מהו מודל סמנטי ב-Fabric? Lakehouse, Warehouse, Data Factory ויסודות האבטחה
By Mirko Peters ·
הסבר פשוט על מודל סמנטי ב-Microsoft Fabric, על הקשר שלו ל-lakehouse ול-warehouse, ל-Data Factory ולשכבות האבטחה של Fabric, על בסיס Microsoft Learn.
Automatically translated with AI from the original post. Read the English original
מודל סמנטי ב-Fabric הוא השכבה שהופכת טבלאות גולמיות למשהו שדוחות יכולים להשתמש בו. Microsoft Learn מתאר מודל סמנטי של Power BI כמקור נתונים מוכן לדיווח ולהמחשה. הוא יושב מעל הנתונים ב-lakehouse, ב-warehouse או במקור אחר, ומוסיף קשרים, חישובים וכללי אבטחה. המאמר הזה מסביר את השכבה הזו ואחר כך את הרכיבים שסביבה: ה-lakehouse, ה-warehouse, Data Factory ומודל האבטחה.
עיקרי הדברים
- מודל סמנטי הוא נתונים מוכנים לדיווח. הוא מכיל נתונים או שאילתות, את תכנון המודל (קשרים, חישובים) וכללי אבטחה ברמת שורה אופציונליים.
- lakehouse מטפל בנתונים מובנים ולא מובנים באמצעות Spark. warehouse מבוסס T-SQL ותומך בטרנזקציות על פני מספר טבלאות. שניהם שומרים טבלאות Delta ב-OneLake.
- לכל lakehouse יש SQL analytics endpoint לקריאה בלבד. מאז 5 בספטמבר 2025, מודל סמנטי ברירת מחדל כבר לא נוצר אוטומטית יחד עם lakehouse.
- Data Factory ב-Fabric מעביר, מעבד ומתזמר נתונים באמצעות copy jobs, Dataflow Gen2, mirroring ו-pipelines.
- Fabric מאמת כל בקשה באמצעות Microsoft Entra ID ושולט בגישה באמצעות תפקידי סביבת עבודה, הרשאות פריט, אבטחה ברמת הנתונים ותוויות רגישות.
הערה לגבי המקורות: עמוד Power BI שנקרא להגדרת המודל הסמנטי אינו מזכיר את Direct Lake או את השם הקודם של מודלים סמנטיים, ולכן המאמר הזה אינו מכסה אותם.
מה מכיל מודל סמנטי
Microsoft Learn מונה שלושה דברים שמודל סמנטי מכיל:
- נתונים. מודלים סמנטיים יכולים לאחסן נתונים מיובאים, לשלוח בקשות שאילתה pass-through למקורות הבסיסיים, או לעשות את שניהם.
- תכנון המודל. זה כולל שאילתות הכנת נתונים, קשרים וחישובים.
- כללי אבטחה ברמת שורה (RLS). מודלים יכולים לאכוף RLS כדי לסנן את הגישה לנתונים עבור משתמשים מסוימים.
העמוד מתאר גם איך בונים מודלים ומעדכנים אותם. אפשר להתחבר למודל קיים, להעלות קובץ Power BI Desktop, להעלות חוברת Excel או קובץ CSV, או להשתמש ב-APIs של push או streaming. מודלים שנבנים ב-Power BI Desktop משתמשים באחד משלושה מצבי אחסון: Import, DirectQuery או Composite. מודלים מסוג Import דורשים רענון כדי להישאר עדכניים, והם מתרעננים לפי תזמון או לפי דרישה ב-Power BI service. הם חייבים להשתמש ב-gateways כשהמקור אינו נגיש ישירות דרך האינטרנט.
Lakehouse: קבצים וטבלאות במקום אחד
לפי Learn, lakehouse ב-Fabric משלב את יכולת ההרחבה של data lake עם יכולות השאילתה של warehouse. הוא מארגן את הנתונים בשתי תיקיות על-עליונות: Tables לטבלאות Delta מנוהלות, ו-Files לנתונים לא מובנים או לנתונים שאינם בפורמט Delta. Delta Lake מספק טרנזקציות ACID, אכיפת סכימה ו-time travel.
