Wat is een semantisch model in Fabric? Lakehouse, warehouse, Data Factory en de basisprincipes van beveiliging
By Mirko Peters ·
Een heldere uitleg van het semantische model in Microsoft Fabric en hoe het zich verhoudt tot het lakehouse, het warehouse, Data Factory en de beveiligingslagen van Fabric, op basis van Microsoft Learn.
Automatically translated with AI from the original post. Read the English original
Een semantisch model in Fabric is de laag die ruwe tabellen omzet in iets waarmee rapporten kunnen werken. Microsoft Learn beschrijft een Power BI-semantisch model als een gegevensbron die klaar is voor rapportage en visualisatie. Het ligt bovenop gegevens in een lakehouse, een warehouse of een andere bron, en voegt relaties, berekeningen en beveiligingsregels toe. Dit artikel legt die laag uit en daarna de onderdelen eromheen: het lakehouse, het warehouse, Data Factory en het beveiligingsmodel.
Belangrijkste punten
- Een semantisch model is gegevens die klaar zijn voor rapportage. Het bevat gegevens of query's, het modelontwerp (relaties, berekeningen) en optioneel beveiligingsregels op rijniveau.
- Een lakehouse verwerkt gestructureerde en ongestructureerde gegevens met Spark. Een warehouse werkt op basis van T-SQL en ondersteunt transacties over meerdere tabellen. Beide slaan Delta-tabellen op in OneLake.
- Elk lakehouse krijgt een alleen-lezen SQL-analyse-eindpunt. Sinds 5 september 2025 wordt er bij een lakehouse niet meer automatisch een standaard semantisch model aangemaakt.
- Data Factory in Fabric verplaatst, transformeert en orkestreert gegevens met kopieertaken, Dataflow Gen2, spiegelen en pipelines.
- Fabric authenticeert elke aanvraag met Microsoft Entra ID en regelt de toegang via werkruimterollen, itemmachtigingen, beveiliging op gegevensniveau en vertrouwelijkheidslabels.
Een opmerking over de bronnen: de Power BI-pagina die is gebruikt voor de definitie van het semantische model vermeldt Direct Lake noch de vroegere naam van semantische modellen, dus dit artikel behandelt die niet.
Wat een semantisch model bevat
Microsoft Learn noemt drie onderdelen die een semantisch model bevat:
- Gegevens. Semantische modellen kunnen geïmporteerde gegevens opslaan, pass-through query-aanvragen naar de onderliggende bronnen sturen, of beide doen.
- Modelontwerp. Dit omvat queries voor gegevensvoorbereiding, relaties en berekeningen.
- Beveiligingsregels op rijniveau (RLS). Modellen kunnen RLS afdwingen om de gegevenstoegang voor bepaalde gebruikers te filteren.
De pagina beschrijft ook hoe modellen worden gebouwd en actueel gehouden. Je kunt verbinding maken met een bestaand model, een Power BI Desktop-bestand uploaden, een Excel-werkmap of CSV-bestand uploaden, of de push- of streaming-API's gebruiken. Modellen die in Power BI Desktop zijn ontwikkeld, gebruiken een van drie opslagmodi: Import, DirectQuery of Composite. Importmodellen moeten worden vernieuwd om actueel te blijven; ze worden volgens schema of op verzoek vernieuwd in de Power BI-service. Ze moeten gateways gebruiken wanneer de bron niet rechtstreeks via internet bereikbaar is.
Lakehouse: bestanden en tabellen op één plek
Learn zegt dat een lakehouse in Fabric de schaalbaarheid van een data lake combineert met de querymogelijkheden van een warehouse. Het organiseert data in twee mappen op het hoogste niveau: Tables voor beheerde Delta-tabellen en Files voor ongestructureerde of niet-Delta-data. Delta Lake biedt ACID-transacties, schema-afdwinging en time travel.
