Partager via

Opérations de structure

Chaque expérience au sein de Microsoft Fabric prend en charge des opérations uniques. Le taux de consommation d’une opération est ce qui convertit l’utilisation des indicateurs de performance bruts de l’expérience en unités de calcul (CU).

La page de calcul de l’application Métriques de capacité Microsoft Fabric fournit une vue d’ensemble des performances de votre capacité et répertorie les opérations Fabric qui consomment des ressources de calcul.

Cet article répertorie ces opérations par expérience et explique comment elles consomment des ressources dans Fabric.

Opérations interactives et en arrière-plan

Microsoft Fabric divise les opérations en deux types, interactifs et en arrière-plan. Cet article répertorie ces opérations et explique la différence entre ces opérations.

Opérations interactives

Les requêtes et opérations à la demande qui peuvent être déclenchées par des interactions utilisateur avec l’interface utilisateur, telles que les requêtes de modèle de données générées par des visuels de rapport, sont classées comme des opérations interactives . Elles sont généralement déclenchées par des interactions des utilisateurs avec l’interface utilisateur (IU). Par exemple, une opération interactive est déclenchée lorsqu’un utilisateur ouvre un rapport ou sélectionne un segment dans un rapport Power BI. Les opérations interactives peuvent également être déclenchées sans interaction avec l’interface utilisateur, par exemple lors de l’utilisation de SQL Server Management Studio (SSMS) ou d’une application personnalisée pour exécuter une requête DAX.

Opérations en arrière-plan

Les opérations d’exécution plus longues telles que le modèle sémantique ou les actualisations de flux de données sont classées comme des opérations en arrière-plan . Elles peuvent être déclenchées manuellement par un utilisateur ou automatiquement sans intervention de l’utilisateur. Les opérations d’arrière-plan incluent les actualisations planifiées, les actualisations interactives, les actualisations basées sur REST et les opérations d’actualisation basées sur XMLA. Les utilisateurs ne sont pas censés attendre la fin de ces opérations. Au lieu de cela, ils peuvent revenir ultérieurement pour vérifier l’état des opérations.

Guide pratique pour lire ce document

Chaque expérience a une table qui répertorie ses opérations, avec les colonnes suivantes :

  • Opération : nom de l’opération. Visible dans l’application Microsoft Fabric Capacity Metrics.

  • Description : description de l’opération.

  • Élément : élément auquel cette opération peut s’appliquer. Visible dans l’application Microsoft Fabric Capacity Metrics.

  • Compteur de facturation Azure : Le nom du compteur sur votre facture Azure qui affiche l’utilisation de cette opération.

  • Type : répertorie le type de l’opération. Les opérations sont classées comme des opérations interactives ou en arrière-plan .

Lorsque des informations supplémentaires sur le taux de consommation sont disponibles, un lien vers le document contenant ces informations est fourni.

Opérations Fabric par expérience

Cette section est divisée en expérience Fabric. Chaque expérience disposait d’une table qui répertorie ses opérations.

Important

Les taux de consommation sont susceptibles de changer à tout moment. Microsoft utilisera des efforts raisonnables pour fournir une notification par e-mail ou par le biais d’une notification dans le produit. Les modifications seront effectives à la date indiquée dans les notes de publication de Microsoft ou le blog Microsoft Fabric. Si une modification apportée à un taux de consommation de charge de travail Microsoft Fabric augmente matériellement les unités de capacité requises pour utiliser une charge de travail particulière, les clients peuvent utiliser les options d’annulation disponibles pour le mode de paiement choisi.

Copilot dans Fabric

Les opérations Copilot sont répertoriées dans cette table. Vous trouverez les taux de consommation de Copilot dans Copilotconsommation.

Operation Description Item Compteur de facturation Azure Type
Copilot dans Fabric Coût de calcul associé aux requêtes d'entrée et à l'achèvement des sorties Multiple Copilot et l’IA Background

Agent de données dans Fabric

Les opérations de l’agent de données sont répertoriées dans ce tableau. Dans la matrice de l’application de métriques par élément et table d’opérations, les opérations de l’agent de données sont répertoriées sous le type d’élément LlmPlugin .

