介绍 Microsoft Fabric 实时智能
Fabric 的实时智能解决方案提供端到端的流式处理解决方案，用于跨 Fabric 服务进行高速数据分析。 它针对时序数据进行了优化，并支持对任何数据格式进行自动分区和索引。
实时智能针对各种大小的数据（从几 GB 到几 PB）提供高性能分析。 它可以处理来自不同源和各种格式的数据。 在包括制造业、石油和天然气以及汽车业等许多场景中，Fabric 的实时智能工作负载可用于 IoT 和日志分析等解决方案。
了解 Microsoft Fabric 中的实时智能
实时智能是一个完全托管的服务，针对流式处理时序数据进行了优化。 借助实时智能，可以在大规模搜索所有类型的数据（包括结构化、非结构化和半结构化数据）时获得一致的性能。 此外，它还与整个 Fabric 功能套件集成，可以简化从数据加载到数据可视化的工作流。
使用 Fabric 中的实时智能，你可以：
- 以任何数据格式从任何源引入数据。
- 直接对原始数据运行分析查询，而无需生成复杂的数据模型或创建脚本来转换数据。
- 使用提供高性能、低延迟、高新鲜度数据分析的默认流式处理来导入数据。
- 导入的数据会进行默认分区（基于时间和哈希的分区）和默认索引。
- 使用多功能数据结构和查询结构化、半结构化或自由文本。
- 在不转换的情况下查询原始数据，高性能、响应时间非常低，并且使用各种可用的运算符。
- 缩放到无限量的数据（从 GB 到 PB），同时对并发查询和并发用户进行无限缩放。
- 与 Microsoft Fabric 中的其他工作负载和项无缝集成。
使用实时中心探索实时数据的方方面面
实时中心充当用于发现和控制流式处理数据流的网关。 它是一个动态目录，其中包括：
使用实时仪表板可视化数据见解
可以通过 KQL 查询集、实时仪表板和 Power BI 报表可视化数据见解，并从数据引入快速过渡到可视化。 这些可视化效果可以迎合初学者和专家的需求，使他们只需编写极少量的代码就能将数据表示为图表和表格。 用户可以利用视觉提示来筛选和聚合查询结果，利用一套综合性的内置可视化效果。 可以在 Power BI 报表和实时仪表板中访问见解，在此两者中可以整合基于数据见解的警报。
在编辑模式下，还可以在实时仪表板上的非表格可视化效果中设置警报，以便在达到设置的既定阈值时提供通知。
警报可以在 Microsoft Teams 中或通过电子邮件向你发出通知。
Kusto 查询语言 (KQL)
Kusto 查询语言 (KQL) 是一种声明性查询语言，用于分析和提取来自结构化、半结构化和非结构化数据的见解。 KQL 专为高效且快速地搜索大规模日志数据而设计，非常适合基于云的数据分析。 我们稍后将在本模块中探讨一些基本的 KQL 语法，但目前，请考虑 Microsoft Fabric 中 KQL 功能的以下优势：
- 通过允许用户使用异类数据源并以各种方式可视化结果，从而提高数据探索和数据分析的效率。
- 它支持可重现的分析，方法是允许用户使用 Kusto 内核创建笔记本，可捕获分析的代码、结果和上下文。
- 它改进了 DevOps 故障排除体验，方法是允许用户使用 Kusto 内核在笔记本中创建 runbook 或 playbook，其中可详细说明如何使用遥测数据进行故障排除并缓解问题。
- 它丰富了 DevOps 流，方法是允许用户将 KQL 文件和 KQL 笔记本文件添加到其 Git 存储库和 CI/CD 管道。
- 它提供指导并帮助你从头开始生成搜索查询，方法是使用 KQL 编辑器，可快速识别潜在错误并显示有关如何解决问题的提示。
- 如果你从其他源收到长而复杂的查询，它使你可以快速将此类查询直接粘贴到编辑器中。
- 它允许你使用各种易于阅读和创作的运算符和函数来筛选、呈现和聚合数据。