你当前正在访问 Microsoft Azure Global Edition 技术文档网站。 如果需要访问由世纪互联运营的 Microsoft Azure 中国技术文档网站，请访问 https://docs.azure.cn。
Azure 数据资源管理器群集见解
Azure 数据资源管理器群集见解通过提供群集性能、操作、使用情况和故障的统一视图，对群集进行全面监视。
其提供了以下功能：
- 大规模透视。 群集主要指标的快照视图，以帮助跟踪查询、引入和导出操作的性能。
- 向下钻取分析。 你可以向下钻取到特定 Azure 数据资源管理器群集以执行详细分析。
- 自定义。 可更改要查看的指标，修改或设置与限制相符的阈值，以及保存自己的自定义工作簿。 然后，可将工作簿中的图表固定到 Azure 仪表板。
本文将帮助你了解如何加入和使用 Azure 数据资源管理器群集见解。
Azure Monitor 中的视图（大规模透视图）
从 Azure Monitor，可以查看群集的主要性能指标。 这些指标包括以下方面的信息：订阅中的多个群集中的查询、引入和导出操作。 这些指标可以帮助确定性能问题。
若要查看所有订阅中群集的性能：
登录到 Azure 门户。
在左窗格中选择“监视”。 在“见解中心”部分中，选择“Azure 数据资源管理器群集”。
“订阅概述”选项卡
在所选订阅的“概述”选项卡上，表格显示了订阅中分组的 Azure 数据资源管理器群集的交互指标。 可以根据你从下面的下拉列表中选择的选项来筛选结果：
订阅：仅列出了包含 Azure 数据资源管理器群集的订阅。
Azure 数据资源管理器群集：默认情况下，最多会预先选择 5 个群集。 如果在范围选择器中选择所有或多个群集，则最多会返回 200 个群集。
时间范围：默认情况下，表会根据你所做的选择显示过去 24 小时的相应信息。
下拉列表下的计数器磁贴提供了所选订阅中 Azure 数据资源管理器群集的总数，并显示已选择的群集数。 以下各列带有条件颜色编码：“保持活动状态”、“CPU”、“引入利用率”和“缓存利用率”。 对于群集而言，以橙色编码的单元格中的值是不可长期承受的。
为了更好地了解每个指标的含义，建议通读有关 Azure 数据资源管理器指标的文档。
“查询性能”选项卡
“查询性能”选项卡显示查询持续时间、并发查询总数和受限制查询总数。
“引入性能”选项卡
“引入性能”选项卡显示引入延迟、成功引入结果数、失败的引入结果数、引入量，以及事件中心和 IoT 中心处理的事件数。
“流引入性能”选项卡
“流引入性能”选项卡提供有关平均数据速率、平均持续时间和请求速率的信息。
“导出性能”选项卡
“导出性能”选项卡提供有关连续导出操作的已导出记录数、延迟、挂起计数和利用率百分比的信息。
Azure 数据资源管理器群集资源中的视图（向下钻取分析）
直接从 Azure 数据资源管理器群集访问 Azure 数据资源管理器群集见解：
在 Azure 门户中，选择“Azure 数据资源管理器群集”。
从列表中选择一个 Azure 数据资源管理器群集。 在“监视”部分中选择“见解”。
还可以通过从 Azure Monitor 见解视图中选择某个 Azure 数据资源管理器群集的资源名称来访问这些视图。
注意
Azure 数据资源管理器群集见解将日志与指标结合起来，以提供全局监视解决方案。 包含基于日志的可视化效果要求用户启用其 Azure 数据资源管理器群集的诊断日志记录，并将日志发送到 Log Analytics 工作区。 应启用的命令包括：Command、Query、SucceededIngestion、FailedIngestion、IngestionBatching、TableDetails 和 TableUsageStatistics。 （启用 SucceededIngestion 日志可能会成本较高。请只在需要监视成功的引入的情况下启用这些日志。）
概述选项卡
“概述”选项卡显示：
突出显示群集可用性和总体状态的指标磁贴，以便快速评估健康状况。
活动的 Azure 顾问建议和资源运行状况状态的摘要。
一些图表，其中显示了一段时间内消耗量最大的几个 CPU 消耗者和内存消耗者以及唯一用户数。
“关键指标”选项卡
“关键指标”选项卡显示群集某些指标的统一视图。 它们分为一般指标、与查询相关的指标、与引入相关的指标以及与流式引入相关的指标。
“使用情况”选项卡
“使用情况”选项卡可让用户深入了解群集命令和查询的性能。 在此选项卡上，可以：
- 查看哪些工作负荷组、用户和应用程序发送的查询最多或消耗的 CPU 和内存最多。 然后，您可以了解群集处理的最繁重查询是由哪些工作负荷提交的。
- 按照失败的查询数识别排名靠前的工作负载组、用户和应用程序。
- 通过将查询数按工作负载组、用户和应用程序与（过去 16 天的）历史每日平均值进行比较，识别查询数最近发生的变化。