Vous trouverez les taux de consommation de l’agent de données dans la consommation de l’agent de données.

Operation Description Item Compteur de facturation Azure Type
Requête IA Coût de calcul associé aux requêtes d'entrée et à l'achèvement des sorties LlmPlugin Copilot et l’IA Background

Data Factory

L’expérience Data Factory contient des opérations pour dataflows Gen2 et pipelines.

Flux de données Gen2

Vous trouverez les taux de consommation des flux de données Gen2 dans la tarification des flux de données Gen2 pour Data Factory dans Microsoft Fabric.

Note

Depuis octobre 2025, le nom de l’opération Dataflow Gen2 Refresh a été renommé En requêtes d’exécution Dataflow Gen2.

Operation Description Item Compteur de facturation Azure Type
Requêtes d'exécution de Dataflow Gen2 Coût de calcul associé à l’opération d’évaluation de dataflow Gen2 Dataflow Gen2 Utilisation de capacité de calcul standard dans les flux de données en CU Background
Calcul de flux de données à grande échelle - Requête de point de terminaison SQL Utilisation liée au point de terminaison SQL de l’entrepôt de préproduction Dataflow Gen2 Warehouse Utilisation de capacité de calcul dans les flux de données à grande échelle en CU Background

Pipelines

Vous trouverez les tarifs de consommation des pipelines dans la tarification de Pipelines pour Data Factory dans Microsoft Fabric.

Operation Description Item Compteur de facturation Azure Type
DataMovement Durée utilisée par l’activité de copie dans un pipeline Data Factory divisé par le nombre d’unités d’intégration de données Pipeline Unité de capacité pour l’utilisation de capacité dans le déplacement des données Background
ActivityRun Exécution d’une activité de pipeline Data Factory Pipeline Utilisation de capacité d’orchestration des données en CU Background

Databases

Une unité de capacité Fabric = 0,383 vCores de base de données SQL.

Operation Description Item Compteur de facturation Azure Type
Utilisation de SQL Calcul pour toutes les requêtes SQL générées par l’utilisateur et générées par le système, les modifications et les opérations de traitement des données au sein d’une base de données Database Base de données SQL dans Microsoft Fabric Capacity Usage CU Interactive
Stockage SQL alloué Espace de stockage alloué dynamiquement pour une base de données SQL dans Fabric, utilisé pour stocker des tables, des index, des journaux de transactions et des métadonnées. Entièrement intégré à OneLake. Database Données de stockage SQL stockées Background

Data Warehouse

Un cœur Fabric Data Warehouse (unité de calcul pour Data Warehouse) équivaut à deux Fabric Capacity Units (CU).

Operation Description Item Compteur de facturation Azure Type
Requête d’entrepôt Frais de calcul pour toutes les instructions T-SQL générées par l’utilisateur et le système dans un entrepôt Warehouse Utilisation de la capacité de l’entrepôt de données CU Background
Requête de point de terminaison SQL Frais de calcul pour toutes les instructions T-SQL générées par l’utilisateur et le système dans le point de terminaison d’analytique SQL d’un Lakehouse Warehouse Utilisation de la capacité de l’entrepôt de données CU Background

API Fabric pour GraphQL

Les opérations GraphQL sont constituées de requêtes effectuées sur des éléments de l’API pour GraphQL par les clients de l’API. Tous les temps de traitement d’opération de requête et de réponse de GraphQL sont signalés en unités de capacité (CU) en secondes au taux de dix CU par heure.

Operation Description Item Compteur de facturation Azure Type
Query Frais de calcul pour toutes les requêtes (lectures) et mutations (écritures) GraphQL générées par les clients au sein d’une API GraphQL GraphQL API pour l’utilisation de la capacité de requête GraphQL en CU Interactive

Fonctions de données utilisateur Fabric

Les opérations Fonctions de données utilisateur de Fabric sont constituées de requêtes lancées par le portail Fabric, d’autres artefacts Fabric ou des applications clientes. Chaque opération entraîne des frais pour l’exécution de la fonction, le stockage interne des métadonnées de fonction dans OneLake et les opérations de lecture et d’écriture associées dans OneLake.