כאשר יוצרים lakehouse, Fabric מייצר SQL analytics endpoint. הוא לקריאה בלבד ומציג רק טבלאות Delta, כולל טבלאות Delta שמגיעים אליהן דרך OneLake shortcuts. קבצי Parquet או CSV לא מופיעים עד שממירים אותם ל-Delta. מתוך ה-endpoint אפשר ליצור semantic model של Power BI.
Microsoft מודיעה גם על שינוי: מ-5 בספטמבר 2025 כבר לא נוצרים semantic models ברירת מחדל באופן אוטומטי יחד עם lakehouse, וה-semantic models הקיימים הפכו למודלים עצמאיים עד 30 בנובמבר 2025. בפועל, היום יוצרים את ה-semantic model ומגדירים את שמו בעצמכם.
Warehouse: T-SQL וטרנזקציות
Fabric Data Warehouse מתואר כ-warehouse relational בקנה מידה ארגוני, שנבנה על בסיס data lake. הנתונים נשמרים כטבלאות Delta. הפיתוח נעשה בעיקר ב-T-SQL, עם תמיכה בטרנזקציות ACID על פני מספר טבלאות, materialized views, פונקציות ונהלים מאוחסנים. האחסון והחישוב מופרדים זה מזה.
Learn מציין שני פריטים הקשורים ל-warehousing:
| פריט | יכולת | |---|---| | Warehouse | תמיכה מלאה בטרנזקציות, כולל DDL ו-DML | | SQL analytics endpoint | יכול לשאול אובייקטים של נתונים, אך לא לשנות את הנתונים. נוצר אוטומטית עבור כל lakehouse. |
איזה מהם לבחור
ההנחיה של Microsoft קצרה. warehouse מתאים לפתרון בקנה מידה ארגוני עם הגדרה מינימלית וכמעט ללא כוונון ביצועים, והוא מתאים במיוחד לנתונים מובנים ומעט-מובנים. lakehouse מתאים לנפחים גדולים של נתונים לא מובנים ממקורות שונים, במיוחד כאשר Spark הוא הכלי המרכזי. דף ה-lakehouse מוסיף שהוא אינו תומך בטרנזקציות על פני מספר טבלאות, בניגוד ל-warehouse. שניהם מאחסנים נתוני Delta ב-OneLake ומשתמשים באותו מנוע SQL לשאילתות T-SQL.
Data Factory ב-Fabric
Learn מכנה את Data Factory ב-Microsoft Fabric הדור הבא של Azure Data Factory. הוא מתחברליותר מ-170 מקורות נתונים ומכסה העברה, טרנספורמציה ותזמור:
| משימה | פריטים | |---|---| | העברה | Copy job (הפתרון המועדף להעברה פשוטה), copy activity, mirroring | | טרנספורמציה | Dataflow Gen2 עם יותר מ-300 טרנספורמציות, pipeline activities, dbt job | | תזמור | Pipelines עם לולאות, תנאים, תזמונים וטריגרים לפי אירועים, וכן Apache Airflow |
Mirroring יוצר העתק כמעט בזמן אמת של מסד נתונים תפעולי בתוך OneLake. הדף מציין שה-SLA של pipelines ב-Fabric שווה ערך ל-SLA של pipelines ב-Azure Data Factory, אך הוא מפנה למדריך נפרד לקבלת הרשימה המלאה של ההבדלים. מדריך זה לא נקרא כאן.
אבטחה ב-Fabric בשכבות
סקירת האבטחה של Fabric מתארת את השכבות הבאות:
- Authentication. כל בקשה מאומתת באמצעות Microsoft Entra ID, וניתן להוסיף באמצעות Conditional Access בקרות כמו MFA או הגבלות מיקום.
- Tenant settings. מנהלים שולטים ביכולות לכלל הארגון, וניתן להעביר סמכויות לקיבולות, לסביבות עבודה ולדומיינים.
- Workspace roles. סביבות העבודה הן גבול הגישה המרכזי. Admin, member ו-contributor יכולים להשתמש בכל הפריטים. Viewers אינם מקבלים גישה ל-OneLake.
- Item permissions. משתמשים ללא תפקיד בסביבת העבודה יכולים לקבל פריט שיתופי עם גישה מוגבלת.
