Partilhar via

Desenvolver modelos semânticos Direct Lake

Este artigo descreve tópicos de design relevantes para o desenvolvimento de modelos semânticos Direct Lake.

Criar o modelo

Você pode criar um modelo semântico Direct Lake no Power BI Desktop ou a partir de muitos itens de malha no navegador. Por exemplo, em um Lakehouse aberto, você pode escolher Novo modelo semântico para criar um novo modelo semântico no modo de armazenamento Direct Lake.

Você pode usar o Power BI Desktop ou a modelagem da Web no navegador para editar o modelo semântico para adicionar relações, renomear campos, adicionar medidas e outras tarefas de modelagem semântica.

Como alternativa, como em qualquer modelo semântico do Power BI, você pode continuar o desenvolvimento do seu modelo usando uma ferramenta compatível com XMLA, como o SQL Server Management Studio (SSMS) (versão 19.1 ou posterior) ou ferramentas de comunidade de código aberto. Para obter mais informações, consulte Suporte de gravação de modelo com o ponto de extremidade XMLA mais adiante neste artigo. Os notebooks de fabrico também podem criar e editar programaticamente modelos semânticos através de conexões semânticas e laboratórios especializados de ligação semântica.

Tip

Você pode aprender a criar uma casa de lago, uma tabela Delta e um modelo semântico básico de Lago Direto completando este tutorial.

Model tables

As tabelas de modelo baseiam-se numa tabela ou numa vista do endpoint SQL de análise. No entanto, evite usar visualizações se possível. As consultas a uma tabela de modelo com base numa vista recaem no modo DirectQuery, o que pode resultar em um desempenho de consulta mais lento.

Warning

As visualizações só podem ser usadas no Direct Lake no SQL e não estão disponíveis para serem usadas no Direct Lake no OneLake.

As tabelas devem incluir colunas para filtrar, agrupar, classificar e resumir, além de colunas que oferecem suporte a relações de modelo. As colunas desnecessárias não afetam o desempenho da consulta do modelo semântico porque não são carregadas na memória, mas resultam em um tamanho de armazenamento maior no OneLake e exigem mais recursos de computação para carregar e manter.

Warning

Não há suporte para o uso de colunas que aplicam de mascaramento dinâmico de dados (DDM) em modelos semânticos do Direct Lake.

As tabelas de importação podem ser adicionadas a modelos semânticos com o Direct Lake em tabelas OneLake. As tabelas calculadas podem ser adicionadas desde que não façam referência a uma tabela Direct Lake. Grupos de cálculo podem ser adicionados.

Para saber como selecionar quais tabelas incluir no modelo semântico do Direct Lake, consulte Editar tabelas para modelos semânticos do Direct Lake.

Para obter mais informações sobre colunas a serem incluídas em suas tabelas de modelo semântico, consulte Compreender o desempenho da consulta Direct Lake.

Aplicar regras de acesso a dados

Quando você tiver requisitos para fornecer subconjuntos de dados de modelo para usuários diferentes, poderá impor regras de acesso a dados. Você impõe regras configurando a segurança em nível de objeto (OLS) e/ou segurança em nível de linha (RLS) no ponto de extremidade de análise SQL ou no modelo semântico.

Note

O tópico de imposição de regras de acesso a dados é diferente, mas relacionado, à definição de permissões para consumidores de conteúdo, criadores e usuários que gerenciam o modelo semântico (e itens de malha relacionados). Para obter mais informações sobre como definir permissões, consulte Gerenciar modelos semânticos Direct Lake.

Segurança em nível de objeto (OLS)

O OLS envolve a restrição de acesso para descobrir e consultar objetos ou colunas. Por exemplo, você pode usar o OLS para limitar os usuários que podem acessar a coluna Salary a partir da tabela Employee.

Para um ponto de extremidade de análise SQL, você pode configurar o OLS para controlar o acesso aos objetos de ponto de extremidade, como tabelas ou exibições, e a segurança em nível de coluna (CLS) para controlar o acesso às colunas da tabela de ponto de extremidade.

Para um modelo semântico, você pode configurar o OLS para controlar o acesso a tabelas ou colunas de modelo. Você precisa usar ferramentas de comunidade de código aberto, como o Editor de Tabelas, para configurar o OLS.

Segurança a nível de linha (RLS)

A RLS envolve a restrição de acesso a subconjuntos de dados em tabelas. Por exemplo, você pode usar a RLS para garantir que os vendedores só possam acessar dados de vendas para clientes em sua região de vendas.

Para um ponto de extremidade de análise SQL, você pode configurar a RLS para controlar o acesso a linhas em uma tabela de ponto de extremidade.

Important

Quando uma consulta utiliza uma tabela com RLS no endpoint de análise SQL, ela reverte para o modo DirectQuery. O desempenho da consulta pode ser mais lento.

Para um modelo semântico, você pode configurar a RLS para controlar o acesso a linhas em tabelas de modelo. A RLS pode ser configurada na experiência de modelagem web ou usando uma ferramenta de terceiros.

