Microsoft Fabric
Azure Cosmos DB
即時分析
Azure Databricks
Azure 事件中樞
本文中的解決方案結合了一系列 Microsoft 服務，這些服務能從不同來源匯入、儲存、處理、豐富並提供資料與洞察。 這些來源包括結構化、半結構化、非結構化及串流格式。
Architecture
Amazon Simple Storage Service（AWS S3）、Amazon Web Services（AWS）、AWS Kinesis、Google Cloud Storage、Google Cloud、Google Cloud Pub/Sub 以及 Snowflake 都是各自擁有者的註冊商標或商標。 Apache® 與 Apache Kafka 是 Apache 軟體基金會在美國及/或其他國家的註冊商標或商標。 使用這些商標並不代表商標擁有人背書。
下載此架構的 Visio 檔案。
數據流
以下章節說明 OneLake 如何在資料生命週期的各個階段中作為資料的家園。 OneLake 是整合於 Microsoft Fabric 中的企業級資料湖，作為所有資料工作負載的集中儲存層，包括 Fabric Data Engineer、Fabric Data Factory、Fabric Data Science、Fabric Data Warehouse、Fabric Real-Time Intelligence、Fabric 資料庫及 Power BI。
Lakehouse
當你需要統一、可擴展且彈性的平台時，可以使用 Lakehouse 。 它非常適合管理結構化、半結構化及非結構化資料，以支援分析、機器學習與報告。 以 medallion 架構組織資料，並在資料夾、檔案、表格與資料庫間使用 Bronze（原始資料）、Silver（驗證資料）及 Gold（商業可用資料）圖層。
倉儲
當你需要一個高效能、全管理、基於 SQL 的分析解決方案，透過將結構化與半結構化資料組織成資料庫、架構與資料表時，請使用 Data Warehouse 。 它具備完整的 T-SQL 支援，包括建立儲存程序、檢視與連接。
Eventhouse
使用 事件屋 來管理和分析即時、大量事件數據。 它支援結構化、半結構化及非結構化資料，如日誌與遙測資料，並將它們組織成資料庫、結構化與資料表。
Fabric 中的 SQL 資料庫
當你需要統一交易與分析工作負載時，請使用 Fabric 中的 SQL 資料庫 。 它運行於與 Azure SQL Database 相同的引擎，提供完整的 T-SQL 支援，並能整合至更廣泛的 Fabric 生態系統。
Azure 資料庫、外部資料來源與關聯式資料庫
本節說明如何將 Azure 資料庫及平台（如 Azure Databricks），以及非 Microsoft 平台如 Snowflake 的資料帶入 Fabric。
Ingest
Fabric 提供多種從關聯式資料庫擷取資料的方法。 利用 鏡像 技術，將現有資料資產近乎即時地複製到 OneLake，無需複雜的擷取、轉換與載入（ETL）流程。 欲了解更多資訊，請參閱 支援的鏡像資料來源。
你也可以使用 Data Factory pipelines 從各種資料庫（本地端和雲端）匯入資料。 要匯入資料，你可以使用各種方法，例如 複製活動、 複製工作或 Dataflow Gen2。 這些選項同時提供編排、轉換與排程功能。 更多資訊請參閱 支援連接器。
針對基於 SQL 的資料擷取，使用 T-SQL 功能從現有的湖屋和倉庫大規模載入資料。 你可以建立新的表格版本，包含彙整資料、篩選子集或複雜查詢的結果。
Microsoft Store
利用鏡像建立只讀的來源資料庫副本，並透過近即時複寫持續與來源系統同步。 鏡像會在 OneLake 中以 Delta Lake 格式儲存資料。
你也可以使用複製資料活動或資料工廠管線中的複製工作，將從關聯式資料庫複製的資料匯入到數據湖屋或資料倉儲。 OneLake 架構採用 Delta Lake 格式，提供彈性，可透過 medallion 框架或依組織需求使用倉庫模型來實作湖屋。
