März 2018

  • Artikel

Releases werden gestaffelt. Ihr Azure Databricks-Konto wird möglicherweise erst eine Woche nach dem Datum der ersten Veröffentlichung aktualisiert.

Details zur Befehlsausführung

27. März bis 3. April 2018: Version 2.68

Wenn Sie einen Befehl in einem Notebook ausführen, werden nun detaillierte Statusinformationen angezeigt.

Unterstützung der Databricks-CLI

27. März bis 3. April 2018: Version 2.68

Databricks CLI 0.6.1 unterstützt --profile an allen Positionen.

Siehe Databricks CLI (Legacy).

Automatische Aktivierung von ACLs für neue Premium SKU-Kunden

27. März bis 3. April 2018: Version 2.68

Zugriffssteuerungslisten (ACLs) sind jetzt standardmäßig für alle neuen Kunden in der Premium SKU aktiviert. Vorhandene Kunden müssen ACLs weiterhin manuell aktivieren.

Weitere Informationen finden Sie unter Zugriffskontrolllisten können nicht mehr deaktiviert werden.

Azure Databricks ist jetzt allgemein verfügbar.

22\. März 2018

Wir freuen uns, bekanntgeben zu können, dass Azure Databricks jetzt allgemein verfügbar ist. In den letzten Wochen haben wir Funktionen hinzugefügt, um die Azure Databricks-Erfahrung noch besser zu gestalten, einschließlich:

Natürlich bietet Azure Databricks weiterhin einfache Integrationen in Azure Blob Storage, Azure Data Lake Store und Azure Cosmos DB.

Als Ergänzung zu der Dokumentation auf dieser Website finden Sie unter video2.skills-academy.com Einführungsmaterial, Informationen zur Azure-Kontoverwaltung und End-to-End-Tutorials.

Neues Design der Dokumentationswebsite

21. März 2018

Wir haben das Erscheinungsbild unserer Dokumentationsseite aufgefrischt. Wir hoffen, es gefällt Ihnen!

Automatische Skalierung des lokalen Speichers

13. bis 20. März 2018: Version 2.67

Alle Cluster auf Azure Databricks starten mit aktivierter automatischer Skalierung des lokalen Speichers. Das bedeutet, dass Azure Databricks automatisch zusätzliche verwaltete Datenträger an Clusterworker-VMs anhängt, wenn deren Datenträgerkapazität erschöpft ist.

Weitere Informationen finden Sie unter Aktivieren der automatischen Skalierung von lokalem Speicher.

Peering des virtuellen Netzwerks (VNet)

13. bis 20. März 2018: Version 2.67

Ermöglicht dem virtuellen Netzwerk, in dem Ihre Azure Databricks-Ressource ausgeführt wird, sich mit einem anderen virtuellen Azure-Netzwerk zu peeren.

Weitere Informationen finden Sie unter Peering des virtuellen Netzwerks.

Clusterereignisprotokoll

13. bis 20. März 2018: Version 2.67

Die Seite mit den Clusterdetails enthält eine neue Registerkarte „Ereignisprotokoll“, auf der wichtige Clusterlebenszyklusereignisse angezeigt werden. Verlaufsereignisse können 60 Tage lang angezeigt werden, was mit anderen Datenaufbewahrungszeiten in Azure Databricks vergleichbar ist.

Weitere Informationen finden Sie unter Compute-Ereignisprotokolle .

Databricks-CLI: Version 0.6.0

13. März 2018: databricks-cli 0.6.0

Die Databricks CLI unterstützt jetzt Python 3.

Weitere Informationen finden Sie unter Databricks-CLI (Legacy).

Verwaltung der Auftragsausführung

13. bis 20. März 2018: Version 2.67

Sie können jetzt auf der Auftragsdetailseite und auf der Auftragsausführungsseite einen Auftragsausführung löschen.

Der Endpunkt Ausgabe abrufen des Auftragslaufs ist allgemein verfügbar, und die maximal zurückgegebene Ausgabe wurde auf 5 MB erhöht.

Für die Bearbeitung von Clusterberechtigungen wird jetzt der Bearbeitungsmodus vorausgesetzt.

13. bis 20. März 2018: Version 2.67

Zuvor war es möglich, die Berechtigungen eines Clusters zu bearbeiten, ohne auf Bearbeiten zu klicken, was inkonsistent mit anderen Clusterattributen war.

Ein Nebeneffekt dieser Änderung ist, dass Sie die Cluster-Berechtigungen nicht mehr bearbeiten können, während ein Cluster ausstehend ist.

Export des Databricks ML-Modells

1. März 2018

Die Dokumentation deckt jetzt die Verwendung von Databricks ML-Modellexport ab, mit dem Sie Modelle und vollständige ML Pipelines aus Apache Spark exportieren können. Diese exportierten Modelle und Pipelines können in andere (Spark- und nicht Spark-basierte) Plattformen importiert werden, um Bewertungen vorzunehmen und Vorhersagen zu treffen. Der Modellexport ist für latenzarme, einfache ML-Anwendungen konzipiert.

Hinweis

Für dieses Feature ist Databricks Runtime 4.0 oder höher erforderlich.

Weitere Informationen finden Sie unter Export eines ML-Modells mit MLeap.