M365Con 2027 – бесплатная онлайн-конференция · 11–22 Jan 2027 · 120 sessions m365con.net

Блог · Mirko Peters

Что такое семантическая модель в Fabric? Lakehouse, Warehouse, Data Factory и основы безопасности

By ·

Простое объяснение семантической модели в Microsoft Fabric и того, как она связана с lakehouse, warehouse, Data Factory и уровнями безопасности Fabric, на основе документации Microsoft Learn.

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

Семантическая модель в Fabric — это уровень, который превращает сырые таблицы в то, что можно использовать в отчётах. Microsoft Learn описывает семантическую модель Power BI как источник данных, готовых для построения отчётов и визуализации. Она находится поверх данных в lakehouse, warehouse или другом источнике и добавляет связи, вычисления и правила безопасности. В этой статье рассматривается именно этот уровень, а затем элементы вокруг него: lakehouse, warehouse, Data Factory и модель безопасности.

Ключевые выводы

  • Семантическая модель — это данные, готовые для построения отчётов. Она содержит данные или запросы, дизайн модели (связи, вычисления) и необязательные правила безопасности на уровне строк.
  • Lakehouse работает со структурированными и неструктурированными данными с помощью Spark. Warehouse основан на T-SQL и поддерживает транзакции с несколькими таблицами. Оба хранят таблицы Delta в OneLake.
  • Каждый lakehouse получает SQL analytics endpoint только для чтения. С 5 сентября 2025 года семантическая модель по умолчанию больше не создаётся автоматически вместе с lakehouse.
  • Data Factory в Fabric перемещает, преобразует и оркестрирует данные с помощью copy jobs, Dataflow Gen2, mirroring и конвейеров.
  • Fabric аутентифицирует каждый запрос через Microsoft Entra ID и контролирует доступ с помощью ролей рабочей области, разрешений элементов, безопасности на уровне данных и меток конфиденциальности.

Замечание об источниках: страница Power BI, на которую мы опирались при описании определения семантической модели, не упоминает Direct Lake и прежнее название семантических моделей, поэтому в этой статье они не рассматриваются.

Что содержит семантическая модель

Microsoft Learn перечисляет три составляющие семантической модели:

  • Данные. Семантические модели могут хранить импортированные данные, отправлять pass-through запросы к исходным источникам или делать и то, и другое.
  • Дизайн модели. Сюда входят запросы подготовки данных, связи и вычисления.
  • Правила безопасности на уровне строк (RLS). Модели могут применять RLS, ограничивая доступ к данным для определённых пользователей.

На странице также описано, как модели создаются и поддерживаются в актуальном состоянии. Можно подключиться к существующей модели, загрузить файл Power BI Desktop, загрузить книгу Excel или файл CSV либо использовать API отправки или потоковой передачи. Модели, разработанные в Power BI Desktop, используют один из трёх режимов хранения: Import, DirectQuery или Composite. Модели импорта нужно обновлять, чтобы данные оставались актуальными; их можно обновлять по расписанию или по требованию в службе Power BI. Если источник недоступен напрямую через интернет, необходимо использовать шлюзы.

Lakehouse: файлы и таблицы в одном месте

Learn пишет, что лейкхаус в Fabric сочетает масштабируемость озера данных с возможностями запросов хранилища. Данные организованы в две папки верхнего уровня: Tables для управляемых таблиц Delta и Files для неструктурированных данных или данных не в формате Delta. Delta Lake обеспечивает транзакции ACID, принудительное применение схемы и путешествие во времени.

При создании лейкхауса Fabric автоматически создаёт SQL analytics endpoint. Он предназначен только для чтения и показывает только таблицы Delta, включая таблицы Delta, доступные через ярлыки OneLake. Файлы Parquet или CSV не отображаются, пока вы не преобразуете их в Delta. Из этой конечной точки можно создать семантическую модель Power BI.

Microsoft также сообщает об изменении: начиная с 5 сентября 2025 года семантические модели по умолчанию больше не создаются автоматически вместе с лейкхаусом, а существующие стали независимыми семантическими моделями к 30 ноября 2025 года. На практике семантическую модель теперь вы создаёте и называете сами.

Хранилище: T-SQL и транзакции

Fabric Data Warehouse описывается как реляционное хранилище корпоративного масштаба, построенное на основе озера данных. Данные хранятся в таблицах Delta. Разработка ведётся в основном на T-SQL с поддержкой многотабличных транзакций ACID, материализованных представлений, функций и хранимых процедур. Хранение и вычисления разделены.

Learn называет два элемента для работы с хранилищем:

| Элемент | Возможности | |---|---| | Warehouse | Полная поддержка транзакций, включая DDL и DML | | SQL analytics endpoint | Может выполнять запросы к объектам данных, но не может изменять данные. Создаётся автоматически для каждого лейкхауса. |

Что выбрать

Рекомендации Microsoft короткие. Хранилище подходит для решения корпоративного масштаба с минимальной настройкой и небольшим объёмом тонкой настройки производительности, лучше всего работает со структурированными и полуструктурированными данными. Лейкхаус подходит для больших объёмов неструктурированных данных из разных источников, особенно когда основной инструмент — Spark. На странице о лейкхаусе также указано, что он не поддерживает многотабличные транзакции, в отличие от хранилища. Оба варианта хранят данные Delta в OneLake и используют один и тот же SQL-движок для запросов T-SQL.

