Microsoft Fabric 许可和成本与性能指南 (2025)

12 个关键许可问题已解答

Microsoft Fabric 的许可模型功能强大，但充满了官方文档经常忽视的细微差别。本指南直接解决了建筑师和财务规划师面临的最紧迫、最未得到充分解决的问题，将混乱转化为战略清晰度。

要点：Fabric 许可框架

• 这面料试用为您提供强大的临时 64 CU 容量，持续 60 天。这免费许可证其本身不具备任何能力。
• 不要将较小 SKU 的试用性能与生产性能混淆。
• 从 Power BI Premium 迁移是强制性的。您的“宽限期”实际上是30 天的迁移窗口在性能严重下降之前。

一个主要的混淆点是“Fabric Trial”和“Fabric（免费）”许可证之间的区别。它们不一样。核心区别是计算能力。

• 微软 Fabric 试用：60 天促销优惠为您提供强大的64 容量单位 (CU) 试用容量——相当于付费的F64SKU。它专为评估而设计，并设定了高性能基准。
• Microsoft Fabric（免费）许可证：永久许可证提供零计算能力。要执行任何工作，拥有免费许可证的用户必须有权访问在付费 Fabric 容量上运行的工作区。

关键规划见解：试验容量的概念验证将显示试验容量的性能F64。如果您购买较小的F8或者F16对于生产来说，性能会明显降低。相应地管理利益相关者的期望。

从 Power BI Premium 的过渡P-SKUs到织物F-SKUs是强制的。 “90天宽限期”不是简单的延长，而是一个有明确期限的结构化流程。

战略建议：计划购买新的F-SKU*在*你老之前P-SKU过期。 30 天免费窗口专门用于重新分配工作空间的技术任务。不要将整个 90 天视为缓冲期。

PBI Premium 到结构迁移时间表

要点：战略成本管理

• 从升级到F32到保留的F64如果你有的话会更便宜~57 或更多报告查看者。
• 叠加折扣时，首先应用面料预订，在一般 Azure Savings Plan 之前。
• 暂停停止计算计费，但不停止存储计费，并且可能会因最近的超额立即触发巨额账单。缩小规模在低使用期间降低成本通常更安全。
• 您需要支付以下费用：供应容量“上限”，不是消耗的“地板”。忘记缩减规模是账单震惊的常见原因。

一个关键规则改变了分发 Power BI 报告的成本方程：

• 关于容量F64:每个报表查看器都需要付费的 Power BI Pro 许可证。
• 通电容量≥F64:拥有免费许可证的用户可以查看报告（作为“查看者”）。

底线：从 PAYG 升级更经济F32至 1 年保留期F64如果您的组织大约有57 名或更多报告查看者。这还可以使您的计算能力加倍，并启用 Copilot 等功能。

交互式成本分析：F32 与 F64

调整观看人数以查看成本收支平衡点。

报告查看者数量：100

对于承诺支出，Azure 提供两种折扣模式。他们的互动遵循一个简单的规则：

优先规则：特异性获胜。Azure 计费引擎将始终首先应用最具体的折扣。 Fabric 预订在常规 Azure Savings Plan 之前应用。

对于可预测的基线 Fabric 工作负载，面料容量预留永远是最具性价比的选择。

折扣申请优先顺序

面料使用情况

1、Fabric容量预留

由于其特殊性而首先被应用。

2. Azure 储蓄计划

适用于剩余的合格使用量。

3. 按量付费

对任何未覆盖的使用进行计费。

• 暂停（对于 PAYG）：停止计算计费，但不停止存储。它还可能立即针对最近的超额费用触发账单。最适合**零活动**时期（过夜、周末）、冷静期后。
• 缩小规模（例如，F64→F2）：降低每小时的计算速率并避免立即结算超额费用。最适合**低但非零活动**的时期。

一个常见的计费错误是在完成大量工作后忘记缩减 PAYG 容量。

计费现实：您需要支付以下费用：预留容量（“上限”），而不是您实际消耗的量（“下限”）。如果您扩展到F128为了一份工作而忘记缩减规模，你将支付高额费用F128即使您的使用量接近于零，也按小时收费。

解决方案：使用 Azure 成本管理来监控预配容量成本并实施自动扩展脚本作为关键的成本控制规则。

忘记缩小规模的成本影响

该账单反映了即使在消耗量较低的情况下，所配备的 F128“上限”的高成本。

要点：技术性能和资源映射

• 容量单元的功率取决于工作负载。相同F-SKU提供为数据仓库提供更多 vCore 功能与 SQL 数据库相比。
• 您可以运行旧版本Power BI 嵌入式 (A/EM) SKU 与 Fabric 一起F-SKUs。这可能是隔离关键任务应用程序的有效策略。

