M365Con 2027 – безкоштовна онлайн-конференція · 11–22 Jan 2027 · 120 sessions m365con.net

Блог · Mirko Peters

Що таке семантична модель у Fabric? Lakehouse, Warehouse, Data Factory та основи безпеки

By ·

Простого пояснення семантичної моделі в Microsoft Fabric: як вона пов'язана з lakehouse, warehouse, Data Factory та рівнями безпеки Fabric. Матеріал базується на документації Microsoft Learn.

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

Семантична модель у Fabric — це шар, який перетворює сирі таблиці на щось, що можна використати у звітах. Microsoft Learn описує семантичну модель Power BI як джерело даних, готових для звітів і візуалізації. Вона розташовується поверх даних у lakehouse, warehouse або іншому джерелі та додає зв'язки, обчислення і правила безпеки. Ця стаття пояснює саме цей шар, а потім компоненти навколо нього: lakehouse, warehouse, Data Factory і модель безпеки.

Головне

  • Семантична модель — це дані, готові для звітності. Вона містить дані або запити, дизайн моделі (зв'язки, обчислення) і необов'язкові правила безпеки на рівні рядків.
  • Lakehouse працює зі структурованими та неструктурованими даними через Spark. Warehouse базується на T-SQL і підтримує багатотабличні транзакції. Обидва зберігають таблиці Delta в OneLake.
  • Кожен lakehouse отримує SQL analytics endpoint лише для читання. З 5 вересня 2025 року семантична модель за замовчуванням більше не створюється автоматично разом із lakehouse.
  • Data Factory у Fabric переміщує, перетворює та оркеструє дані за допомогою copy jobs, Dataflow Gen2, mirroring і pipelines.
  • Fabric автентифікує кожен запит через Microsoft Entra ID і контролює доступ через ролі робочих областей, дозволи елементів, безпеку на рівні даних і мітки конфіденційності.

Одне уточнення щодо джерел: сторінка Power BI, з якої взято визначення семантичної моделі, не згадує Direct Lake чи попередню назву семантичних моделей, тому ця стаття їх не розглядає.

Що містить семантична модель

Microsoft Learn перелічує три складові семантичної моделі:

  • Дані. Семантичні моделі можуть зберігати імпортовані дані, надсилати запити pass-through до базових джерел або робити і те, і те.
  • Дизайн моделі. Сюди входять запити для підготовки даних, зв'язки та обчислення.
  • Правила безпеки на рівні рядків (RLS). Моделі можуть застосовувати RLS, щоб фільтрувати доступ до даних для окремих користувачів.

На сторінці також описано, як моделі створюються й підтримуються в актуальному стані. Можна підключитися до наявної моделі, завантажити файл Power BI Desktop, завантажити книгу Excel або файл CSV, або використати API для push чи streaming. Моделі, розроблені в Power BI Desktop, використовують один із трьох режимів зберігання: Import, DirectQuery або Composite. Моделі з режимом Import потребують оновлення, щоб залишатися актуальними; їх оновлюють за розкладом або на вимогу в сервісі Power BI. Для них потрібні шлюзи, якщо джерело не доступне напряму з інтернету.

Lakehouse: файли та таблиці в одному місці

Learn каже, що lakehouse у Fabric поєднує масштабованість data lake із можливостями запитів warehouse. Дані організовано у два кореневі каталоги: Tables для керованих таблиць Delta і Files для неструктурованих або не-Delta даних. Delta Lake забезпечує транзакції ACID, примусове дотримання схеми та time travel.

Коли ви створюєте lakehouse, Fabric автоматично генерує SQL analytics endpoint. Він доступний лише для читання і показує лише таблиці Delta, зокрема таблиці Delta, до яких дійшли через ярлики OneLake. Файли Parquet або CSV не з'являються, доки ви не конвертуєте їх у Delta. З цієї кінцевої точки можна створити семантичну модель Power BI.

Microsoft також повідомляє про зміну: з 5 вересня 2025 року семантичні моделі за замовчуванням більше не створюються автоматично разом із lakehouse, а наявні стали незалежними семантичними моделями до 30 листопада 2025 року. На практиці семантичну модель тепер створюєте і називаєте ви самі.

Warehouse: T-SQL і транзакції

Fabric Data Warehouse описано як реляційний склад корпоративного масштабу, побудований на основі data lake. Дані зберігаються як таблиці Delta. Розробка здебільшого ведеться на T-SQL, із підтримкою багатотабличних транзакцій ACID, матеріалізованих подань, функцій і збережених процедур. Сховище й обчислення розділено.

Learn називає два елементи для складських даних:

| Елемент | Можливості | |---|---| | Warehouse | Повна підтримка транзакцій, включно з DDL і DML | | SQL analytics endpoint | Може запитувати об'єкти даних, але не змінювати їх. Створюється автоматично для кожного lakehouse. |

Який обрати

Рекомендації Microsoft стислі. Warehouse підходить для рішення корпоративного масштабу з мінімальним налаштуванням і малим обсягом тонкого налаштування продуктивності, найкраще працює зі структурованими та напівструктурованими даними. Lakehouse підходить для великих обсягів неструктурованих даних із різних джерел, особливо коли основний інструмент — Spark. На сторінці про lakehouse додано, що він не підтримує багатотабличні транзакції, на відміну від warehouse. Обидва зберігають дані Delta в OneLake і використовують той самий SQL-рушій для запитів T-SQL.