- Data-level security. Row-level, column-level ו-object-level security מגבילים את מה ש-viewers רואים. הנתונים במנוחה ב-OneLake מוצפנים.
- Network security. Private Links חוסמים גישה ציבורית ומגבילים את הגישה לרשת וירטואלית. Managed private endpoints מאפשרים חיבורים מאובטחים למקורות נתונים בלי לחשוף אותם לרשת הציבורית.
- Sensitivity labels. תוויות Microsoft Purview עוקבות אחרי הנתונים בין פריט לפריט ונשמרות בייצוא ל-PBIX, Excel, PowerPoint ו-PDF.
הטבלה בדף קובעת שה-viewers יכולים לראות את כל הפריטים בסביבת העבודה, אך אין להם גישה ל-OneLake. להתנהגות מדויקת, עיינו בדף מודל ההרשאות.
דרך פשוטה להתחיל
- טענו נתונים גולמיים ל-lakehouse, באמצעות copy job, pipeline או Dataflow Gen2.
- השתמשו ב-SQL analytics endpoint לבדיקות T-SQL, או ב-warehouse אם אתם צריכים כתיבות T-SQL מלאות וטרנזקציות.
- צרו semantic model עם קשרים, חישובים ו-RLS.
- בנו דוחות על בסיס המודל, ובדקו את תפקידי מרחב העבודה ואת התוויות לפני השיתוף.
קישורים קשורים
מקורות
- Microsoft Learn: מודלים סמנטיים של Power BI בשירות
- Microsoft Learn: סקירה כללית על Lakehouse ב-Fabric
- Microsoft Learn: סקירה כללית על Fabric Data Warehouse
- Microsoft Learn: סקירה כללית על Data Factory ב-Microsoft Fabric
- Microsoft Learn: אבטחה ב-Microsoft Fabric
FAQ
מהו מודל סמנטי ב-Fabric?
Microsoft Learn מתאר מודלים סמנטיים של Power BI כמקור נתונים מוכן לדיווח ולהמחשה. מודל יכול לאחסן נתונים מיובאים, לשלוח שאילתות pass-through למקור, או לעשות את שני הדברים. הוא כולל גם את תכנון המודל, לרבות שאילתות הכנת נתונים, קשרים וחישובים, ויכול לאכוף אבטחה ברמת השורה.
האם עדיין מקבלים מודל סמנטי ברירת מחדל עם lakehouse חדש?
לא. עמוד ה-lakehouse ב-Microsoft Learn קובע שמאז 5 בספטמבר 2025 אין יותר יצירה אוטומטית של מודלים סמנטיים ברירת מחדל כשיוצרים lakehouse. מודלים סמנטיים ברירת מחדל קיימים נותקו מהפריטים ההורים שלהם עד 30 בנובמבר 2025 והפכו למודלים סמנטיים עצמאיים.
האם לבחור ב-lakehouse או ב-warehouse?
לפי Microsoft Learn, בחרו ב-warehouse לפתרון בקנה מידה ארגוני עם פורמט תקן פתוח, הגדרה מינימלית ומעט כוונון. בחרו ב-lakehouse לנפחים גדולים של נתונים לא מובנים ממקורות שונים, במיוחד כשהכלי העיקרי שלכם הוא Spark. שניהם משתמשים באותו מנוע SQL לשאילתות T-SQL, ואפשר להוסיף את הפריט השני בהמשך.
מהו נקודת הקצה של ניתוח SQL?
Microsoft Learn מציין ש-Fabric יוצר SQL analytics endpoint באופן אוטומטי כשיוצרים lakehouse. הוא לקריאה בלבד, מאפשר לשאול טבלאות Delta באמצעות T-SQL ומאפשר ליצור מעליו מודל סמנטי של Power BI. בו מופיעות רק טבלאות Delta.
איך Fabric מטפל באבטחה?
סקירת האבטחה של Microsoft Learn מתארת שכבות: אימות באמצעות Microsoft Entra ID, הגדרות ניהול ברמת הדייר, תפקידי סביבת עבודה (workspace), הרשאות פריט, OneLake security, אבטחה ברמת שורה, עמודה ואובייקט, בקרות רשת, ותוויות רגישות של Purview שעוברות עם הנתונים מפריט לפריט.