Como as consultas são avaliadas

A razão para desenvolver modelos semânticos Direct Lake é obter consultas de alto desempenho sobre grandes volumes de dados no OneLake. Portanto, você deve se esforçar para projetar uma solução que maximize as chances de consulta na memória.

As etapas a seguir aproximam como as consultas são avaliadas (e se elas falham). Os benefícios do modo de armazenamento Direct Lake só são possíveis quando a quinta etapa é alcançada.

  1. Se a consulta contiver qualquer tabela ou coluna restrita pelo modelo semântico OLS, um resultado de erro será retornado (os visuais do relatório não serão renderizados).
  2. Se a consulta contiver qualquer coluna restrita pelo CLS do endpoint de análise SQL (ou se a tabela for negada), será retornado um erro (os visuais do relatório não serão apresentados).
    1. Se a conexão de nuvem usar SSO (padrão), o CLS será determinado pelo nível de acesso do consumidor do relatório.
    2. Se a conexão de nuvem usa uma identidade fixa, o CLS é determinado pelo nível de acesso da identidade fixa.
  3. Se a consulta contiver qualquer tabela no ponto de extremidade de análise SQL que imponha RLS ou se um modo de exibição for usado, a consulta retornará ao modo DirectQuery.
    1. Se a conexão na nuvem usar SSO (padrão), a RLS será determinada pelo nível de acesso do consumidor do relatório.
    2. Se a conexão de nuvem usa uma identidade fixa, a RLS é determinada pelo nível de acesso da identidade fixa.
  4. Se a consulta exceder as restrições da capacidade, ele voltará ao modo DirectQuery.
  5. Caso contrário, a consulta será atendida a partir do cache em memória. Os dados da coluna são carregados na memória à medida que são necessários.

Permissões de item de origem

A conta usada para acessar dados é uma das seguintes.

  • Se a conexão de nuvem usa SSO (padrão), é o consumidor do relatório.
  • Se a conexão de nuvem usa uma identidade fixa, é a identidade fixa.

A conta deve ter pelo menos permissões de leitura e de ler dados no item de origem (lakehouse ou warehouse). As permissões de item podem ser herdadas de funções de espaço de trabalho ou atribuídas explicitamente para o item, conforme descrito em este artigo.

Supondo que esse requisito seja atendido, o Fabric concede o acesso necessário ao modelo semântico para ler as tabelas Delta e os arquivos Parquet associados (para carregar dados de coluna na memória) e as regras de acesso a dados podem ser aplicadas.

Opções de regra de acesso a dados

Você pode configurar regras de acesso a dados em:

  • Apenas o modelo semântico.
  • Apenas o endpoint de análise SQL.
  • Tanto no modelo semântico quanto no ponto de extremidade da análise SQL.

Regras no modelo semântico

Se tiver de impor regras de acesso a dados, deve fazê-lo no modelo semântico sempre que possível. Isso porque a RLS imposta pelo modelo semântico é obtida filtrando o cache de dados na memória para obter consultas de alto desempenho.

Também é uma abordagem adequada quando os consumidores de relatório não recebem permissão para consultar a casa do lago ou o armazém.

Em ambos os casos, é altamente recomendável que a conexão com a nuvem use uma identidade fixa em vez de SSO. O SSO implicaria que os utilizadores finais podem aceder diretamente ao ponto final de análise SQL e, consequentemente, podem ignorar as regras de segurança no modelo semântico.

Important

As permissões de item de modelo semântico podem ser definidas explicitamente por meio de aplicativos Power BIou adquiridas implicitamente por meio de funções de espaço de trabalho.

Notavelmente, as regras de acesso a dados do modelo semântico não são impostas para usuários que permissão Gravar no modelo semântico. Por outro lado, as regras de acesso a dados aplicam-se aos utilizadores que são atribuídos à função Viewer do espaço de trabalho. No entanto, os usuários atribuídos ao de Administrador do, Membro ou função de espaço de trabalho de Colaborador têm implicitamente permissão Gravar no modelo semântico e, portanto, as regras de acesso a dados não são impostas. Para obter mais informações, consulte Funções em espaços de trabalho.

Regras no endpoint de análises SQL

É apropriado impor regras de acesso a dados no ponto de extremidade de análise SQL quando a conexão de nuvem do modelo semântico usa autenticação única (SSO). Isso ocorre porque a identidade do utilizador é delegada para consultar o endpoint de análise SQL, garantindo que as consultas retornem apenas os dados que o utilizador tem permissão para acessar. Também é apropriado impor regras de acesso a dados nesse nível quando os usuários consultam o ponto de extremidade da análise SQL diretamente para outras cargas de trabalho (por exemplo, para criar um relatório paginado do Power BI ou exportar dados).

Notavelmente, no entanto, uma consulta de modelo semântico retorna ao modo DirectQuery quando inclui qualquer tabela que imponha RLS no ponto de extremidade de análise SQL. Assim, o modelo semântico nunca armazena dados em cache na memória para obter consultas de elevado desempenho.

