Freigeben über


Konfigurieren der Abrechnung mit Autoskalierung für Spark in Microsoft Fabric

Die Abrechnung mit Autoskalierung für Spark ermöglicht serverloses Computing mit nutzungsbasierter Bezahlung für Spark-Workloads in Microsoft Fabric. Nach der Aktivierung verbrauchen Spark-Aufträge die freigegebene Kapazität nicht mehr, sodass Sie die Flexibilität haben, Spark-Workloads unabhängig voneinander zu skalieren und Kosten zu optimieren.

In diesem Leitfaden erfahren Sie, wie Sie die Autoscale-Abrechnung für Ihre Fabric-Kapazität aktivieren und den maximalen Cu-Grenzwert (Capacity Unit) für Ihre Spark-Aufträge konfigurieren.

Anforderungen

  • Kapazität: Nur für Fabric F-SKUs (F2 und höher) verfügbar. Nicht unterstützt auf P-SKUs oder Fabric Trial-Kapazitäten.
  • Zugriffsrollen: Sie müssen ein Fabric-Kapazitätsadministrator sein, um die Abrechnung mit Autoskalierung zu konfigurieren.

Wichtig

Durch Aktivieren, Deaktivieren oder Verringern der maximalen Kapazitätseinheiten werden alle aktiven Spark-Aufträge abgebrochen, die unter Abrechnung mit Autoskalierung ausgeführt werden, um Abrechnungsüberschneidungen zu vermeiden.

So konfigurieren Sie die Autoscale-Abrechnung für Spark

Führen Sie die folgenden Schritte aus, um die Einstellungen für die Autoscale-Abrechnung für eine Fabric-Kapazität zu aktivieren und zu verwalten:

  1. Gehen Sie zum Microsoft Fabric Admin Portal.

  2. Wählen Sie im Abschnitt Governance und ErkenntnisseVerwaltungsportal aus.

  3. Wählen Sie im linken Menü Kapazitätseinstellungen aus, und wechseln Sie zur Registerkarte Fabric-Kapazität.

  4. Wählen Sie die Kapazität aus, die Sie konfigurieren möchten.

    a) Scrollen Sie auf der Seite Kapazitätseinstellungen zum Abschnitt Autoskalenabrechnung für Fabric Spark.

    b. Aktivieren Sie den Schalter Autoscale Billing.

    Abschnitt c. Verwenden Sie den Schieberegler, um die maximalen Kapazitätseinheiten (CU) festzulegen, die Sie Spark-Jobs zuordnen möchten.

    • Sie können für den Schieberegler einen Höchstgrenzwert einrichten, und dieser Grenzwert basiert auf dem für Ihr Azure-Abonnement genehmigten Kontingent und basiert auch auf dem Typ des abonnements, das Sie verwenden. Sie können das Kontingent erhöhen, indem Sie die im Abschnitt Kontingentverwaltung in diesem Dokument genannten Schritte ausführen.
    • Sie werden nur für die verwendete Berechnung in Rechnung gestellt, bis zu diesem Grenzwert.

    Screenshot des Schalters 'Autoskalenabrechnung' und des CU-Schiebereglers in den Kapazitätseinstellungen.

    d. Klicken Sie auf Speichern, um Ihre Einstellungen anzuwenden.

Hinweis

  • Nachdem Sie gespeichert haben, können Ihre Spark-Pools jetzt das neue CU-Kontingent verwenden, das durch die Abrechnung mit Autoskalierung festgelegt wurde.
  • Optional können Sie die Größe Ihrer Kapazität ändern, nachdem Sie die Spark-Workloads in ein neues Abrechnungsmodell verschoben haben, um Ihre Kosten zu optimieren. Dies geschieht im Azure-Portal, und Sie müssen ein Azure-Administrator sein, um die SKU-Größe zu ändern. Um sicherzustellen, dass eine nicht abgeklärte Nutzung von Spark nicht mehr auf Ihre Kapazitätsgrenzen zählt, empfehlen wir dringend, die Kapazität aufzuhalten, um diese Nutzung zu löschen und neu zu starten. Anweisungen dazu, wie Sie dies tun können, finden Sie unten.

