M365Con 2027 – bezpłatna konferencja online · 11–22 Jan 2027 · 120 sessions m365con.net

Blog · Mirko Peters

Czym jest model semantyczny w Fabric? Lakehouse, Warehouse, Data Factory i podstawy zabezpieczeń

By ·

Prosty opis modelu semantycznego w Microsoft Fabric oraz jego relacji z lakehouse, warehouse, Data Factory i warstwami zabezpieczeń Fabric, oparty na Microsoft Learn.

Automatically translated with AI from the original post. Read the English original

Model semantyczny w Fabric to warstwa, która zamienia surowe tabele w dane, z których mogą korzystać raporty. Microsoft Learn opisuje model semantyczny Power BI jako źródło danych gotowych do raportowania i wizualizacji. Znajduje się on nad danymi w lakehouse, warehouse lub innym źródle i dodaje relacje, obliczenia oraz reguły zabezpieczeń. Ten artykuł wyjaśnia tę warstwę, a następnie elementy wokół niej: lakehouse, warehouse, Data Factory i model zabezpieczeń.

Najważniejsze wnioski

  • Model semantyczny to dane gotowe do raportowania. Zawiera dane lub zapytania, projekt modelu (relacje, obliczenia) oraz opcjonalne reguły zabezpieczeń na poziomie wiersza.
  • Lakehouse obsługuje dane ustrukturyzowane i nieustrukturyzowane za pomocą Spark. Warehouse opiera się na T-SQL i obsługuje transakcje obejmujące wiele tabel. Oba przechowują tabele Delta w OneLake.
  • Każdy lakehouse otrzymuje punkt końcowy analityki SQL tylko do odczytu. Od 5 września 2025 r. domyślny model semantyczny nie jest już automatycznie tworzony razem z lakehouse.
  • Data Factory w Fabric przenosi, przekształca i orkiestruje dane za pomocą zadań kopiowania, Dataflow Gen2, mirroringu i potoków.
  • Fabric uwierzytelnia każde żądanie za pomocą Microsoft Entra ID i kontroluje dostęp za pomocą ról obszaru roboczego, uprawnień do elementów, zabezpieczeń na poziomie danych oraz etykiet poufności.

Uwaga dotycząca źródeł: strona Power BI, z której odczytano definicję modelu semantycznego, nie wspomina o Direct Lake ani o dawnej nazwie modeli semantycznych, dlatego ten artykuł ich nie omawia.

Co zawiera model semantyczny

Microsoft Learn wymienia trzy elementy, które zawiera model semantyczny:

  • Dane. Modele semantyczne mogą przechowywać zaimportowane dane, wysyłać zapytania przekazujące do źródeł bazowych albo robić obie te rzeczy.
  • Projekt modelu. Obejmuje zapytania przygotowujące dane, relacje i obliczenia.
  • Reguły zabezpieczeń na poziomie wiersza (RLS). Modele mogą egzekwować RLS, filtrując dostęp do danych dla wybranych użytkowników.

Strona opisuje też, jak modele są budowane i jak utrzymuje się ich aktualność. Możesz połączyć się z istniejącym modelem, przesłać plik Power BI Desktop, przesłać skoroszyt Excel lub plik CSV albo skorzystać z interfejsów API push lub streamingu. Modele tworzone w Power BI Desktop używają jednego z trzech trybów przechowywania: Import, DirectQuery lub Composite. Modele importowane wymagają odświeżania, aby pozostać aktualnymi; odświeżają się zgodnie z harmonogramem lub na żądanie w usłudze Power BI. Gdy źródło nie jest bezpośrednio dostępne z internetu, konieczne jest użycie bramy.

Lakehouse: pliki i tabele w jednym miejscu

Według dokumentacji Learn lakehouse w Fabric łączy skalowalność jeziora danych z możliwościami zapytań hurtowni danych. Dane są uporządkowane w dwóch folderach najwyższego poziomu: Tables dla zarządzanych tabel Delta oraz Files dla danych nieustrukturyzowanych lub niebędących w formacie Delta. Delta Lake zapewnia transakcje ACID, wymuszanie schematu i podróże w czasie.