Process
每個鏡像資料庫都包含一個自動產生的 SQL 端點用於查詢。 唯讀的 SQL 分析端點支援透過 SQL Server Management Studio、 Open Database Connectivity（ODBC）、任何帶有 SQL 連接字串的查詢工具，或 Visual Studio Code （VS Code） 的 MSSQL 擴充功能進行存取。 使用T-SQL執行複雜聚合，或使用Apache Spark筆記本探索資料。 跨資料庫查詢讓你能存取鏡像資料庫的資料，並將其與其他 Fabric 資料來源如湖屋和倉庫結合使用。 儲存程序自動化 SQL 邏輯進行資料轉換與聚合，提升可重用性並集中邏輯處理重複性任務。
鏡射會從來源資料庫中產生選取資料表的一個完整快照。 初始載入後，Fabric 會利用來源資料庫的變更資料擷取（CDC）來追蹤插入、更新與刪除。 它能持續將這些變更複製到 OneLake，並以低延遲與近即時同步實現。 你可以在湖倉中建立鏡像資料表的捷徑，並透過 Spark 筆記本查詢。
Dataflow Gen2 會清理並修整解析資料，同時偵測結構不一致、空值或異常值。 在你分析並轉換資料後，將處理過的資料存到 Data Warehouse 資料表。
Spark 筆記本 透過從湖倉或倉庫載入資料來增強數據。 使用像 scikit-learn、XGBoost 或 SynapseML 這類函式庫來訓練或載入機器學習模型。 使用 MLflow 來追蹤實驗並註冊模型。 以 可擴展的批次預測 和 即時預測來評分資料。
Serve
鏡像資料庫會產生一個鏡像的 SQL 資料庫項目，以及一個可以用來執行唯讀查詢的 SQL 分析端點 。 透過 資料預覽 查看資料，或 直接在 OneLake 中探索。 SQL 查詢編輯器讓你可以針對鏡像資料庫項目中的資料建立 T-SQL 查詢。 你可以透過 lakehouse 捷徑和 Spark 查詢來存取鏡像資料。
通常你會希望這些資料能在 Power BI 中取得。 為此，建立語 意模型 以簡化商業資料與關係的分析。 商業分析師使用 Power BI 報告與儀表板分析資料，並透過湖屋的 直接湖模式 或資料倉儲的 SQL 端點來分析資料並獲取商業洞察。 使用 Data Activator 在 Power BI 視覺化上設定警示，以監控頻繁變動的指標、定義警示條件，並接收電子郵件或 Microsoft Teams 通知。
Fabric 中的外部資料共享 允許一個 Fabric 租戶中的使用者（提供者）與另一個 Fabric 租戶中的使用者（消費者）分享資料。 此功能支援跨組織協作，同時維持治理與安全邊界。 資料使用者透過 OneLake 捷徑在自己的湖屋和資料倉儲中存取唯讀資料，也可在 SQL 和鏡像資料庫中存取。 TGraphQL 的 Fabric API 透過單一且靈活的 API 端點，公開來自支援的 Fabric 資料來源資料。 此功能非常適合建置需要高效且即時存取結構化資料的現代應用程式。
機器學習模型使用安全且可擴展的 線上機器學習端點，自動配置，以便從任何註冊的機器學習模型中提供即時預測。 對於原生 Fabric 的即時部署，這些端點是大多數 Fabric 模型的內建特性。 你可以從其他 Fabric 引擎或外部應用程式呼叫它們，以達到更廣泛且可靠的使用。 Fabric 資料代理透過將自然語言查詢轉換為相關查詢，實現與湖屋或倉庫資料的對話式介面。 Fabric 中的 Copilot 能將自然語言問題轉換成 SQL，修正錯誤，提供 SQL 查詢的說明，並協助完成程式碼。
Dataverse 的雲端資料平台
本節說明如何將資料從 Dataverse 帶到 Fabric。
Ingest
