Desenvolver modelos semânticos do Direct Lake

  • Artigo

Este artigo descreve os 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 selecionar 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 criar relações entre tabelas, criar medidas e grupos de cálculo, marcar tabelas de data e definir propriedades para o modelo e seus objetos (como formatos de coluna). Você também pode configurar o modelo RLS (segurança em nível de linha) 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 modelo usando uma ferramenta em conformidade com XMLA, como o SQL Server Management Studio (SSMS) (versão 19.1 ou posterior) ou ferramentas de comunidade de software livre. Para obter mais informações, veja Suporte à gravação de modelo com o ponto de extremidade XMLA mais adiante neste artigo.

Dica

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

Tabelas de 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 visualizações sempre que possível. Isso ocorre porque as consultas a uma tabela de 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 de consulta de 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 ao uso de colunas que aplicam mascaramento dinâmico de dados (DDM) 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 Noções básicas sobre o armazenamento de modelos semânticos do Direct Lake.

Impor regras de acesso a dados

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

Nota

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

Segurança no nível do objeto (OLS)

OLS envolve restringir o 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 da tabela Employee.

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

Para um modelo semântico, você pode configurar o OLS para controlar o acesso às tabelas ou colunas do modelo. Você precisa usar ferramentas de software livre e de comunidade, como o Editor tabular, para configurar o OLS.

Segurança no nível da linha (RLS)

O RLS envolve restringir o acesso a subconjuntos de dados em tabelas. Por exemplo, você pode usar 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 RLS para controlar o acesso às linhas em uma tabela de ponto de extremidade.

Importante

Quando uma consulta utiliza qualquer tabela que tenha RLS no endpoint de análise do SQL, ela cairá de volta para o modo DirectQuery. O desempenho da consulta pode ser mais lento.

Para um modelo semântico, é possível configurar o RLS para controlar o acesso a linhas nas tabelas do modelo. O RLS pode ser configurado na experiência de modelagem na Web ou através do uso de uma ferramenta de terceiros.

Como as consultas são avaliadas

O motivo para desenvolver modelos semânticos do Direct Lake é realizar consultas altamente eficientes em grandes volumes de dados no OneLake. Portanto, você deve se esforçar para criar uma solução que maximize as chances de consulta na memória.

As etapas a seguir se aproximam de 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 (o visual do relatório não será renderizado).
  2. Se a consulta contiver qualquer coluna restrita pelo CLS do ponto de extremidade de análise do 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), CLS será determinado pelo nível de acesso do consumidor de relatório.
    2. Se a conexão de nuvem usar uma identidade fixa, CLS será determinado pelo nível de acesso da identidade fixa.
  3. Se a consulta contiver qualquer tabela no ponto de extremidade de análise do SQL que imponha RLS ou se uma visão for usada, a consulta retornará ao modo DirectQuery.
    1. Se a conexão de nuvem usar SSO (padrão), o RLS será determinado pelo nível de acesso do consumidor de relatório.
    2. Se a conexão de nuvem usar uma identidade fixa, o RLS será determinado pelo nível de acesso da identidade fixa.
  4. Se a consulta exceder os limites de capacidade, ela retornará ao modo DirectQuery.
  5. Caso contrário, a consulta será atendida do cache na memória. Os dados da coluna são carregados na memória conforme e quando necessário.

Permissões de itens de origem

A conta usada para acessar dados é uma das seguintes.

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

A conta precisa ter pelo menos permissões Leitura e ReadData no item de origem (lakehouse ou warehouse). As permissões de item podem ser herdadas de funções do espaço de trabalho ou atribuídas explicitamente para o item, conforme descrito nesse 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 SQL.
  • Tanto no modelo semântico quanto 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 viável. Isso ocorre porque o RLS imposto pelo modelo semântico é obtido filtrando o cache de dados na memória para obter consultas de alto desempenho.

Também é uma abordagem adequada quando os consumidores de relatórios não têm permissão para consultar o lakehouse ou o armazém.

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 diretamente o endpoint de análise SQL e, assim, podem ignorar as regras de segurança no modelo semântico.

Importante

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

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

Regras no ponto de extremidade de análise SQL

É apropriado impor regras de acesso a dados no ponto de extremidade de análise SQL quando o modelo semântico conexão de nuvem usa logon único (SSO). Isso ocorre porque a identidade do usuário é delegada para consultar o endpoint de análise 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 endpoint de análise SQL diretamente para outras atividades (por exemplo, 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 endpoint de análise SQL. Consequentemente, o modelo semântico pode escolher não 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.

Aplicar regras de acesso a dados Comentário
Somente modelo semântico Use essa opção quando os usuários não tiverem permissões de item para consultar o lakehouse ou o warehouse. Configure a conexão de nuvem para usar uma identidade fixa. Um alto desempenho de consultas pode ser alcançado através 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 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 warehouse e modelo semântico Essa opção envolve sobrecarga extra de gerenciamento. 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 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 ambas as camadas porque isso resulta em erros nas visualizações de relatórios. Erros podem causar confusão ou preocupação para os usuários. Para colunas sumarizáveis, considere criar medidas que retornem BLANK em determinadas condições em vez de CLS (se possível).

Suporte para gravação de modelo usando o endpoint 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 o uso de ferramentas de terceiros para desenvolver, gerenciar ou otimizar modelos semânticos, consulte o cenário de uso de gerenciamento de modelo de dados avançado .

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

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

  • Personalizando, mesclando, escrevendo script, depurando e testando os 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 de conteúdo.
  • Tarefas de automação, como atualização semântica de modelo, e a aplicação de alterações em modelos semânticos do Direct Lake usando o PowerShell e as APIs REST.

Ao alterar um modelo semântico usando XMLA, você deve atualizar a coleção ChangedProperties e PBI_RemovedChildren 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 as alterações na próxima vez que o esquema for sincronizado com o Lakehouse.

Saiba mais sobre as marcas de linhagem de objeto do modelo semântico no artigo Tags de linhagem para modelos semânticos do Power BI.

Importante

As tabelas 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, atualize o modelo para processar suas tabelas.

Para obter mais informações, veja 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 propriedade compatibilityLevel do objeto de banco de dados é 1604 (ou superior).
  • A propriedade de modo 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 retorne ao modo DirectQuery por qualquer motivo).

Tarefas pós-publicação

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

Recursos sem suporte

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

  • Tabelas calculadas referenciando tabelas ou colunas no modo de armazenamento Direct Lake
  • Colunas calculadas que fazem referência a tabelas ou colunas no modo de armazenamento Direct Lake
  • Tabelas híbridas
  • Agregações definidas pelo usuário
  • Modelos compostos, nos quais você não pode combinar tabelas de modo de armazenamento Direct Lake com tabelas de 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, você pode clicar na opção para fazer alterações nesse modelo para adicionar novas tabelas (usando o modo de importação, DirectQuery ou armazenamento duplo). Essa ação cria uma conexão DirectQuery com o modelo semântico no modo Direct Lake, de modo que as tabelas são exibidas 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 direct lake é 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 endpoint de análise SQL que aplicam mascaramento de dados dinâmico.

Conteúdo relacionado