Desenvolver modelos semânticos do Direct Lake

  • Artigo

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

Criar o modelo

Use o portal do Fabric para criar um modelo semântico do Direct Lake em um workspace. É um processo simples que envolve a seleção de quais tabelas de um único lakehouse ou warehouse adicionar ao modelo semântico.

Em seguida, você pode usar a experiência de modelagem da Web para desenvolver ainda mais o modelo semântico. Essa experiência permite que você crie relações entre tabelas, crie medidas e grupos de cálculo, marque tabelas de data e defina propriedades para o modelo e seus objetos (como formatos de coluna). Você também pode configurar a RLS (segurança em nível de linha) do modelo definindo funções e regras e adicionando membros (contas de usuário ou grupos de segurança do Microsoft Entra) a essas funções.

Como alternativa, você pode continuar o desenvolvimento do seu modelo usando uma ferramenta compatível com XMLA, como o SSMS (SQL Server Management Studio) (versão 19.1 ou posterior) ou ferramentas da comunidade de software livre. Para obter mais informações, consulte Suporte de gravação de modelo com o ponto de extremidade XMLA mais adiante neste artigo.

Dica

Você pode aprender a criar um lakehouse, uma tabela Delta e um modelo semântico básico do Direct Lake concluindo este tutorial.

Tabelas modelo

As tabelas de modelo são baseadas em uma tabela ou em uma exibição do ponto de extremidade de análise SQL. No entanto, evite usar exibições sempre que possível. Isso ocorre porque as consultas a uma tabela modelo com base em uma exibição sempre retornarão ao modo DirectQuery, o que pode resultar em um desempenho de consulta mais lento.

As tabelas devem incluir colunas para filtragem, agrupamento, classificação e resumo, além de colunas que dão suporte a relações de modelo. Embora colunas desnecessárias não afetem o desempenho da consulta do modelo semântico (porque não serão carregadas na memória), elas resultam em um tamanho de armazenamento maior no OneLake e exigem mais recursos de computação para carregar e manter.

Aviso

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

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 Entender o armazenamento para modelos semânticos do Direct Lake.

Aplique regras de acesso a dados

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

Observação

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

OLS (segurança em nível de objeto)

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

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 CLS (segurança em nível de coluna) 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 comunitárias de código aberto, como o Editor de Tabelas, para configurar o OLS.

RLS (Segurança em nível de linha)

A RLS envolve a restrição do 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 de 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.

Importante

Quando uma consulta usa qualquer tabela que tenha RLS no ponto de extremidade de análise SQL, ela retornará ao 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 da Web ou usando uma ferramenta de terceiros.

Como as consultas são avaliadas

O motivo para desenvolver modelos semânticos do Direct Lake é obter consultas de alto desempenho em 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 OLS do modelo semântico, um resultado de erro será retornado (o visual do relatório não será renderizado).
  2. Se a consulta contiver qualquer coluna restrita pelo CLS do ponto de extremidade de análise SQL (ou a tabela for negada), um resultado de erro será retornado (o visual do relatório não será renderizado).
    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 usar uma identidade fixa, o CLS será determinado pelo nível de acesso da identidade fixa.
  3. Se a consulta contiver qualquer tabela no ponto de extremidade de análise SQL que impõe a RLS ou uma exibição for usada, a consulta retornará ao modo DirectQuery.
    1. Se a conexão de nuvem usar SSO (padrão), a RLS será determinada pelo nível de acesso do consumidor do relatório.
    2. Se a conexão de nuvem usar uma identidade fixa, a RLS será determinada pelo nível de acesso da identidade fixa.
  4. Se a consulta exceder as proteções da capacidade, ela retornará ao modo DirectQuery.
  5. Caso contrário, a consulta será atendida no cache na memória. Os dados da coluna são carregados na memória como e quando necessário.

Permissões de item de origem

A conta usada para acessar os dados é uma das seguintes.

  • Se a conexão de nuvem usar SSO (padrão), ela será o consumidor do relatório.
  • Se a conexão de nuvem usar uma identidade fixa, será a identidade fixa.

A conta deve ter pelo menos permissões de Leitura e ReadData no item de origem (lakehouse ou warehouse). As permissões de item podem ser herdadas de funções de workspace ou atribuídas explicitamente para o item, conforme descrito neste 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:

  • Somente o modelo semântico.
  • Somente o ponto de extremidade de análise do SQL.
  • No modelo semântico e no ponto de extremidade de análise SQL.

Regras no modelo semântico

Se você precisar impor regras de acesso a dados, deverá fazê-lo no modelo semântico sempre que possível. Isso ocorre 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 têm permissão para consultar o lakehouse ou o warehouse.

Em ambos os casos, é altamente recomendável que a conexão de nuvem use uma identidade fixa em vez de SSO. O SSO implicaria que os usuários finais podem acessar o ponto de extremidade de análise SQL diretamente e, portanto, podem ignorar as regras de segurança no modelo semântico.

Importante

As permissões de item de modelo semântico podem ser definidas explicitamente por meio de aplicativos do Power BI ou adquiridas implicitamente por meio de funções de workspace.