Dataverse 連結至 Fabric 使 Dynamics 365 與 Dataverse 資料在 Fabric 內幾乎即時可用，無需 ETL 或資料複製。 透過 Dataverse Link to Fabric，資料工程師可以使用 SQL 查詢資料、應用 AI、合併資料集、重塑資訊，並直接在 Fabric 中建立摘要。
Microsoft Store
當你使用 Dataverse Link to Fabric 時，Dataverse 會在 OneLake 中建立一個湖屋，裡面有捷徑連接到 Dataverse 資料表，且不需要實體資料移動。
Process
瀏覽由 Dataverse 生成的湖屋 ，探索從你的 Dataverse 環境連結的資料表。 使用 SQL 端點查詢 Dataverse 產生的湖屋，使用 Spark 筆記本探索資料，並透過 SQL Server Management Studio 或 SQL 編輯器存取資料。 使用 快捷方式 在其他湖屋中重複使用相同的 Dataverse 資料，避免複製或重複。
使用 Data Wrangler，一款在 Fabric 筆記本中提供低程式碼與無程式碼的工具，來豐富資料。 它讓你能探索、準備並塑造數據以進行探索性分析。 這些操作會以 pandas 或 PySpark 產生程式碼，你可以將程式碼存到筆記本中作為可重複使用的函式。
Serve
OneLake 中建立的 Dataverse 表格捷徑支援 Delta Lake 格式。 你可以將這些資料從 Dataverse 在 Fabric 工作區產生的預設資料集中填入 Power BI 報告。
你也可以使用 Data Activator 在 Power BI 視覺化上設定警示、監控頻繁變動的指標、定義警示條件，並接收電子郵件或 Teams 通知。
半結構化與非結構化資料來源
本節說明如何將半結構化與非結構化資料匯入 Fabric。
Ingest
利用 Data Factory 管線從各種半結構化來源（本地及雲端）擷取資料。 要拉取資料，你可以使用各種方法，例如 複製活動、 複製工作、 Dataflow Gen2、 Spark 筆記本或 lakehouse 檔案上傳。 請參考以下支持的來源：
從包含 CSV 或 JSON 檔案的檔案來源讀取資料
來自舊有系統的 XML 檔案
來自儲存帳戶的 Parquet 檔案
PDF、MP3、圖片、日誌、文件及其他二進位檔案
Fabric REST API 作為管線的資料來源
使用 COPY INTO 語句從外部儲存帳號擷取資料，以處理高吞吐量 SQL 工作負載。 該語句支援 Parquet 和 CSV 檔案格式。 在 OneLake 中建立指向外部來源的捷徑，包括 Azure Data Lake Storage、Amazon Simple Storage Service（AWS S3）儲存帳號、Google Cloud Storage 帳號及其他 支援的外部儲存選項 ，以實現零複製存取並避免重複。 可以程式化或 手動上傳檔案 到 Lakehouse 資料夾。 當新檔案抵達時，透過 Fabric 事件導向的協調來觸發管線。
Microsoft Store
在 Fabric OneLake 統一資料湖中整理您的資料。 遵循最佳實務，決定要建立哪些圖層、每個圖層使用哪些資料夾結構，以及每種分析情境該使用哪些檔案格式。 將非結構化資料儲存在青銅區，以保持未處理的資料原始格式。 使用事件屋來儲存遙測、日誌或時間序列資料。
Process
Spark 筆記本 負責解析和轉換半結構化資料。 例如，你可以將巢狀的 JSON 結構攤平化、將 XML 轉換成表格格式，或從日誌檔案中擷取關鍵欄位。 Spark 筆記本也透過 Spark DataFrames 擷取內容並轉換非結構化資料。
T-SQL 匯入將資料從 Fabric Lakehouse 或倉庫中的現有資料表載入。 Dataflow Gen2 在偵測結構不一致、空值或異常值的同時，會清理並修整解析後的資料。 在你分析並轉換資料後，將資料儲存到 lakehouse 表格。 Fabric 中的內部捷徑參考了儲存在湖屋中的資料。
