比较 Power BI Native 与 OneLake – 选择哪一个？
当我们查看其中的数据存储选项时微软结构，它提出了一个关键的架构选择：您是否利用传统的高速Power BI 本机存储，或者拥抱统一的、开放的标准一个湖？这一决定会影响从成本和性能到治理和未来可扩展性的方方面面。
本指南对这两种范例进行了明确的深入探讨。我们将解构 VertiPaq 引擎与 Delta Lake 的底层技术，比较经济模型，并对 Import 与 Direct Lake 模式的实际性能进行基准测试。最后，您将拥有一个清晰的框架，可以为任何工作负载选择正确的存储策略。
GigXP.com |结构存储深入探讨：Power BI Native 与 OneLake
深入分析
在 Microsoft Fabric 中选择正确存储策略的权威指南。我们解构技术、经济和性能，帮助您构建可扩展、经济高效的解决方案。
第一部分：基础支柱
在 Microsoft Fabric 生态系统中，数据存储分为两种不同的范式：传统的高性能 Power BI 本机存储和新的统一 OneLake 存储。了解每种架构、目的和权衡对于构建现代数据解决方案至关重要。
概览：Native 与 OneLake
显示全部
使用案例
技术
成本模型
表现
| 属性 | Power BI 本机存储 | OneLake存储 |
|---|---|---|
| 主要用例 | 自助服务和部门 BI | 企业规模的统一分析 |
| 核心文物 | 语义模型、报告、仪表板 | Lakehouse、仓库、KQL DB |
| 底层技术 | VertiPaq 分析服务引擎 | Azure 数据湖存储 (ADLS) Gen2 |
| 数据格式 | 专有的压缩柱状 | 开放标准：Delta Parquet |
| 仓储成本 | 包含在许可证中（上限） | 按 GB 按需付费 |
| 交易成本 | 捆绑到容量计算中 | 结构容量 (CU) 消耗 |
| 性能简介 | 高速内存分析 | 可调谐；取决于 V 顺序和访问模式 |
| 数据新鲜度 | 静态（截至上次刷新） | 近实时 |
| 治理模式 | Power BI 中的工件级别 | 集中在 OneLake，Purview 集成 |
| 关键差异化因素 | 专用 BI 的速度和简单性 | 开放性、可扩展性、单一事实来源 |
Power BI 本机存储内部
一个针对单一目的进行优化的闭环高性能生态系统：交互式 BI。
VertiPaq 引擎：内存中的列式数据库，提供卓越的压缩和查询速度。 Power BI 传奇性能的关键。
专有格式：数据以只能由 Analysis Services 引擎读取的格式存储，从而创建数据孤岛，但最大限度地提高该孤岛内的性能。
捆绑成本：存储包含在 Power BI Pro/PPU 或 Fabric Capacity 许可证中，从而使成本可预测且固定。
OneLake 存储内部
基于开放标准构建的开放、统一的数据基础，适用于所有分析工作负载。
三角洲湖标准：基于开放的 Delta Parquet 格式构建，支持 ACID 事务并允许任何计算引擎（Spark、T-SQL 等）访问相同的数据副本。
快捷键：数据虚拟化的一个关键特性。快捷方式充当指向其他位置（其他工作区、其他云）中的数据的指针，从而防止数据重复。
按量付费：存储按 GB 计费，事务消耗来自结构容量的计算。这提供了精细的成本透明度。
第二部分：经济与绩效计算
这两种存储范例在根本不同的经济模型上运行，并提供不同的性能配置文件。了解这些差异是管理成本和用户期望的关键。
成本模型比较
说明性成本明细。 OneLake 成本根据使用情况而变化，而本机存储是固定许可费用。
OneLake 的隐藏成本和奖金
已删除的工作空间保留
您需要为已删除工作区中 7-90 天的存储付费。主动清理对于避免“僵尸”成本至关重要。
文件软删除
默认情况下，删除的文件会保留 7 天，并且您需要为此存储付费。需要定期“VACUUM”作业来回收空间。
镜像存储奖励
为每个 Fabric CU 的镜像副本获取 1 TB 免费 OneLake 存储。 F64 容量附带 64 TB 的可用镜像存储空间。
性能深入探究：导入与 Direct Lake
Direct Lake 的目标是在不复制数据的情况下实现类似导入的速度，但性能存在细微差别。关键区别在于从源到查询引擎的数据路径。
导入方式
数据来源
复制和压缩
VertiPaq 缓存
（专有格式）
最快查询
Power BI 报告
最高速度、数据延迟
直接湖模式
一湖数据
（三角洲/实木复合地板）
直接读取
Power BI 引擎
（无副本）
快速查询
Power BI 报告