Operation Description Item Compteur de facturation Azure Type
Exécution des fonctions de données utilisateur Frais de calcul pour l’exécution de la fonction à l’intérieur de l’élément Fonctions de données utilisateur. Cette opération résulte de l’exécution d’une fonction après une requête du portail Fabric, d’un autre élément Fabric ou d’une application externe. Fonctions de données utilisateur Exécution de la fonction de données utilisateur (CU/s) Interactive
Test du portail des fonctions de données utilisateur Frais de calcul pour l’exécution d'un test d’une fonction à l’intérieur de l’élément User Data Functions. Cette opération résulte du test d’une fonction en mode « Développer » pendant une session de test. La session de test a une durée minimale de 15 minutes. Fonctions de données utilisateur Exécution de la fonction de données utilisateur (CU/s) Interactive
Stockage statique des fonctions de données utilisateur Stockage statique des métadonnées de fonction interne dans un compte OneLake géré par le service. Cette opération est calculée avec la taille compressée des métadonnées de l’élément Fonctions de données utilisateur. Il s’agit du coût de la création d’éléments des fonctions de données utilisateur, même s’ils ne sont pas utilisés. Stockage OneLake Stockage OneLake Background
Lecture du stockage statique des fonctions de données utilisateur Lecture de l’opération des métadonnées de fonction interne stockées dans un compte OneLake géré par le service. Cette opération est exécutée chaque fois qu’une fonction est exécutée après une période d’inactivité. Opérations de lecture de OneLake Opérations de lecture de OneLake Background
Écriture du stockage statique des fonctions de données utilisateur Écrit et met à jour les métadonnées de fonction interne stockées dans un compte OneLake géré par le système. Cette opération est exécutée chaque fois que l’élément Fonctions de données utilisateur est publié. Opérations d’écriture OneLake Opérations d’écriture OneLake Background
Lecture itérative du stockage statique des fonctions de données utilisateur Lit les opérations pour les métadonnées de fonction interne stockées dans un compte OneLake géré par le service. Cette opération est exécutée chaque fois que les fonctions de données utilisateur sont répertoriées. Opérations de lecture itérative OneLake Opérations de lecture itérative OneLake Background
Fonctions de données utilisateur Stockage statique Autres opérations Opérations de stockage relatives à différentes métadonnées de fonction dans un compte OneLake géré par le service. OneLake Autres opérations OneLake Autres opérations Background

Point de terminaison du modèle ML

Les documents relatifs aux points de terminaison des modèles ML vous permettent de traiter sans interruption les prédictions en temps réel. En coulisses, Fabric déploie et gère l’infrastructure de conteneur sous-jacente pour et héberger votre modèle.

Operation Description Item Compteur de facturation Azure Type
Point de terminaison de modèle TBD Modèle ML Capacité d'utilisation du point de terminaison du modèle ML CU Background

OneLake

Les opérations de calcul One Lake représentent les transactions effectuées sur les éléments One Lake. Le taux de consommation pour chaque opération varie en fonction de son type. Pour plus d’informations, reportez-vous à consommation de One Lake.