Spark 筆記本在您處理資料時會豐富資料。 從湖邊屋或倉庫載入資料，然後利用像 scikit-learn、XGBoost 或 SynapseML 這類函式庫 來訓練或載入機器學習模型 。 MLflow 追蹤實驗並登記模型。 透過可擴展的批次預測或即時預測來評分資料。
Serve
透過 Fabric SQL 分析端點查詢湖屋資料表。 SQL 分析端點支援語意模型與 Power BI 報告。 Direct Lake 模式提供高效能分析。 你也可以透過使用 Data Activator 在 Power BI 視覺化上設定警示，監控頻繁變動的指標、定義警示條件，並接收電子郵件或 Teams 通知。
Fabric 中的外部資料共享允許一個 Fabric 租戶中的使用者（提供者）與另一個 Fabric 租戶中的使用者（消費者）分享資料。 此功能支援跨組織協作，同時維持治理與安全邊界。 資料使用者透過 OneLake 捷徑在其專屬的資料湖屋中存取唯讀資料。
TGraphQL 的 Fabric API 透過單一且靈活的 API 端點，公開來自支援的 Fabric 資料來源資料。 這種方法非常適合建置需要高效且即時存取結構化資料的現代應用程式。
透過自動配置的安全且可擴展的線上機器學習端點，提供任何已註冊機器學習模型的即時預測。 對於 Fabric 原生的即時部署，請將這些端點作為大多數 Fabric 模型的內建屬性。 從其他 Fabric 引擎或外部應用程式呼叫它們，以確保可靠且廣泛的使用。 從預測資料建立語意模型，並在 Power BI 報告中視覺化結果。
Fabric 資料代理是一個可自訂的 AI 驅動對話介面，能將自然語言查詢轉化為可操作的 OneLake 資料洞察。 Copilot 簡化了資料分析與視覺化任務。 直接在筆記本中詢問關於 Lakehouse 表格、Pandas 程式庫和 Spark DataFrame 的問題。 副駕駛用自然語言解釋回應。 商業用戶可使用 Copilot 面板詢問報告內容問題，並快速摘要關鍵洞察。 他們也可以利用副駕駛區塊來發掘他們已經能取得的資訊。
Streaming
本節說明如何將高流量時間序列串流資料導入 Fabric。
Ingest
利用實時智能收集數據，透過事件串流即時導入。 從各種 資料來源 取得資料，如物聯網（IoT）裝置、應用程式、外部事件中心，以及 Fabric 事件，如 工作區項目事件、 OneLake 事件和 工作事件。 如果你需要參考像是現有 Azure Data Explorer 資料庫中的原始 Kusto 查詢語言（KQL）資料庫，來用於即時智慧分析，你可以建立資料庫捷徑，這樣便能在不重複或重新輸入的情況下存取資料。
Microsoft Store
Eventstream 支援 將資料路由至不同目的地。 在事件屋中儲存大量資料，這是一種高效能、優化且可擴展的儲存解決方案。 你可以在專門設計用於事件驅動資料分析的事件屋內建立 KQL 資料庫 ，使用 KQL。
Process
使用 KQL 查詢集 來撰寫、執行並管理跨多種即時資料來源的 KQL 查詢。 KQL 查詢集是 Real-Time Intelligence 體驗中的核心工具。 它讓使用者能探索、分析並視覺化串流或時間序列資料。 你可以在 Real-Time Intelligence 中使用 T-SQL 查詢存放在 KQL 資料庫中的串流資料。 KQL 是即時分析的主要語言，但 Fabric 也支援熟悉 SQL 分析的使用者使用 T-SQL。
跨引擎處理時，開啟 OneLake 可用性 以建立 KQL 資料庫資料的邏輯副本。 你可以用 Delta Lake 格式查詢其他 Fabric 引擎的資料，例如 Power BI 中的 Direct Lake 模式、倉庫、湖屋和筆記型電腦。
Serve
商業分析師可以建立一個 Real-Time Intelligence 儀表板，這是由 KQL 查詢驅動的圖塊集合。 你可以將磁磚組織成頁面，並 將它們連接到資料來源。 儀表板會自動更新，這可讓我們幾乎即時地查看資料在系統中的流動情況。 你也可以將資料啟動器加入儀表板圖塊，監控頻繁變動的指標、定義警示條件，並接收電子郵件或 Teams 通知。 建立一個 Power BI 報告，從從 KQL 資料庫作為來源建立的語意模型產生報告。