- 按照工作负载组、用户、应用程序和命令类型，识别查询数、内存和 CPU 消耗量的趋势与峰值。
“用法”选项卡包括用户直接执行的操作。 此选项卡中不包含内部群集操作。
“表”选项卡
“表”选项卡显示群集中的表的最新属性和历史属性。 可以看到哪些表占用的空间最多。 还可以按表大小、热数据和行数跟踪一段时间内的增长历史记录。
“缓存”选项卡
“缓存”选项卡可让用户分析其实际查询的回溯时段图，并将其与已配置的缓存策略（针对每个表）进行比较。 可以识别由大多数查询和表使用的、但根本未查询的表，并相应地调整缓存策略。
可能会获得针对 Azure 顾问中某些特定表的缓存策略建议。 目前仅通过 Azure 顾问主仪表板来提供缓存建议。 它们基于过去 30 天内实际查询的回看窗口，以及至少 95% 查询的未优化缓存策略。
Azure 顾问中的缓存缩减建议适用于“受数据限制”的群集。这意味着这些群集的 CPU 利用率和引入利用率较低，但由于数据容量较高，群集无法横向或纵向缩减。
“群集边界”选项卡
“群集边界”选项卡根据使用情况显示群集边界。 在此选项卡中，你可以检查 CPU、引入和缓存利用率。 这些指标评分为“低”、“中”或“高”。 当您决定集群的最佳 SKU 和实例数时，这些指标和分数很重要。 Azure 顾问 SKU/大小建议中会将这些指标考虑在内。
在此选项卡中，可以选择一个指标磁贴，深入了解其趋势以及如何确定其分数。 还可以查看群集的 Azure 顾问 SKU/大小建议。 例如，在下图中，可以看到所有指标都评分为“低”。 群集会收到成本建议，该建议允许进行横向缩减/纵向缩减并节省成本。
“引入”选项卡（预览选项卡）
使用“引入”选项卡可以监视群集的排队引入操作的状态。
在“排队引入”过程中，数据引入会进行优化以实现高吞吐量。 根据可配置的引入批处理策略将小块传入数据分组到批处理中，以此来进行优化。
“引入”选项卡提供有关以下方面的详细信息：
- 按数据库或表粒度排队引入的结果。
- 引入错误详细信息（按表显示）。
- 引入的数据量。
- 排队引入的延迟，以及发生延迟的位置。
- 批处理过程本身，包括监视有关引入批处理策略的信息以及批处理密封方式的信息。
- 对于事件中心、事件网格和 IoT 中心引入：群集收到的事件数以及为实际引入发送的事件数。
固定到 Azure 仪表板
可将（“大规模”透视图的）任一指标部分固定到 Azure 仪表板，只需选择该部分右上角的图钉图标即可。
自定义 Azure 数据资源管理器群集见解
你可以编辑工作簿，以便对其进行自定义以支持数据分析需求：
- 限定工作簿的范围，以便始终选择特定的订阅或 Azure 数据资源管理器群集。
- 更改网格中的指标。
- 更改阈值或颜色呈现/编码。
选择顶部工具栏中的“自定义”按钮即可开始进行自定义。
自定义项将保存到自定义工作簿，以防止覆盖已发布工作簿中的默认配置。 无论是在私有的“我的报表”部分中，还是在有权访问资源组的每个人均可访问的“共享报表”部分中，工作簿都保存在某个资源组中。 保存自定义工作簿后，转到工作簿库来打开它。
疑难解答
有关一般疑难解答指南，请参阅基于工作簿的见解疑难解答。
以下部分将帮助你诊断和解决使用 Azure 数据资源管理器群集见解时可能会遇到的一些常见问题。
为什么在订阅选取器中看不到所有订阅？
仅显示特定订阅，这些订阅包含从所选订阅筛选器中选择的 Azure 数据资源管理器群集。 在 Azure 门户中的“目录 + 订阅”下选择订阅筛选器。
“使用情况”、“表”或“缓存”部分下为何不显示我的 Azure 数据资源管理器群集的任何数据？
若要查看基于日志的数据，需要为你要监视的每个 Azure 数据资源管理器群集启用诊断日志。 可以在每个群集的诊断设置下完成此操作。 需要将数据发送到 Log Analytics 工作区。 应启用的诊断日志包括：Command、Query、TableDetails 和 TableUsageStatistics。
我已为 Azure 数据资源管理器群集启用了日志。 为什么我在 Commands 和 Queries 下仍然看不到我的数据？
目前，诊断日志不能追溯方式下工作。 在 Azure 数据资源管理器中执行操作之后，数据将开始出现。 可能需要在一段时间后才会显示你的数据，所需时间为几小时到一天不等，具体取决于 Azure 数据资源管理器群集的活跃程度。
注意
在 Azure 门户中，“指标”和“见解”页面的原始指标数据存储在 Azure Monitor 中。 这些页面上的查询会直接查询原始指标数据，以提供最准确的结果。 使用诊断设置功能时，可以将原始指标数据迁移到 Log Analytics 工作区。 在迁移过程中，可能会因为四舍五入而丢失部分数据精度；因此，查询结果可能与原始数据略有不同。 误差幅度小于百分之一。