Operation Description Item Compteur de facturation Azure Type
Lecture OneLake via la redirection Lecture OneLake via la redirection Multiple Utilisation de capacité des opérations de lecture OneLake en CU Background
Lecture OneLake via le proxy Lecture OneLake via le proxy Multiple Utilisation de capacité des opérations de lecture OneLake via une API en CU Background
Écriture OneLake via la redirection Écriture OneLake via la redirection Multiple Utilisation de capacité des opérations d’écriture OneLake en CU Background
Écriture OneLake via le proxy Écriture OneLake via le proxy Multiple Utilisation de capacité des opérations d’écriture OneLake via une API en CU Background
Écriture itérative OneLake via la redirection Écriture itérative OneLake via la redirection Multiple Opérations d’écriture itérative OneLake Background
Lecture itérative OneLake via Redirect Lecture itérative OneLake via Redirect Multiple Utilisation de capacité des opérations de lecture itérative OneLake en CU Background
OneLake Autres opérations OneLake Autres opérations Multiple Utilisation de capacité des autres opérations OneLake en CU Background
Autres opérations OneLake via la redirection Autres opérations OneLake via la redirection Multiple Utilisation de capacité des autres opérations OneLake via une API en CU Background
Écriture itérative de OneLake via Proxy Écriture itérative de OneLake via Proxy Multiple Utilisation de capacité des opérations d’écriture itérative OneLake via une API en CU Background
Lecture itérative OneLake via le proxy Lecture itérative OneLake via le proxy Multiple Utilisation de capacité des opérations de lecture itérative OneLake via une API en CU Background
Lecture BCDR OneLake via le proxy Lecture BCDR OneLake via le proxy Multiple Utilisation de capacité des opérations de lecture BCDR OneLake via une API en CU Background
Écriture BCDR OneLake via le proxy Écriture BCDR OneLake via le proxy Multiple Utilisation de capacité des opérations d’écriture BCDR OneLake via une API en CU Background
Lecture BCDR OneLake via la redirection Lecture BCDR OneLake via la redirection Multiple Utilisation de capacité des opérations de lecture BCDR OneLake en CU Background
Écriture BCDR OneLake via la redirection Écriture BCDR OneLake via la redirection Multiple Utilisation de capacité des opérations d’écriture BCDR OneLake en CU Background
Lecture itérative de OneLake BCDR via le proxy Lecture itérative de OneLake BCDR via le proxy Multiple Utilisation de capacité des opérations de lecture itérative BCDR OneLake via une API en CU Background
Lecture itérative de OneLake BCDR via la redirection Lecture itérative de OneLake BCDR via la redirection Multiple Utilisation de capacité des opérations de lecture itérative BCDR OneLake en CU Background
Écriture itérative de OneLake BCDR via le proxy Écriture itérative de OneLake BCDR via le proxy Multiple Utilisation de capacité des opérations d’écriture itérative BCDR OneLake via une API en CU Background
Écriture itérative OneLake BCDR via la redirection Écriture itérative OneLake BCDR via la redirection Multiple Utilisation de capacité des opérations d’écriture itérative BCDR OneLake en CU Background
OneLake BCDR Autres opérations OneLake BCDR Autres opérations Multiple Utilisation de capacité des autres opérations BCDR OneLake en CU Background
OneLake BCDR Autres opérations via la redirection OneLake BCDR Autres opérations via la redirection Multiple Utilisation de capacité des autres opérations BCDR OneLake via une API en CU Background

Power BI

L’utilisation de chaque opération est signalée en temps de traitement CU en secondes. Huit processeurs sont équivalents à un cœur virtuel Power BI.

Note

Le terme modèle sémantique remplace le terme jeu de données. Vous pouvez toujours voir l’ancien terme dans l’interface utilisateur jusqu’à ce qu’il soit complètement remplacé.

Actuellement, nous ne facturons pas les visuels R/Py dans Power BI.