Po utworzeniu lakehouse'u Fabric generuje punkt końcowy analityki SQL. Jest on tylko do odczytu i pokazuje wyłącznie tabele Delta, w tym tabele Delta dostępne przez skróty OneLake. Pliki Parquet lub CSV nie pojawią się, dopóki nie zostaną przekonwertowane do formatu Delta. Z poziomu tego punktu końcowego można utworzyć model semantyczny usługi Power BI.

Microsoft informuje też o zmianie: od 5 września 2025 r. domyślne modele semantyczne nie są już tworzone automatycznie wraz z lakehouse'em, a istniejące do 30 listopada 2025 r. stały się niezależnymi modelami semantycznymi. W praktyce model semantyczny tworzysz i nazywasz teraz samodzielnie.

Hurtownia: T-SQL i transakcje

Fabric Data Warehouse jest opisywany jako relacyjna hurtownia danych w skali przedsiębiorstwa, zbudowana na fundamencie jeziora danych. Dane są przechowywane jako tabele Delta. Tworzenie odbywa się głównie w języku T-SQL, z obsługą transakcji ACID obejmujących wiele tabel, widoków zmaterializowanych, funkcji i procedur składowanych. Magazyn danych i moc obliczeniowa są rozdzielone.

Learn wymienia dwa elementy związane z hurtowniami danych:

| Element | Możliwości | |---|---| | Warehouse | Pełna obsługa transakcji, w tym DDL i DML | | Punkt końcowy analityki SQL | Może wysyłać zapytania do obiektów danych, ale nie może modyfikować danych. Generowany automatycznie dla każdego lakehouse'u. |

Którego wybrać

Wskazówki Microsoft są krótkie. Warehouse sprawdza się w rozwiązaniu w skali przedsiębiorstwa, wymagającym minimalnej konfiguracji i niewielkiego dostrajania wydajności, i działa najlepiej z danymi ustrukturyzowanymi oraz częściowo ustrukturyzowanymi. Lakehouse sprawdza się przy dużych wolumenach danych nieustrukturyzowanych z różnych źródeł, zwłaszcza gdy głównym narzędziem jest Spark. Strona o lakehouse'ie dodaje, że nie obsługuje on transakcji obejmujących wiele tabel, w przeciwieństwie do warehouse'u. Oba rozwiązania przechowują dane Delta w OneLake i używają tego samego silnika SQL do zapytań T-SQL.

Data Factory w Fabric

Learn określa Data Factory w Microsoft Fabric jako kolejną generację Azure Data Factory. Łączy się z ponad 170 źródłami danych i obejmuje przenoszenie, transformację oraz orkiestrację:

| Zadanie | Elementy | |---|---| | Przenoszenie | Zadanie kopiowania (preferowane rozwiązanie do uproszczonego przenoszenia), działanie kopiowania, mirroring | | Transformacja | Dataflow Gen2 z ponad 300 transformacjami, działania potoku, zadanie dbt | | Orkiestracja | Potoki z pętlami, warunkami, harmonogramami i wyzwalaczami zdarzeń oraz Apache Airflow |

Mirroring tworzy replikę operacyjnej bazy danych w OneLake w czasie zbliżonym do rzeczywistego. Strona podaje, że SLA dla potoków Fabric jest równoważne SLA dla potoków w Azure Data Factory, ale odsyła do osobnego przewodnika z pełną listą różnic, którego w tym przypadku nie czytano.

Bezpieczeństwo Fabric warstwami

Przegląd zabezpieczeń Fabric opisuje następujące warstwy:

  1. Uwierzytelnianie. Każde żądanie jest uwierzytelniane za pomocą Microsoft Entra ID, a dostęp warunkowy może dodać kontrolki, takie jak MFA lub ograniczenia lokalizacji.
  2. Ustawienia dzierżawy. Administratorzy kontrolują możliwości dla całej organizacji i mogą delegować je na pojemności, obszary robocze i domeny.
  3. Role w obszarze roboczym. Obszary robocze są główną granicą dostępu. Administrator, element członkowski i współautor mogą korzystać ze wszystkich elementów. Wyświetlający nie mają dostępu do OneLake.
  4. Uprawnienia do elementów. Użytkownicy bez roli w obszarze roboczym mogą otrzymać udostępniony element z ograniczonym dostępem.
  5. Zabezpieczenia na poziomie danych. Zabezpieczenia na poziomie wiersza, kolumny i obiektu ograniczają to, co widzą wyświetlający. Dane w spoczynku w OneLake są szyfrowane.
  6. Zabezpieczenia sieci. Prywatne linki blokują publiczny dostęp i ograniczają dostęp do sieci wirtualnej. Zarządzane prywatne punkty końcowe umożliwiają bezpieczne połączenia ze źródłami danych bez ich wystawiania do publicznej sieci.
  7. Etykiety poufności. Etykiety Microsoft Purview przenoszą się wraz z danymi między elementami i zachowują się przy eksporcie do PBIX, Excela, PowerPoint i PDF.

