Hinweis
Für den Zugriff auf diese Seite ist eine Autorisierung erforderlich. Sie können versuchen, sich anzumelden oder das Verzeichnis zu wechseln.
Für den Zugriff auf diese Seite ist eine Autorisierung erforderlich. Sie können versuchen, das Verzeichnis zu wechseln.
Um schnelle, zuverlässige Analysen von der Lakehouse-Plattform zu liefern, ist es wichtig, SQL-Lager für eine optimale BI-Leistung zu konfigurieren und zu betreiben. SQL-Warehouses in Azure Databricks sind zwecks Bereitstellung von Business Intelligence-Workloads konzipiert und ermöglichen eine dynamische Skalierung, eine effiziente Abfrageverarbeitung und ein robustes Ressourcenmanagement.
Auf dieser Seite werden empfohlene Methoden für die Bereitstellung, Verwaltung und Überwachung von SQL-Warehouses beschrieben, um eine reaktionsfähige Dashboards, eine kostengünstige Ressourcennutzung und eine reibungslose Integration mit Enterprise BI-Tools sicherzustellen.
Dieser Inhalt richtet sich an Datentechniker, BI-Entwickler und Arbeitsbereichsadministratoren, die für das Konfigurieren, Optimieren und Verwalten von SQL-Warehouses für Die Analyse- und Dashboardleistung verantwortlich sind. Viele Aufgaben erfordern erweiterte Arbeitsbereichsberechtigungen, mit denen Sie SQL-Lagerhäuser erstellen oder verwalten können.
SQL-Bereitstellung
| Beste Praxis | Auswirkung | Docs | Aktionselemente |
|---|---|---|---|
| Verwenden sie serverloses Compute, um Ressourcen automatisch zu starten, zu beenden und zu skalieren | Reduziert die Kosten, indem nicht ausgelastete Ressourcen abgeschaltet werden. | Aktivieren des automatischen Stopps für Entwicklungslager | |
| Verwenden Sie SQL-Warenhäuser für beliebige BI-Workloads (serverlos wird empfohlen) | SQL-Lagerhäuser sind für BI-Workloads optimiert. | Konfigurieren von SQL Warehouse für BI-Workloads | |
| Richtige Größe Ihres Lagers | Gleicht leistung und Kosten für Ihre Workload aus. | Beginnen Sie mit M-Größe, überwachen Sie die Leistung, und passen Sie sie bei Bedarf an. | |
| Verwenden einer höheren Clustergröße für größere Datasets | Je größer der Cluster (M, L, XL usw.), desto schneller werden komplexe Abfragen ausgeführt. Wenn Sie nur über einfache, kurz ausgeführte Abfragen verfügen, erhöhen Sie die Größe nicht (kann aufgrund von Datenumbildung langsamer sein). | Evaluieren der Abfragekomplexität und Datensatzgröße | |
| Verwendung der SQL-Datenbank-Skalierung | Ein SQL-Lager wird skaliert, um eine erhöhte Arbeitsauslastung zu bewältigen. Wenn das Lager seine Grenzen erreicht, werden Abfragen in die Warteschlange eingereiht, nicht abgelehnt. | Aktivieren der Skalierung für Produktionsworkloads | |
| Wenn sie viele gleichzeitige Abfragen erwarten, erhöhen Sie die Mindestanzahl von Clustern. | Verhindert, dass Abfragen in die Warteschlange gestellt werden, während sie auf die Erweiterung vorbereitet werden. | Konfigurieren von Min. Clustern basierend auf der erwarteten Arbeitsauslastung | |
| Verwenden separater SQL-Lagerhäuser für verschiedene Workloads oder Geschäftseinheiten | Sql-Lagerhallen mit der richtigen Größe, um die Isolation und Kostenzuordnung zu verbessern. | Erstellen von dedizierten Lagerhäusern pro Workload | |
| Überwachen der Abfrageleistung | Identifiziert Leistungsengpässe und Probleme mithilfe des Abfrageverlaufs. Mit Systemtabellen können Sie die Leistung programmgesteuert überwachen. | Einrichten von Überwachungsdashboards |
Verwandte Inhalte
Ausführliche Anleitungen zur Analyse von BI-Workloadanforderungen und zum Konfigurieren von SQL-Warehouses für verschiedene Zugriffsmuster (DirectQuery vs Import/Extract) finden Sie unter SQL Warehouse-Einstellungen für BI-Workloads.