Operation Description Item Compteur de facturation Azure Type
Intelligence artificielle (IA) Évaluation des fonctions d’IA AI Utilisation de capacité Power BI en CU Interactive
Requête en arrière-plan Requêtes pour actualiser les vignettes et créer des instantanés de rapports Modèle sémantique Utilisation de capacité Power BI en CU Background
Dataflow DirectQuery Se connecter directement à un flux de données sans avoir à importer les données dans un modèle sémantique Dataflow Gen1 Utilisation de capacité Power BI en CU Interactive
Actualisation du flux de données Actualisation planifiée du flux de données en arrière-plan à la demande, effectuée par le service ou avec des API REST. Dataflow Gen1 Utilisation de capacité Power BI en CU Background
Actualisation à la demande du modèle sémantique Actualisation d’un modèle sémantique en arrière-plan à l’initiative de l’utilisateur, à l’aide du service, des API REST ou des points de terminaison publics XMLA Modèle sémantique Utilisation de capacité Power BI en CU Background
Actualisation planifiée du modèle sémantique Actualisation planifiée du modèle sémantique en arrière-plan, effectuée par le service, les API REST ou les points de terminaison XMLA publics Modèle sémantique Utilisation de capacité Power BI en CU Background
Abonnement par e-mail au rapport complet Copie PDF ou PowerPoint d’un rapport Power BI entier, attachée à un abonnement par e-mail Report Utilisation de capacité Power BI en CU Background
Requête interactive Requêtes initiées par une demande de données à la demande. Par exemple, le chargement d’un modèle lors de l’ouverture d’un rapport, l’interaction utilisateur avec un rapport ou l’interrogation d’un jeu de données avant le rendu. Le chargement d’un modèle sémantique peut être signalé comme une opération de requête interactive autonome. Modèle sémantique Utilisation de capacité Power BI en CU Interactive
PublicApiExport Rapport Power BI exporté avec l'API REST exporter le rapport vers un fichier Report Utilisation de capacité Power BI en CU Background
Render Rapport paginé Power BI exporté à l'aide de l'API REST exporter le rapport paginé vers un fichier Rapport paginé Utilisation de capacité Power BI en CU Background
Render Un rapport Power BI paginé affiché dans le service Power BI Rapport paginé Utilisation de capacité Power BI en CU Interactive
Lecture de la modélisation web Opération de lecture de modèle de données dans l’expérience utilisateur de modélisation web du modèle sémantique Modèle sémantique Utilisation de capacité Power BI en CU Interactive
Écriture de la modélisation web Opération d’écriture de modèle de données dans l’expérience utilisateur de modélisation web du modèle sémantique Modèle sémantique Utilisation de capacité Power BI en CU Interactive
Lecture XMLA Opérations de lecture XMLA initiées par l’utilisateur, pour les requêtes et les découvertes Modèle sémantique Utilisation de capacité Power BI en CU Interactive
Écriture XMLA Une opération d’écriture XMLA en arrière-plan qui modifie le modèle Modèle sémantique Utilisation de capacité Power BI en CU Background
Exécution visuelle de scripts Power BI Les visuels créés avec R et Python sont exécutés lorsque le rapport Power BI est rendu. Rapport de script Power BI Capacité à mémoire optimisée Spark (CU) Interactive

Intelligence en Temps Réel

L'expérience Real-Time Intelligence contient des opérations pour Détecteur d'anomalies, les événements Azure et Fabric, le générateur de jumeaux numériques (préversion), Eventstream et la base de données KQL et le jeu de requêtes KQL.

Anomaly Detector

Vous trouverez les taux de consommation pour détecteur d’anomalies dans l’utilisation de la capacité de détecteur d’anomalies et la facturation dans Real-Time Intelligence.

Operation Description Item Compteur de facturation Azure Type
Requêtes d’exécution du détecteur d’anomalies Analyse interactive et surveillance continue Détecteur d'anomalies Requêtes sur l'utilisation de la capacité CU du détecteur d’anomalies Background

Événements Azure et Fabric

Vous trouverez les taux de consommation des événements Azure et Fabric dans la consommation des événements Azure et Fabric.

Operation Description Item Compteur de facturation Azure Type
Opérations d'événements Opérations de publication, de livraison et de filtrage Multiple Real-Time Intelligence : Opérations d’événement Background
Écouteur d’événements Durée de bon fonctionnement du détecteur d’événements Multiple Real-Time Intelligence : Détecteur d’événements et Alerte Background

Constructeur de jumeaux numériques (aperçu)

Vous pouvez trouver les ratios de consommation pour le générateur de jumeaux numériques (préversion) dans le document consommation de capacité du générateur de jumeaux numériques (préversion), rapports d’utilisation et facturation.

Note

Les compteurs du générateur de jumeaux numériques sont actuellement en version préliminaire et peuvent changer.