Data Factory в Fabric

Learn называет Data Factory in Microsoft Fabric следующим поколением Azure Data Factory. Он подключается к более чем 170 источникам данных и охватывает перемещение, преобразование и оркестрацию:

| Задача | Элементы | |---|---| | Перемещение | Задание копирования (предпочтительное решение для упрощённого перемещения), действие копирования, зеркалирование | | Преобразование | Dataflow Gen2 с более чем 300 преобразованиями, действия конвейера, задание dbt | | Оркестрация | Конвейеры с циклами, условиями, расписаниями и триггерами событий, а также Apache Airflow |

Зеркалирование создаёт реплику операционной базы данных в OneLake с задержкой, близкой к реальному времени. На странице сказано, что SLA для конвейеров Fabric эквивалентен SLA для конвейеров в Azure Data Factory, однако полный перечень различий приводится в отдельном руководстве, которое здесь не изучалось.

Безопасность Fabric по уровням

Обзор безопасности Fabric описывает следующие уровни:

  1. Аутентификация. Каждый запрос аутентифицируется через Microsoft Entra ID, а условный доступ может добавить такие средства контроля, как MFA или ограничения по местоположению.
  2. Параметры клиента. Администраторы управляют возможностями для всей организации и могут делегировать их емкостям, рабочим областям и доменам.
  3. Роли в рабочей области. Рабочие области являются основной границей доступа. Администратор, участник и соавтор могут использовать все элементы. Читатели не имеют доступа к OneLake.
  4. Разрешения для элементов. Пользователи без роли в рабочей области могут получить общий элемент с ограниченным доступом.
  5. Безопасность на уровне данных. Безопасность на уровне строк, столбцов и объектов ограничивает то, что видят читатели. Данные в покое в OneLake зашифрованы.
  6. Сетевая безопасность. Private Link блокирует публичный доступ и ограничивает доступ виртуальной сетью. Управляемые частные конечные точки обеспечивают безопасные подключения к источникам данных без открытия их для публичной сети.
  7. Метки конфиденциальности. Метки Microsoft Purview следуют за данными от элемента к элементу и сохраняются при экспорте в PBIX, Excel, PowerPoint и PDF.

В таблице на странице сказано, что читатели видят все элементы рабочей области, но не имеют доступа к OneLake. Точное поведение уточняйте на странице модели разрешений.

Простой способ начать

  1. Загрузите исходные данные в лейкхаус с помощью задания копирования, конвейера или Dataflow Gen2.
  2. Используйте SQL analytics endpoint для проверок на T-SQL или хранилище, если нужны полноценная запись и транзакции T-SQL.
  3. Создайте семантическую модель со связями, вычислениями и RLS.
  4. Создавайте отчёты на основе модели и проверяйте роли и метки в рабочей области перед тем, как делиться ими.

Связанное

Источники

Подписаться на подкастApple PodcastsSpotify

FAQ

Что такое семантическая модель в Fabric?

Microsoft Learn описывает семантические модели Power BI как источник данных, готовых для построения отчётов и визуализации. Модель может хранить импортированные данные, отправлять pass-through запросы к источнику или делать и то, и другое. Она также содержит дизайн модели, включая запросы подготовки данных, связи и вычисления, и может применять безопасность на уровне строк.

Создаётся ли семантическая модель по умолчанию вместе с новым lakehouse?

Нет. На странице Microsoft Learn о lakehouse указано, что с 5 сентября 2025 года семантические модели по умолчанию больше не создаются автоматически при создании lakehouse. Существующие семантические модели по умолчанию были отделены от родительских элементов до 30 ноября 2025 года и стали независимыми семантическими моделями.

Что выбрать: lakehouse или warehouse?

По данным Microsoft Learn, warehouse стоит выбирать для решения корпоративного масштаба в открытом стандартном формате с минимальной настройкой и небольшим объёмом тонкой настройки. Lakehouse подходит для больших объёмов неструктурированных данных из разных источников, особенно если основной инструмент — Spark. Оба используют один и тот же SQL-движок для запросов T-SQL, и второй элемент можно добавить позже.

Что такое SQL analytics endpoint?

Microsoft Learn сообщает, что Fabric автоматически создаёт SQL analytics endpoint при создании lakehouse. Он доступен только для чтения, позволяет выполнять запросы к таблицам Delta с помощью T-SQL и создавать поверх них семантическую модель Power BI. В нём отображаются только таблицы Delta.

Как Fabric организует безопасность?

Обзор безопасности Microsoft Learn описывает несколько уровней: аутентификация через Microsoft Entra ID, административные настройки на уровне клиента, роли рабочей области, разрешения элементов, OneLake security, безопасность на уровне строк, столбцов и объектов, сетевые средства контроля и метки конфиденциальности Purview, которые следуют за данными от элемента к элементу.

Entities in this article

Темы этой статьи:

Microsoft Fabric – Инструмент аналитики и BI от Microsoft Семантическая модель – Понятие Fabric lakehouse – Продукт Fabric Data Warehouse – Продукт

Related articles

Другие статьи на тему Microsoft Fabric:

RSS