Regras em ambas as camadas

As regras de acesso a dados podem ser aplicadas em ambas as camadas. No entanto, essa abordagem envolve complexidade extra e despesas gerais de gerenciamento. Nesse caso, é recomendável que a conexão na nuvem use uma identidade fixa em vez de SSO.

Comparação das opções de regras de acesso a dados

A tabela a seguir compara as opções de configuração de acesso a dados de dados.

Aplicar as regras de acesso aos dados Comment
Apenas modelo semântico Use esta opção quando os utilizadores não tiverem permissões de item para consultar o Lakehouse ou o armazém. Configure a conexão de nuvem para usar uma identidade fixa. O alto desempenho de consulta pode ser alcançado a partir do cache na memória.
Somente ponto de extremidade de análise SQL Use essa opção quando os usuários precisarem acessar dados do depósito ou do modelo semântico e com regras consistentes de acesso a dados. Verifique se o SSO está habilitado para a conexão de nuvem. O desempenho da consulta pode ser lento.
Lakehouse ou armazém e modelo semântico Esta opção envolve despesas gerais de gestão adicionais. Configure a conexão de nuvem para usar uma identidade fixa.

Aqui estão as práticas recomendadas relacionadas à aplicação de regras de acesso a dados:

  • Se diferentes usuários tiverem que ser restritos a subconjuntos de dados, sempre que viável, aplique a RLS somente na camada do modelo semântico. Dessa forma, os usuários se beneficiam de consultas na memória de alto desempenho. Nesse caso, é altamente recomendável que a conexão na nuvem use uma identidade fixa em vez de SSO.
  • Se possível, evite impor OLS e CLS em nenhuma camada, pois isso resulta em erros nos gráficos do relatório. Os erros podem gerar confusão ou preocupação para os utilizadores. Para colunas resumidas, considere a criação de medidas que retornem BLANK em determinadas condições em vez de CLS (se possível).

Suporte de gravação de modelo com o ponto de extremidade XMLA

Os modelos semânticos Direct Lake suportam operações de escrita através do ponto de extremidade XMLA, utilizando ferramentas como o SSMS (versão 19.1 ou posterior) e ferramentas de comunidade de código aberto.

Tip

Para obter mais informações sobre como usar ferramentas de terceiros para desenvolver, gerenciar ou otimizar modelos semânticos, consulte o cenário de uso gerenciamento avançado de modelos de dados.

Antes de poder executar operações de gravação, a opção XMLA de leitura/escrita deve estar ativada para a capacidade. Para obter mais informações, consulte Ativar a leitura-escrita de XMLA.

Operações de gravação de modelo com suporte ao ponto de extremidade XMLA:

  • Personalização, mesclagem, criação de scripts, depuração e teste de metadados de modelo do Direct Lake.
  • Controle de origem e versão, integração contínua e implantação contínua (CI/CD) com o Azure DevOps e o GitHub. Para obter mais informações, consulte Gerenciamento do ciclo de vida do conteúdo.
  • Tarefas de automação como atualização de modelo semântico e aplicação de alterações a modelos semânticos Direct Lake usando o PowerShell e as APIs REST.

Ao alterar um modelo semântico usando XMLA, você deve atualizar o ChangedProperties e PBI_RemovedChildren coleção para que o objeto alterado inclua quaisquer propriedades modificadas ou removidas. Se você não executar essa atualização, as ferramentas de modelagem do Power BI poderão substituir quaisquer alterações na próxima vez que o esquema for sincronizado com o Lakehouse.

Saiba mais sobre etiquetas de linhagem de objetos de modelos semânticos no artigo etiquetas de linhagem para modelos semânticos do Power BI.

Important

As tabelas Direct Lake criadas usando aplicativos XMLA estarão inicialmente em um estado não processado até que o aplicativo envie um comando refresh. As consultas que envolvem tabelas não processadas sempre retornarão ao modo DirectQuery. Portanto, ao criar um novo modelo semântico, atualize o modelo para processar suas tabelas.

Para obter mais informações, consulte Conectividade do modelo semântico com o endpoint XMLA.

Metadados do modelo Direct Lake

Quando você se conecta a um modelo semântico Direct Lake com o ponto de extremidade XMLA, os metadados se parecem com os de qualquer outro modelo. No entanto, os modelos Direct Lake mostram as seguintes diferenças:

  • A propriedade compatibilityLevel do objeto de banco de dados é 1604 (ou superior).
  • A propriedade mode das partições Direct Lake está definida como directLake.
  • As partições Direct Lake usam expressões compartilhadas para definir fontes de dados. A expressão aponta para o endpoint de análise SQL do lakehouse ou warehouse. O Direct Lake usa o ponto de extremidade de análise SQL para descobrir informações de esquema e segurança, mas carrega os dados diretamente do OneLake (a menos que retorne ao modo de do DirectQuery por qualquer motivo).

Post-publication tasks

Depois de publicar um modelo semântico do Direct Lake, você deve concluir algumas tarefas de configuração. Para obter mais informações, consulte Gerenciar modelos semânticos do Direct Lake.

Related content

  • Last updated on