Operation Description Item Compteur de facturation Azure Type
Opération Digital Twin Builder Utilisation des opérations de flux de générateur de jumeaux numériques à la demande et planifiées Flux du générateur de jumeaux numériques Utilisation de la capacité d'opération du Digital Twin Builder CU Background

Eventstream

Vous trouverez les taux de consommation pour Eventstream dans Surveiller la consommation de capacité pour Microsoft Fabric Eventstream.

Operation Description Item Compteur de facturation Azure Type
Flux d’événements par heure Tarif forfaitaire Eventstream Utilisation de capacité Eventstream en CU Background
Trafic de données Eventstream par Go Volume d’entrée et de sortie des données dans les flux par défaut et dérivés (Inclut la rétention de 24 heures) Eventstream Utilisation de capacité du trafic de données Eventstream en CU Background
Processeur Eventstream par heure Ressources informatiques consommées par le processeur Eventstream Capacité d'utilisation du processeur Eventstream CU Background
Connecteurs Eventstream par heure de vCore Ressources informatiques consommées par les connecteurs Eventstream Utilisation de capacité du connecteur Eventstream en CU Background

Base de données KQL et ensemble de requêtes KQL

Vous trouverez les taux de consommation de la base de données KQL dans Consommation de la base de données KQL.

Operation Description Item Compteur de facturation Azure Type
Durée de bon fonctionnement Eventhouse Mesure du temps pendant lequel Eventhouse est actif Eventhouse Utilisation de capacité de l’Eventhouse en CU Background

Spark

Deux VCores Spark (une unité de puissance de calcul pour Spark) sont égaux à une unité de capacité (CU). Pour comprendre comment les opérations Spark consomment des CUs, reportez-vous aux pools Spark.

Operation Description Item Compteur de facturation Azure Type
Gestion du lakehouse Tableau d’aperçu des utilisateurs dans l’explorateur Lakehouse Lakehouse Utilisation de capacité à mémoire optimisée Spark en CU Background
Chargement de table Lakehouse Les utilisateurs chargent la table delta dans l’explorateur Lakehouse Lakehouse Utilisation de capacité à mémoire optimisée Spark en CU Background
Exécution du bloc-notes Notebook exécuté manuellement par les utilisateurs Notebook Utilisation de capacité à mémoire optimisée Spark en CU Background
Exécution HC de notebook Exécution de notebook sous la session Spark haute concurrence Notebook Utilisation de capacité à mémoire optimisée Spark en CU Background
Exécution planifiée de notebook Exécution de notebook déclenchée par des événements planifiés de notebook Notebook Utilisation de capacité à mémoire optimisée Spark en CU Background
Exécution de pipeline de notebook Exécution de notebook déclenchée par le pipeline Notebook Utilisation de capacité à mémoire optimisée Spark en CU Background
Exécution VS Code de notebook Notebook s’exécute dans VS Code. Notebook Utilisation de capacité à mémoire optimisée Spark en CU Background
Exécution de travail Spark Exécutions de travaux par lots Spark initiées par soumission par les utilisateurs Définition de la tâche Spark Utilisation de capacité à mémoire optimisée Spark en CU Background
Exécution planifiée de travail Spark Exécutions de travaux par lots déclenchées par des événements planifiés de notebook Définition de la tâche Spark Utilisation de capacité à mémoire optimisée Spark en CU Background
Exécution de pipeline de travail Spark Exécutions de travaux par lots déclenchées par le pipeline Définition de la tâche Spark Utilisation de capacité à mémoire optimisée Spark en CU Background
Exécution de tâche Spark dans VS Code Définition de tâche Spark envoyée depuis VS Code Définition de la tâche Spark Utilisation de capacité à mémoire optimisée Spark en CU Background
Exécution de la vue matérialisée du lac Les utilisateurs planifient des exécutions de vues matérialisées de lac de données. Lakehouse Utilisation de capacité à mémoire optimisée Spark en CU Background
Transformations de raccourci Transformations de raccourci créées dans le Lakehouse Lakehouse Utilisation de capacité à mémoire optimisée Spark en CU Background

Contenu connexe

  • Last updated on