(Optional) Ändern der Größe und Zurücksetzen der Kapazität für Kostenoptimierung

Nachdem Sie die Autoscale-Abrechnung aktiviert haben, können Sie die Kapazität von Fabric reduzieren, wenn diese von Spark-Workloads nicht mehr genutzt wird. Führen Sie im Azure-Portal die folgenden Schritte aus:

  1. Öffnen Sie das Azure-Portal.

  2. Suchen und wählen Sie Ihre Fabric-Kapazität aus.

  3. Klicken Sie auf Pause, um die Kapazität vorübergehend zu stoppen.

    Dadurch wird der gesamte aktive oder nicht geglättete Spark-Verbrauch für die freigegebene Kapazität gelöscht.

  4. Warten Sie 5 Minuten, und klicken Sie dann auf Fortsetzen, um die Kapazität neu zu starten.

  5. Ändern Sie nun die Größe der Kapazität auf eine niedrigere SKU, die den verbleibenden Workloads entspricht (z. B. Power BI, Data Warehouse, Real-Time Intelligence, Databases).

Hinweis

Nur Azure-Administratoren können die Größe von SKUs ändern. Diese Änderung erfolgt im Azure Portal, nicht innerhalb der Fabric-Einstellungen.

Überwachen von Abrechnung und Nutzung

Verwenden Sie nach dem Aktivieren der Autoscale-Abrechnung die integrierten Kostenverwaltungstools von Azure, um die Berechnungsnutzung nachzuverfolgen:

  1. Navigieren Sie zum Azure-Portal.

  2. Wählen Sie das Abonnement aus, das mit Ihrer Fabric-Kapazität verknüpft ist.

  3. Wechseln Sie auf der Abonnementseite zu Kostenanalyse.

  4. Filtern Sie nach der Ressource (Fabric-Kapazität), und verwenden Sie den Zähler:

    • Autoscale for Spark Capacity Usage CU
  5. Zeigen Sie mithilfe der Abrechnung mit Autoskalierung in Echtzeit die Computeausgaben für Spark-Workloads an.

    Screenshot, der zeigt, wie die Spark-Nutzung in Azure Cost Analysis nachverfolgt wird.

Anfordern zusätzlicher Kontingente

Wenn Ihre Daten-Engineering- oder Data-Science-Workloads ein höheres Kontingent als Ihr aktuelles maximales CU-Limit (Capacity Unit) erfordern, können Sie eine Erhöhung über die Azure-Kontingente-Seite anfordern.

  1. Navigieren Sie zum Azure-Portal und melden Sie sich an.
  2. Geben Sie im Suchfeld Azure Quotas ein und wählen Sie es aus.
  3. Wählen Sie Microsoft Fabric aus der Liste der verfügbaren Dienste aus.
  4. Wählen Sie das Abonnement aus, das Ihrer Fabric-Kapazität zugeordnet ist.
  5. Bearbeiten Sie das Kontingentlimit, indem Sie den neuen CU-Grenzwert eingeben, den Sie erwerben möchten.
  6. Übermitteln Sie Ihre Kontingentanforderung.

Grafik, die zeigt, wie Sie das Kontingent für Ihre Fabric-Ressource erhöhen, indem Sie mehr Kontingente über die Seite "Azure-Kontingente" im Azure-Portal anfordern.

Sobald die Anforderung genehmigt wurde, werden die neuen CU-Grenzwerte aktualisiert und auf Ihre Fabric-Kapazität angewendet. Dadurch wird sichergestellt, dass Ihr Autoscale-Abrechnungsmodell eine erhöhte Nachfrage aufnehmen kann, ohne Spark-Workloads zu unterbrechen.