Tabela na stronie podaje, że wyświetlający widzą wszystkie elementy w obszarze roboczym, ale nie mają dostępu do OneLake. Dokładne zachowanie sprawdź na stronie modelu uprawnień.

Prosty sposób na start

  1. Załaduj surowe dane do lakehouse'u za pomocą zadania kopiowania, potoku lub Dataflow Gen2.
  2. Użyj punktu końcowego analityki SQL do sprawdzeń w T-SQL, a jeśli potrzebujesz pełnych zapisów i transakcji T-SQL, wybierz warehouse.
  3. Utwórz model semantyczny z relacjami, obliczeniami i RLS.
  4. Twórz raporty na podstawie modelu i przed udostępnieniem sprawdź role oraz etykiety obszarów roboczych.

Powiązane

Źródła

Obserwuj podcastApple PodcastsSpotify

FAQ

Czym jest model semantyczny w Fabric?

Microsoft Learn opisuje modele semantyczne Power BI jako źródło danych gotowych do raportowania i wizualizacji. Model może przechowywać zaimportowane dane, wysyłać zapytania przekazujące do źródła albo robić obie te rzeczy. Zawiera także projekt modelu, w tym zapytania przygotowujące dane, relacje i obliczenia, a może egzekwować zabezpieczenia na poziomie wiersza.

Czy przy nowym lakehouse nadal otrzymam domyślny model semantyczny?

Nie. Strona Microsoft Learn dotycząca lakehouse informuje, że od 5 września 2025 r. domyślne modele semantyczne nie są już tworzone automatycznie podczas tworzenia lakehouse. Istniejące domyślne modele semantyczne zostały odłączone od elementów nadrzędnych do 30 listopada 2025 r. i stały się niezależnymi modelami semantycznymi.

Czy wybrać lakehouse, czy warehouse?

Według Microsoft Learn warehouse wybierz do rozwiązania na skalę przedsiębiorstwa, opartego na otwartym standardzie formatu, z minimalną konfiguracją i niewielkim dostrajaniem. Lakehouse wybierz do dużych wolumenów nieustrukturyzowanych danych z różnych źródeł, zwłaszcza gdy głównym narzędziem jest Spark. Oba korzystają z tego samego silnika SQL do zapytań T-SQL, a drugi element możesz dodać później.

Czym jest punkt końcowy analityki SQL?

Microsoft Learn podaje, że Fabric automatycznie generuje punkt końcowy analityki SQL po utworzeniu lakehouse. Jest on przeznaczony tylko do odczytu, pozwala wysyłać zapytania do tabel Delta za pomocą T-SQL i tworzyć na nim model semantyczny Power BI. Pojawiają się w nim wyłącznie tabele Delta.

Jak Fabric obsługuje zabezpieczenia?

Przegląd zabezpieczeń Microsoft Learn opisuje kolejne warstwy: uwierzytelnianie w Microsoft Entra ID, ustawienia administracyjne na poziomie dzierżawy, role w obszarze roboczym, uprawnienia do elementów, zabezpieczenia OneLake, zabezpieczenia na poziomie wiersza, kolumny i obiektu, mechanizmy kontroli sieciowej oraz etykiety poufności Purview, które przenoszą się wraz z danymi między elementami.

Entities in this article

Tematy tego artykułu:

Microsoft Fabric – Narzędzie analityczne i BI firmy Microsoft Model semantyczny – Pojęcie Fabric lakehouse – Produkt Fabric Data Warehouse – Produkt

Related articles

Więcej artykułów (temat: Microsoft Fabric):

RSS