mängd data, från gigabyte till petabyte, med obegränsad skalning på samtidiga frågor och samtidiga användare.
- Integrera sömlöst med andra arbetsbelastningar och objekt i Microsoft Fabric.
Utforska en värld av realtidsdata med realtidshubben
Realtidshubben fungerar som din gateway för att upptäcka och kontrollera flödet av dina strömmande data. Det är en dynamisk katalog som innehåller:
Visualisera datainsikter med realtidsinstrumentpaneler
Datainsikter kan visualiseras via KQL-frågeuppsättningar, realtidsinstrumentpaneler och Power BI-rapporter, med en snabb övergång från datainmatning till visualisering. Dessa visualiseringar tillgodoser både nybörjare och experter, så att de kan representera sina data som diagram och tabeller med minimal kodning. Användare kan använda visuella tips för att filtrera och aggregera frågeresultat, med hjälp av en omfattande uppsättning inbyggda visualiseringar. Insikter är tillgängliga i Power BI-rapporter och realtidsinstrumentpaneler, som båda kan innehålla aviseringar baserat på datainsikter.
Aviseringar kan också ställas in i visualiseringar som inte är tabeller på realtidsinstrumentpaneler i redigeringsläge för att ge meddelanden när ett fastställt tröskelvärde som du anger har uppnåtts.
Aviseringarna kan meddela dig i Microsoft Teams eller genom att skicka ett e-postmeddelande.
Kusto Query Language (KQL)
Kusto-frågespråk (KQL) är ett deklarativt frågespråk som används för att analysera och extrahera insikter från strukturerade, halvstrukturerade och ostrukturerade data. KQL har utformats specifikt för att söka efter storskaliga loggdata effektivt och snabbt, vilket gör det perfekt för molnbaserad dataanalys. Vi ska utforska några grundläggande KQL-syntaxer senare i den här modulen, men för tillfället bör du överväga följande fördelar med KQL-funktionerna i Microsoft Fabric:
- Det möjliggör effektivitet i datautforskning och dataanalys genom att tillåta användare att arbeta med heterogena datakällor och visualisera resultaten på olika sätt.
- Den stöder reproducerbara analyser genom att tillåta användare att skapa notebook-filer med Kusto-kernel som kan samla in kod, resultat och kontext i analysen.
- Det förbättrar DevOps-felsökningen genom att tillåta användare att skapa runbooks eller spelböcker i notebook-filer med Kusto-kernel som kan beskriva hur du felsöker och åtgärdar problem med telemetridata.
- Det berikar DevOps-flödet genom att tillåta användare att lägga till KQL-filer och KQL-notebook-filer till sina Git-lagringsplatser och CI/CD-pipelines.
- Den ger vägledning och hjälper dig att skapa sökfrågor från grunden med hjälp av KQL-redigeraren som snabbt identifierar potentiella fel och visar tips om hur du löser problem.
- Det gör att du snabbt kan klistra in långa, komplexa frågor direkt i redigeraren om du tar emot dem från andra källor.
- Det gör att du kan filtrera, presentera och aggregera dina data med hjälp av olika operatorer och funktioner som är lätta att läsa och redigera.