Fabric 外部資料共享允許一個 Fabric 租戶中的使用者（提供者）與另一個 Fabric 租戶中的使用者（消費者）分享資料。 它支持跨組織協作，同時維持治理與安全邊界。 資料使用者透過 OneLake 捷徑存取其 KQL 資料庫中的唯讀資料。
Fabric 資料代理可與 KQL 資料庫協同，讓使用者提出問題，使非技術使用者也能輕鬆使用即時資料。 Copilot 可以將自然語言查詢翻譯成你可以執行的 KQL 語言。
Components
此架構使用以下 Fabric 與 Azure 服務：
Copilot in Fabric 是一款嵌入於 Fabric 平台的生成式 AI 助理。 在此架構中，它協助建構可擴展的資料管線、建立用於資料轉換的 Spark 程式碼、產生最佳化的資料倉儲 SQL、撰寫 Real-Time 智慧的 KQL 查詢，以及建立用於報告的語意模型與資料分析表達式（DAX）指標。
Fabric 資料代理是一種由 AI 驅動的功能，幫助使用者透過自然語言與組織資料互動。 在此架構中，資料代理作為對話介面，將自然語言問題轉換為結構化查詢，如 SQL、DAX 或 KQL。
Microsoft Purview 是資料控管、安全性和合規性的統一平臺。 在此架構中，Microsoft Purview 管理您的整個資料資產與血統，從資料來源到 Power BI 報告。
Fabric 外部資料共享 是一項功能，允許使用者從其 Fabric 環境與另一個 Fabric 租戶中的使用者分享資料，從而實現安全的跨租戶協作。 在此架構中，組織能跨租戶邊界協作，無需重複資料。
Fabric API for GraphQL 是一項功能，讓開發者透過使用 GraphQL 查詢語言來暴露並與資料互動。 在此架構中，使用者能開發資料應用程式。
Real-Time Intelligence 是一款事件驅動的分析解決方案，旨在處理、分析並對串流資料採取行動。 在此架構中，它處理大量串流資料，並提供由圖塊組成的即時儀表板，以視覺化底層查詢。
Power BI 是一款商業智慧（BI）與資料視覺化平台。 在此架構中，它連接 OneLake 以建立儀表板與報告。
Microsoft Foundry 是一個統一的平台即服務（PaaS），用於企業規模的 AI 應用與代理的建置、部署與管理。 在此架構中，Foundry 代理豐富並啟用多代理系統，而 Fabric 資料代理則與其他代理一同擔任領域專家。
Azure 機器學習 是一項企業級雲端服務，用於管理整個機器學習生命週期，從資料準備與實驗到模型訓練、部署與監控。 在此架構中，使用者可透過批次端點來執行機器學習模型。 OneLake 捷徑讓 Machine Learning 與 Fabric 共享同一底層 Data Lake Storage 實例，因此兩項服務都能讀寫而無需重複資料。
Microsoft 成本管理 是一項協助您追蹤、分析及優化 Microsoft Azure 資源發票的服務。 在此架構中，成本分析和帳單中會顯示多個與 Fabric 容量資源相關的計量器，這些計量器會在成本管理中反映出來。
Azure 金鑰保存庫 是雲端式服務，可安全地儲存和管理機密、金鑰和憑證等敏感性資訊。 在此架構中，它管理用於 Fabric 連線與閘道的憑證。
Azure 原則 是一種治理工具，可跨 Azure 資源強制執行治理規則。 在此架構中，確保 Fabric 資料平台的合規性、資料治理與成本控制。
Microsoft Entra ID 是一款雲端身份與存取管理解決方案，確保使用者、裝置與工作負載的安全存取。 在此架構中，使用者可使用Microsoft Entra憑證登入Fabric，同時強制執行零信任存取控制。