Wanneer je een lakehouse maakt, genereert Fabric een SQL analytics endpoint. Dit endpoint is alleen-lezen en toont alleen Delta-tabellen, inclusief Delta-tabellen die via OneLake-snelkoppelingen worden benaderd. Parquet- of CSV-bestanden verschijnen pas als je ze omzet naar Delta. Vanuit het endpoint kun je een Power BI-semantisch model maken.
Microsoft meldt ook een wijziging: sinds 5 september 2025 worden standaard semantische modellen niet meer automatisch bij een lakehouse aangemaakt, en bestaande exemplaren zijn op 30 november 2025 onafhankelijke semantische modellen geworden. In de praktijk maak en benoem je het semantische model dus zelf.
Warehouse: T-SQL en transacties
Fabric Data Warehouse wordt beschreven als een relationeel warehouse op ondernemingsschaal, gebouwd op een data lake-fundament. Data wordt opgeslagen als Delta-tabellen. Ontwikkeling gebeurt voornamelijk met T-SQL, met ondersteuning voor ACID-transacties over meerdere tabellen, gematerialiseerde weergaven, functies en opgeslagen procedures. Opslag en rekenkracht zijn gescheiden.
Learn noemt twee items voor datawarehousing:
| Item | Mogelijkheid | |---|---| | Warehouse | Volledige transactionele ondersteuning, inclusief DDL en DML | | SQL analytics endpoint | Kan dataobjecten bevragen maar de data niet wijzigen. Wordt automatisch gegenereerd voor elk lakehouse. |
Welke kies je?
Het advies van Microsoft is kort. Een warehouse past bij een oplossing op ondernemingsschaal met minimale setup en weinig performance-tuning, en werkt het best met gestructureerde en semi-gestructureerde data. Een lakehouse past bij grote volumes ongestructureerde data uit verschillende bronnen, vooral wanneer Spark het belangrijkste hulpmiddel is. De lakehouse-pagina voegt toe dat het geen transacties over meerdere tabellen ondersteunt, terwijl een warehouse dat wel doet. Beide slaan Delta-data op OneLake op en gebruiken dezelfde SQL-engine voor T-SQL-query's.
Data Factory in Fabric
Learn noemt Data Factory in Microsoft Fabric de volgende generatie van Azure Data Factory. Het verbindt met meer dan 170 gegevensbronnen en dekt verplaatsen, transformeren en orkestreren:
| Taak | Items | |---|---| | Verplaatsen | Copy job (de voorkeursoplossing voor eenvoudig verplaatsen), copy-activiteit, mirroring | | Transformeren | Dataflow Gen2 met meer dan 300 transformaties, pipeline-activiteiten, dbt-job | | Orkestreren | Pipelines met loops, voorwaarden, schema's en event-triggers, plus Apache Airflow |
Mirroring maakt binnen OneLake een bijna realtime replica van een operationele database. De pagina zegt dat de SLA voor Fabric-pipelines gelijkwaardig is aan de SLA voor pipelines in Azure Data Factory, maar verwijst voor de volledige lijst met verschillen naar een aparte gids. Die gids is hier niet gelezen.
Fabric-beveiliging in lagen
Het overzicht van de Fabric-beveiliging beschrijft deze lagen:
- Authenticatie. Elke aanvraag wordt geauthenticeerd met Microsoft Entra ID, en Voorwaardelijke toegang kan extra controles toevoegen, zoals MFA of locatiebeperkingen.
- Tenantinstellingen. Beheerders bepalen welke mogelijkheden voor de hele organisatie gelden en kunnen dit delegeren aan capaciteiten, werkruimten en domeinen.
- Werkruimterollen. Werkruimten zijn de belangrijkste toegangsgrens. Admin, member en contributor kunnen alle items gebruiken. Viewers hebben geen OneLake-toegang.
- Itemmachtigingen. Gebruikers zonder werkruimterol kunnen een gedeeld item ontvangen met beperkte toegang.