Data Factory у Fabric

Learn називає Data Factory in Microsoft Fabric наступним поколінням Azure Data Factory. Він підключається до понад 170 джерел даних і охоплює переміщення, перетворення та оркестрацію:

| Завдання | Елементи | |---|---| | Переміщення | Copy job (переважне рішення для спрощеного переміщення), дія копіювання, mirroring | | Перетворення | Dataflow Gen2 з понад 300 перетвореннями, дії конвеєра, завдання dbt | | Оркестрація | Конвеєри з циклами, умовами, розкладами та тригерами подій, а також Apache Airflow |

Mirroring створює репліку операційної бази даних майже в реальному часі в OneLake. На сторінці сказано, що SLA для конвеєрів Fabric еквівалентний SLA для конвеєрів в Azure Data Factory, але повний перелік відмінностей наведено в окремому посібнику, який тут не розглядався.

Безпека Fabric на рівнях

Огляд безпеки Fabric описує такі рівні:

  1. Автентифікація. Кожен запит автентифікується через Microsoft Entra ID, а Conditional Access може додати такі заходи, як MFA або обмеження за місцезнаходженням.
  2. Параметри клієнта. Адміністратори керують можливостями для всієї організації і можуть делегувати їх на ємності, робочі простори та домени.
  3. Ролі робочого простору. Робочі простори є основною межею доступу. Адміністратор, учасник і контриб'ютор можуть використовувати всі елементи. Переглядачі не мають доступу до OneLake.
  4. Дозволи для елементів. Користувачі без ролі в робочому просторі можуть отримати спільний елемент з обмеженим доступом.
  5. Безпека на рівні даних. Безпека на рівні рядків, стовпців і об'єктів обмежує те, що бачать переглядачі. Дані в стані спокою в OneLake шифруються.
  6. Мережева безпека. Private Link блокує публічний доступ і обмежує доступ до віртуальної мережі. Керовані приватні кінцеві точки забезпечують безпечні з'єднання з джерелами даних без їх відкриття для публічної мережі.
  7. Мітки конфіденційності. Мітки Microsoft Purview переходять за даними від елемента до елемента і зберігаються під час експорту в PBIX, Excel, PowerPoint і PDF.

У таблиці на сторінці сказано, що переглядачі можуть бачити всі елементи робочого простору, але не мають доступу до OneLake. Точну поведінку перевіряйте на сторінці моделі дозволів.

Простий старт

  1. Завантажте сирі дані в lakehouse за допомогою copy job, конвеєра або Dataflow Gen2.
  2. Використовуйте SQL analytics endpoint для перевірок T-SQL або warehouse, якщо потрібні повноцінні записи T-SQL і транзакції.
  3. Створіть семантичну модель із зв'язками, обчисленнями та RLS.
  4. Будуйте звіти на основі моделі та перевіряйте ролі в робочих просторах і мітки перед тим, як ділитися ними.

Пов’язане

Джерела

Підписатися на подкастApple PodcastsSpotify

FAQ

Що таке семантична модель у Fabric?

Microsoft Learn описує семантичні моделі Power BI як джерело даних, готових для звітів і візуалізації. Модель може зберігати імпортовані дані, надсилати запити pass-through до джерела або поєднувати і те, і те. Вона також містить дизайн моделі: запити для підготовки даних, зв'язки та обчислення, і може забезпечувати безпеку на рівні рядків.

Чи створюється семантична модель за замовчуванням разом із новим lakehouse?

Ні. На сторінці lakehouse у Microsoft Learn зазначено, що з 5 вересня 2025 року семантичні моделі за замовчуванням більше не створюються автоматично під час створення lakehouse. Наявні семантичні моделі за замовчуванням було відв'язано від батьківських елементів до 30 листопада 2025 року, і вони стали незалежними семантичними моделями.

Що обрати: lakehouse чи warehouse?

За даними Microsoft Learn, warehouse варто обирати для корпоративного рішення у відкритому стандартному форматі з мінімальним налаштуванням і мінімумом тюнінгу. Lakehouse варто обирати для великих обсягів неструктурованих даних із різних джерел, особливо якщо основний інструмент для вас — Spark. Обидва використовують один і той самий SQL-рушій для запитів T-SQL, а інший елемент можна додати згодом.

Що таке SQL analytics endpoint?

Microsoft Learn пише, що Fabric автоматично створює SQL analytics endpoint під час створення lakehouse. Він доступний лише для читання, дає змогу запитувати таблиці Delta через T-SQL і створювати поверх них семантичну модель Power BI. У ньому відображаються лише таблиці Delta.

Як Fabric забезпечує безпеку?

Огляд безпеки в Microsoft Learn описує кілька рівнів: автентифікацію через Microsoft Entra ID, адміністративні налаштування на рівні клієнта, ролі робочих областей, дозволи елементів, OneLake security, безпеку на рівні рядків, стовпців і об'єктів, мережеві засоби контролю та мітки конфіденційності Purview, які переходять разом із даними від одного елемента до іншого.

Entities in this article

Теми цієї статті:

Microsoft Fabric – Інструмент аналітики та BI від Microsoft Семантична модель – Поняття Fabric lakehouse – Продукт Fabric Data Warehouse – Продукт

Related articles

Інші статті на тему Microsoft Fabric:

RSS