Azure DevOps 是一套由 Microsoft 提供的開發工具與服務，支援整個軟體開發生命週期。 在此架構中，Azure DevOps 與 Fabric 工作空間整合，以管理生命週期並提供原始碼控制。
GitHub 是一個基於雲端的版本控制與協作平台，讓開發者能夠儲存、管理和追蹤程式碼變更。 在此架構中，GitHub 與 Fabric 工作空間整合，以支援生命週期管理與原始碼控制。
Fabric 的 工作區監控 功能能讓你收集、分析和視覺化工作區內 Fabric 項目的日誌和指標。 在此架構中，它協助在 Fabric 環境中執行查詢診斷、識別問題、建立客製化監控儀表板及設定警示。
Alternatives
Fabric 提供一套工具，以有效管理資料與分析工作負載。 選擇如此多，選擇合適的工具可能相當具有挑戰性。 這些決策指南提供路線圖，幫助你評估選擇並決定最有效的策略。
欲比較其他替代方案，請參閱以下資源：
案例詳細資料
此範例情境展示了 Fabric 如何協助企業建構統一且現代化的資料平台，簡化整合、加速洞察並降低營運複雜度。 它幫助組織克服常見的數據挑戰，同時推動可擴展性、治理與成本效益。
潛在使用案例
透過以統一解決方案取代分散的工具，現代化企業資料平台。
透過使用 Fabric 湖屋建立一個 medallion 湖架構，包含用於原始資料擷取的青銅層、用於清理與轉換後的資料的銀層，以及用於分析與人工智慧的商業準備資料的金層。 建立資料倉儲作為針對主題領域或領域特定設計的解決方案，適用於需要客製化分析的題目。
利用 Fabric 運算引擎整合關聯型資料來源與非結構化資料集。
提供即時營運分析，監控並運用即時智慧處理串流數據。
產生 AI 驅動的客戶洞察，豐富數據並創造商業價值。
透過語意建模與進階視覺化工具，提供企業報告與自助商業智慧。
透過 OneLake 捷徑及外部資料共享，啟用跨租戶資料共享。
將 Fabric 資料代理與 Azure AI Foundry 或 Microsoft Copilot Studio 整合，打造智慧、對話式且具情境感知的 AI 解決方案，服務於商業用戶與應用程式。
Recommendations
請考慮下列建議。
探索與控管
數據控管是大型企業環境中常見的挑戰。 商業分析師需要發現並理解資料資產以解決商業問題，而首席資料長則尋求企業資料的隱私與安全性洞察。
Microsoft Purview
Microsoft Purview 資料治理包含兩種解決方案。 統一目錄與資料地圖透過整合來自多元目錄與來源的元資料，提供現代化的治理體驗。 此整合提升可見性、強化數據信心，並支持企業負責任的創新。
維持詞 彙表 中包含使用者需要的特定商業術語，以便理解資料集語意及組織間的使用。 註冊 資料來源 並將它們組織成集合，這些 集合同時也作為元資料的安全邊界。 定期掃描，自動目錄化並更新組織資料資產相關的元資料。 當掃描 Fabric 租戶時，來自 Fabric 資產（包括 Power BI）的 元資料與血統 會自動匯入 Microsoft Purview 統一資料目錄。 在掃描過程中，根據預先設定或自訂規則，自動為資料資產分配 資料分類 與 資料敏感 性標籤。
利用 統一目錄健康管理 監控整體資料環境健康狀況，保護組織免於安全與隱私風險。 Fabric 內建的 Microsoft Purview 中樞 提供資料清單、敏感性標籤及認可等見解。 它作為連結更廣泛 Microsoft Purview 功能的入口。
平台服務
Fabric 支援多種 部署模式 ，幫助組織將其資料架構與業務需求、治理模式及效能需求對齊。 這些模式定義於租戶、容量、工作區及部署項目層級。 每種模式在可擴展性、隔離性、成本及營運複雜度上提供不同的取捨。
設計整合了多項 Azure 的基礎服務。 Microsoft Entra ID 提供身份服務、單一登入（SSO）及跨 Azure 工作負載的多重驗證。 成本管理為你的 Azure 工作負載提供財務治理。 Key Vault 能安全地管理認證和憑證。 當你在 Fabric 中設定 金鑰保險庫時，你可以從金鑰保險庫服務中取得認證資訊和憑證。 利用這些憑證存取不支援整合驗證的資料儲存，例如本地或外部來源。