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

Regras no ponto de extremidade de análise do SQL

É apropriado impor regras de acesso a dados no ponto de extremidade de análise do SQL quando a conexão de nuvem do modelo semântico usa SSO (logon único). Isso ocorre porque a identidade do usuário é delegada para consultar o ponto de extremidade de análise do SQL, garantindo que as consultas retornem apenas os dados que o usuário tem permissão para acessar. Também é apropriado impor regras de acesso a dados nesse nível quando os usuários consultarem o ponto de extremidade de 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 retornará ao modo DirectQuery quando incluir qualquer tabela que imponha RLS no ponto de extremidade de análise SQL. Consequentemente, o modelo semântico pode nunca armazenar dados em cache na memória para obter consultas de alto desempenho.

Regras em ambas as camadas

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

Comparação de opções de regra de acesso a dados

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

Aplicar regras de acesso a dados para Comentário
Somente modelo semântico Use essa opção quando os usuários não receberem permissões de item para consultar o lakehouse ou o depósito. Configure a conexão de nuvem para usar uma identidade fixa. O alto desempenho da consulta pode ser obtido a partir do cache na memória.
Somente ponto de extremidade de análise SQL Use essa opção quando os usuários precisarem acessar dados do warehouse ou do modelo semântico e com regras de acesso a dados consistentes. Verifique se o SSO está habilitado para a conexão de nuvem. O desempenho da consulta pode ser lento.
Lakehouse ou armazém e modelo semântico Essa opção envolve sobrecarga de gerenciamento extra. Configure a conexão de nuvem para usar uma identidade fixa.

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

  • Se usuários diferentes precisarem ser restritos a subconjuntos de dados, sempre que viável, imponha a RLS somente na camada de modelo semântico. Dessa forma, os usuários se beneficiarão de consultas na memória de alto desempenho. Nesse caso, é altamente recomendável que a conexão de nuvem use uma identidade fixa em vez de SSO.
  • Se possível, evite impor OLS e CLS em qualquer camada, pois isso resulta em erros nos visuais do relatório. Os erros podem causar confusão ou preocupação para os usuários. 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 do Direct Lake dão suporte a operações de gravação com o ponto de extremidade XMLA usando ferramentas como SSMS (19.1 ou posterior) e ferramentas de comunidade de software livre.

Dica

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

Antes de executar operações de gravação, a opção de leitura/gravação XMLA deve ser habilitada para a capacidade. Para obter mais informações, consulte Habilitar leitura/gravação XMLA.

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

  • Personalizando, mesclando, scripts, depurando e testando 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 do modelo semântico e aplicação de alterações aos modelos semânticos do Direct Lake usando o PowerShell e as APIs REST.

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

Os modelos com suporte para alterar um modelo semântico usando XMLA são os seguintes:

  • Renomeação de tabela/coluna (ChangeProperty = name)
  • Remover tabela (adicionar tabela a PBI_RemovedChildren anotação na expressão de consulta)

Importante

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

Para obter mais informações, consulte Conectividade do modelo semântico com o ponto de extremidade XMLA.

Metadados de modelo do Direct Lake

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

  • A compatibilityLevel propriedade do objeto de banco de dados é 1604 (ou superior).
  • A propriedade mode das partições do Direct Lake é definida como directLake.
  • As partições do Direct Lake usam expressões compartilhadas para definir fontes de dados. A expressão aponta para o ponto de extremidade 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 ele volte para o modo DirectQuery por qualquer motivo).

Tarefas pós-publicação

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.

Recursos sem suporte

Os seguintes recursos de modelo não são compatíveis com os modelos semânticos do Direct Lake:

  • Tabelas calculadas que fazem referência a tabelas ou colunas no modo de armazenamento do Direct Lake
  • Colunas calculadas que fazem referência a tabelas ou colunas no modo de armazenamento do Direct Lake
  • Tabelas híbridas
  • Agregações definidas pelo usuário
  • Modelos compostos, em que você não pode combinar tabelas do modo de armazenamento do Direct Lake com tabelas do modo de armazenamento DirectQuery ou Dual no mesmo modelo. No entanto, você pode usar o Power BI Desktop para criar uma conexão dinâmica com um modelo semântico do Direct Lake e, em seguida, estendê-lo com novas medidas e, a partir daí, clicar na opção para fazer alterações nesse modelo para adicionar novas tabelas (usando o modo de armazenamento Importar, DirectQuery ou Duplo). Essa ação cria uma conexão DirectQuery com o modelo semântico no modo Direct Lake, portanto, as tabelas são mostradas como modo de armazenamento DirectQuery, mas esse modo de armazenamento não indica fallback para DirectQuery. Somente a conexão entre esse novo modelo e o modelo do Direct Lake é o DirectQuery e as consultas ainda utilizam o Direct Lake para obter dados do OneLake. Para obter mais informações, consulte Criar um modelo composto em um modelo semântico.
  • Colunas baseadas em colunas de ponto de extremidade de análise SQL que aplicam mascaramento de dados dinâmicos.

Conteúdo relacionado