- Beveiliging op gegevensniveau. Beveiliging op rij-, kolom- en objectniveau beperkt wat viewers zien. Data in rust in OneLake is versleuteld.
- Netwerkbeveiliging. Private Links blokkeren openbare toegang en beperken de toegang tot een virtueel netwerk. Beheerde private endpoints maken veilige verbindingen met gegevensbronnen mogelijk zonder ze aan het openbare netwerk bloot te stellen.
- Vertrouwelijkheidslabels. Microsoft Purview-labels volgen de data van item naar item en blijven behouden bij export naar PBIX, Excel, PowerPoint en PDF.
De tabel op de pagina zegt dat viewers alle items in de werkruimte kunnen zien, maar geen OneLake-toegang hebben. Voor het exacte gedrag kun je de pagina over het machtigingsmodel raadplegen.
Een eenvoudige manier om te beginnen
- Zet ruwe data in een lakehouse, met een copy job, pipeline of Dataflow Gen2.
- Gebruik het SQL analytics endpoint voor T-SQL-controles, of een warehouse als je volledige T-SQL-schrijfacties en transacties nodig hebt.
- Maak een semantisch model met relaties, berekeningen en RLS.
- Bouw rapporten op basis van het model en controleer werkruimterollen en labels voordat je ze deelt.
Gerelateerd
Bronnen
- Microsoft Learn: Power BI-semantische modellen in de service
- Microsoft Learn: Overzicht van lakehouses in Fabric
- Microsoft Learn: Overzicht van Fabric Data Warehouse
- Microsoft Learn: Overzicht van Data Factory in Microsoft Fabric
- Microsoft Learn: Beveiliging in Microsoft Fabric
Veelgestelde vragen
Wat is een semantisch model in Fabric?
Microsoft Learn beschrijft Power BI-semantische modellen als een gegevensbron die klaar is voor rapportage en visualisatie. Een model kan geïmporteerde gegevens opslaan, pass-through query's naar de bron sturen, of beide. Het bevat ook het modelontwerp, waaronder queries voor gegevensvoorbereiding, relaties en berekeningen, en het kan beveiliging op rijniveau afdwingen.
Krijg ik nog steeds een standaard semantisch model bij een nieuw lakehouse?
Nee. Op de Microsoft Learn-pagina over het lakehouse staat dat er sinds 5 september 2025 niet meer automatisch een standaard semantisch model wordt aangemaakt bij het maken van een lakehouse. Bestaande standaard semantische modellen zijn uiterlijk 30 november 2025 losgekoppeld van hun bovenliggende items en zijn zelfstandige semantische modellen geworden.
Kies ik een lakehouse of een warehouse?
Volgens Microsoft Learn kies je voor een warehouse bij een oplossing op ondernemingsniveau met een open standaardformaat, weinig installatiewerk en weinig afstemming. Kies je voor een lakehouse bij grote volumes ongestructureerde gegevens uit verschillende bronnen, vooral als Spark je belangrijkste hulpmiddel is. Beide gebruiken dezelfde SQL-engine voor T-SQL-query's, en je kunt het andere item later alsnog toevoegen.
Wat is het SQL-analyse-eindpunt?
Microsoft Learn zegt dat Fabric automatisch een SQL-analyse-eindpunt genereert wanneer je een lakehouse maakt. Het is alleen-lezen, laat je Delta-tabellen bevragen met T-SQL en laat je een Power BI-semantisch model bovenop maken. Er verschijnen alleen Delta-tabellen in.
Hoe regelt Fabric de beveiliging?
Het overzicht van beveiliging op Microsoft Learn beschrijft lagen: authenticatie via Microsoft Entra ID, beheerinstellingen op tenantniveau, werkruimterollen, itemmachtigingen, OneLake-beveiliging, beveiliging op rij-, kolom- en objectniveau, netwerkbeheer en Purview-vertrouwelijkheidslabels die de gegevens van item tot item volgen.