Azure Monitor 會收集、分析並處理 Azure 資源的遙測資料，主動識別問題並最大化效能與可靠性。 Azure DevOps 與 GitHub Enterprise 實作開發作業（DevOps），以強制自動化與合規，確保 Fabric 工作負載開發與部署管線的合規。 此方法促進版本控制、協作與生命週期管理。 Azure Policy 執行組織標準與治理，以確保資源一致性、法規遵循、安全性、成本控制與管理。
Considerations
這些考量能實作 Azure Well-Architected Framework 的支柱，這是一組指導原則，可以用來改善工作負載的品質。 如需詳細資訊，請參閱 Well-Architected Framework。
成本優化
成本優化著重於減少不必要的費用，並提升營運效率的方式。 如需詳細資訊，請參閱 成本優化的設計檢閱檢查清單。
要估算成本，請參見定價。 理想的定價層級與架構中每項服務的總成本取決於處理與儲存的資料量及預期效能水準。 請參考以下指南，探索 Fabric 的頂尖成本優化策略：
Fabric 容量是一個共享資源池，驅動所有 Fabric 功能，從資料工程、資料倉儲到資料建模、商業智慧與人工智慧體驗。 Microsoft 的容量單位（CU）價格按小時計算，提供隨用付費或預約選項。 隨用隨付提供彈性，只針對使用 Fabric 容量的工時付費。 你可以在未使用時暫停容量以管理成本，無需每月或每年承諾。 預約 可提供可預測的帳單，且通常能為穩定的工作負載帶來節省。 OneLake 儲存 提供所有分析引擎間單一資料的複製，無需移動或重複資料。
Fabric 容量估算工具有助於估算容量需求，並根據工作負載特性決定適當的 SKU 與儲存需求。 透過使用 Fabric 容量指標應用程式 來監控使用與用電，以顯示容量利用率。 成本管理追蹤使用並設定預算警示。 欲了解更多資訊，請參閱 了解 Azure 帳單中的 Fabric 容量。 Fabric 容量故障排除指南提供資源，協助監控並主動優化容量使用情況。
Fabric Chargeback 應用程式（預覽版）協助組織追蹤、分析並分配使用 Fabric 的業務單位、使用者及工作負載的容量使用成本。 它支援分攤計費與展示計費模式，以實現基於實際消費的透明且公平的成本分配。 Microsoft Purview 的定價取決於目錄中資料資產的數量以及掃描所需的運算能力。
卓越營運
卓越營運涵蓋部署應用程式並使其持續在生產環境中執行的作業流程。 如需詳細資訊，請參閱卓越營運的設計檢閱檢查清單。
採用一致的基礎設施即程式碼（IaC）方法論來配置 Fabric 容量，使用 Bicep、 Azure 資源管理器範本（ARM 範本）及 Terraform。 將 Fabric 工作空間與 Git for Fabric 應用程式生命週期管理整合，並使用 部署管線 進行持續整合與持續部署（CI/CD）。
使用 監控中心 來監控 Fabric 的活動。 管理員監控工作區提供專門的工作空間，供 Fabric 管理員監督和管理租戶運作。 它內建活動概況、活動細節及治理報告，讓管理員能有效監控工作負載與使用情況。 在群組聊天或頻道中發送 Teams 訊息 ，通知管道狀態。 電子郵件通知請使用 Office 365 的 Outlook 活動。
透過 Microsoft Purview 套用治理政策。 安排定期 Well-Architected 檢討與優化衝刺。 欲了解更多關於 Fabric 新功能及何時會推出，請參閱 Fabric 路線圖。 在你開發和測試平台的前置環境中實作類似架構。 考量平台的具體需求及各服務的能力，以打造具成本效益的預製作環境。
Contributors
本文由 Microsoft 維護。 下列參與者撰寫本文。
主要作者：
若要查看非公開的 LinkedIn 個人檔案，請登入 LinkedIn。