从 Fabric 容量获得的 vCore 功率并不是恒定的。对于一个F64容量：

• 它为 **SQL 数据库** 工作负载产生 **~24.5 个 vCores**。
• 它为 **数据仓库** 工作负载提供 **32 个 vCore**。
• 它为 **Spark** 工作负载提供 **128 个 vCore**。

这意味着，如果不首先选择目标 Fabric *体验*，您就无法根据 vCore 需求调整容量。

交互式 CU 到 vCore 转换器

选择面料 F-SKU：

F2
F4
F8
F16
F32
F64
F128
F256
F512
F1024
F2048

尽管F-SKUs是未来，是传承A/EMSKU 与它们并存是可能的，并且可以具有战略意义。

性能考虑：社区报告表明，遗产A/EMSKU 往往风门（放慢速度）在重负载下，同时F-SKUs可以更快地从节流转向主动拒绝新的要求。

对于具有收入关键型嵌入式应用程序的 ISV，将其隔离在专用的A/EM用于性能可预测性的 SKU 可能是一个合理的架构选择。

要点：高级架构和治理场景

• 外部共享 Power BI 报告会产生两项成本：结构 CU和Microsoft Entra MAU 费用（如果每月活跃访客用户超过 50,000 名）。
• 你不能使用 Visual Studio Azure 积分来支付 Fabric 容量。
• 对于多租户 SaaS，您可以将计算集中在您的容量上（集中式模型）或让客户使用自己的容量（联邦模型）。

当您与外部来宾用户共享 Power BI 报表时，您需要支付以下费用：

1. 面料计算：用于运行报告的 CU。
2. 入口ID认证：按月活跃用户 (MAU) 模式计费。

成本提醒：Microsoft Entra ID 为您提供第一每月免费 50,000 个 MAU。超出此范围可能会引发大量未列入预算的身份费用，这些费用与您的 Fabric 成本分开计费。

外部共享成本决策树

外部共享 Power BI 报告

有关的：Power BI 和 Fabric 许可指南 (2025)：Pro、PPU 与 F64

每月有多少独立外部用户？

≤ 50,000 月活跃用户数

成本 = 仅结构 CU 成本

> 50,000 月活跃用户

成本 = CU 成本 + 每月活跃用户费用

结论：不。Visual Studio Azure 积分和开发/测试定价不能用于支付 Fabric 容量的费用。 Fabric 不在合格服务列表中。

推荐的开发/测试策略：

• 用于评估：使用 60 天的免费 Fabric 试用版。
• 对于持续的团队发展：购买小型、可暂停的 PAYGF-SKU（就像一个F2）并在不使用时使用自动化功能将其暂停。

ISV 有两种主要的多租户解决方案模型：

1. 集中计算

ISV 拥有大容量并提供嵌入式分析。 ISV 支付所有计算费用；客户不需要许可证。

2. 联邦计算

ISV 通过 OneLake 快捷方式共享数据。客户使用自己的Fabric容量来查询数据。这种“自带容量”模型将计算成本转移给了客户。

要点：面向未来和投机分析

• Azure Arc 上的完整本地“盒装结构”不太可能实现。更合理的未来包括“启用 Arc 的 Fabric 端点​​”适用于与主云服务集成的特定边缘工作负载。

对于具有数据主权或低延迟要求的组织来说，Microsoft Fabric 是否会通过 Azure Arc 在本地运行是一个非常感兴趣的话题。对两个平台架构的分析表明，完整的 **“盒装结构”是极不可能的。**

• 微软结构根据定义，它是一个云原生的软件即服务 (SaaS) 平台。它的核心价值是抽象基础设施。
• 蔚蓝弧线是一个管理桥梁，可扩展 Azure 控制平面以管理驻留在 Azure 外部的资源。它并不是为了复制整个 SaaS 平台而设计的。

此外，微软的战略方向表明，它有意“远离”本地分析计算，新的 Fabric 功能中缺乏 Power BI 报表服务器支持就证明了这一点。

更合理的混合未来：“Fabric Edge 端点”

期望看到特定的容器化 Fabric 组件支持 Arc，而不是完整的本地部署。这种“中心辐射”模型将允许：

• 一个实时智能流处理器在工厂启用 Arc 的服务器上运行，用于本地异常检测。
• 一个轻量级OneLake同步代理在 Arc 上运行，为断开连接的操作提供本地数据缓存。

这种方法将允许计算在最有意义的地方进行——在边缘进行轻量级处理，而大量分析则保留在云中。

战略建议：架构师应该专注于为基于云的 Fabric 平台构建强大的数据摄取管道，而不是等待可能永远不会到来的全面的本地版本。

结论

Microsoft Fabric 许可模型是一个动态的、基于消费的框架，需要新水平的财务和体系结构纪律。通过了解容量管理、成本优化和架构权衡的更深层次复杂性，组织可以战略性地设计其数据平台，以实现最佳性能、治理和成本效率。