高速度、低延迟
优化 Direct Lake 性能
高性能并不是自动的。这取决于 OneLake 中 Delta 文件的物理布局。
V 型订购：写入时优化可重新组织 Parquet 文件以匹配 Power BI 引擎预期的模式，从而显着提高读取性能。
文件压缩：经常使用 OPTIMIZE 和 VACUUM 命令将许多小文件压缩成更少、更大的文件（100MB-1GB 是理想的）来解决“小文件问题”。
第三部分：现代数据工作流程
向 OneLake 的战略转变正在从根本上重塑数据工作流程，最明显的体现是数据流的演变以及对统一、以数据为中心的治理的推动。
演变：数据流 Gen1 与 Gen2
从 Gen1 到 Gen2 的转变代表了 OneLake 中从特定于 BI 的孤岛向通用、可重用的数据资产的转变。
数据流第一代
来源
电源查询
内部 PBI 存储
（孤立）
输出：写入内部托管存储位置。主要用于 Power BI 语义模型。
数据流 Gen2
来源
电源查询
一湖目的地
通用Delta表
输出：写入 OneLake（Lakehouse/Warehouse）中用户指定的目的地。创建可重用的通用 Delta 表。
第四部分：跨越鸿沟的治理与安全
Fabric 旨在统一治理，但实现方式和成熟度有所不同。战略方向是从应用层面治理到数据层面治理的根本性转变，以OneLake为重心。
Fabric 的关键治理支柱
权限统一治理：Fabric 具有内置的 Purview 功能，可集中查看整个数据资产（从 OneLake 表到 Power BI 报告）。
端到端数据沿袭：Fabric 提供了一个沿袭视图，可以跟踪数据从源到使用的过程，尽管它对于管道和数据流等已识别的工件最为可靠。
敏感度标签继承：下游 Power BI 报告会自动继承应用于 OneLake 中表的标签（例如“高度机密”），从而确保一致的数据保护。
数据级访问控制：在 Warehouse 或 Lakehouse 中的表上定义行级安全性 (RLS) 和列级安全性 (CLS) 一次，即可在从 Power BI 到 Spark 的任何地方强制执行。
第五部分：战略建议
Power BI 本机存储和 OneLake 之间的选择不是一个二元决策，而是一个战略决策，取决于具体场景、数据量、用户角色和长期架构目标。
场景 1：传统自助服务和部门 BI
对于使用 Power BI Pro/PPU 处理较小数据集的熟练分析师来说，目标是快速创建和共享交互式报告。
推荐：坚持Power BI 本机存储（导入模式）。对于这种规模来说，它具有成本效益、高性能，并且不需要专门的数据工程技能。
场景 2：企业规模 Lakehouse 和 DWH
适用于为多个消费者工作负载（BI、数据科学、ML）构建企业单一事实来源的中央数据团队。
推荐： OneLake是唯一的战略选择。使用 Lakehouse/Warehouse 架构并通过以下方式连接 Power BI直接湖模式来利用单个数据副本。
场景 3：实时和近实时分析
用于分析高速流数据（物联网、点击流），其中仪表板必须以最小的延迟反映数据。
推荐：混合方法集中于一个湖。将流引入 KQL 数据库并使用直接湖为BI层实现低延迟和高性能。
第六部分：整体管理的最佳实践
对 Fabric 存储环境的有效管理需要采用涵盖成本、性能和治理的整体方法，以确保健康且可持续的数据资产。
成本优化
- 合适的容量：从小规模开始，并根据监控扩大规模。
- 自动暂停：在非工作时间暂停非生产能力。
- 监控存储：定期审核 OneLake 存储以查找并清理孤立数据。
- 优化摄取：使用高效的数据加载模式来最大限度地减少 CU 消耗。
数据生命周期
- 设置工作空间保留：配置最短保留期限（例如7天）以降低成本。
- 自动清理：将作业安排到“VACUUM”增量表并清除软删除的文件。
- 使用大奖章架构：将您的湖泊构建为青铜、白银和黄金层以简化管理。
治理
- 使用命名约定：对所有 Fabric 项目实施一致的命名标准。
- 利用域：按业务领域对工作区进行分组以委派管理。
- 采用 Git 集成：将工件视为强大的源代码控制和 CI/CD 的代码。
演出XP.com
为数据专业人员提供可行的见解。我们将复杂的主题分解为清晰、实用的指导。
导航
合法的
订阅我们的时事通讯
将这样的深入探讨发送到您的收件箱。
去
© 2025 GigXP.com。版权所有。这是一个概念设计，与微软无关。
![下载诺基亚 G300 库存壁纸 [HD+]](https://pfrlju.com/tech/adelia/wp-content/uploads/2023/02/nokia-g300-wallpapers.webp)
