Power BI Embedded SKU 估算：2025 年权威指南

解构 Power BI 容量

为 Power BI Embedded 解决方案选择正确的库存单位 (SKU) 的过程是一项关键的体系结构和财务决策。本部分解构 Power BI 容量格局，提供可用 SKU 系列的基础分析。

1.1.核心原则：专用与每用户

每用户许可（专业版）

非常适合内部 BI，其中一组定义的许可用户在 Power BI 服务中创建和使用报告。

专用容量（嵌入式）

对于“应用程序拥有数据”场景来说是强制性的，提供预留的资源池来为未经许可的应用程序用户提供分析服务。

Power BI Embedded 的主要用例是“应用程序拥有数据”场景。为了使该模型在生产中发挥作用，必须有专用的容量。容量是专门为处理工作负载而分配的预留计算资源（v 核心和内存）池。

1.2.互动SKU比较

使用下面的筛选器比较不同属性的 SKU 系列。这样可以直接比较绩效和购买模型。

所有 SKU
按量付费
承诺
暂停/恢复
应用程序拥有数据
推荐用于新项目

工作负载剖析

估算所需容量SKU并不是简单的统计用户数的问题。 “工作负载”是多个因素的复杂相互作用，每个因素都会对容量资源提出需求。

影响容量需求的关键因素

峰值并发负载

同时活跃用户数，而不是总用户数。

报告复杂性

每页的视觉效果和交互数量。

数据模型

大小、连接模式和 DAX 复杂性。

数据刷新

来自数据集更新的后台负载。

2.1.解构“页面渲染”

“页面渲染”是交互式工作负载的计量单位。每次加载或刷新视觉效果时都会对其进行计数，包括初始视图、过滤、切片或向下钻取。每个操作都会向后端容量发送查询，从而消耗 CPU 周期。负载是报告复杂性的直接函数。

2.2.数据模型分析：引擎盖下的引擎

底层 Power BI 数据模型（语义模型）的设计是影响内存和 CPU 要求的关键因素。这包括它的大小、连接模式和计算复杂度。

导入方式

数据加载到 Power BI 容量中。这提供了非常快的查询性能，但会消耗容量内存和 CPU 用于所有查询和刷新。它受到 SKU 内存限制的限制。

直接查询模式

Power BI 将查询实时发送到源数据库。这对于非常大的数据集来说是理想的选择，可以减少容量上的内存负载，但会将性能依赖转移到外部数据源。

编写不当的 DAX（数据分析表达式）计算也可能成为性能的“无声杀手”，消耗不成比例的 CPU。优化 DAX 是负载测试之前的关键步骤。

2.3.数据刷新策略：后台工作负载

刷新大型数据集可能会占用大量资源。如果刷新发生在高峰使用期间，它们会与用户查询竞争，从而导致限制。最佳实践是将刷新安排在非高峰时段并使用增量刷新，这样只会更新更改的数据，从而显着减少后台负载。

刷新策略比较

全面刷新

重新加载整个数据集。资源消耗高。持续时间长。

→

增量刷新

仅重新加载新的或更改的数据。资源消耗低。持续时间短。

2.4.工作量量化清单

使用此清单来量化应用程序的特定工作负载概况并指导您的初始 SKU 估计。

峰值并发用户数

驱动 v 核要求。

平均。互动/用户/高峰时段

估计“页面呈现”的总高峰时间。

最大数据集大小 (GB)

确定最小 SKU RAM。

主要连接模式

进口
直接查询
混合

定义查询负载所在的位置。

DAX 复杂性

低的
中等的
高的

高复杂性会增加 CPU 使用率。

使用增量刷新？

是的
不

“是”可显着减少后台负载。

估算工具包

理论估计提供了一个起点，但经验验证是不容谈判的。 Microsoft 为此提供了一套工具，实现预测、测量和行动的循环。

3.1.第一阶段：生产前负载模拟

Power BI 容量负载评估工具是一个专门构建的实用程序，用于针对容量自动进行负载测试。这是在生产前验证 SKU 选择的主要方法。该工具是一个开源 PowerShell 脚本，可以模拟并发用户并应用过滤器来生成真实的查询负载，从而避免缓存结果。

# Example: Running the load assessment tool
.Run-PBITests.ps1 -pbiUsername "[email protected]" -pbiPassword "your_password" `
-pbiWorkspaceName "MyTestWorkspace" -pbiReportName "ComplexSalesReport" `
-tenantId "your_tenant_id" -appId "your_app_id" -appSecret "your_app_secret" `
-concurrency 50

最好进行迭代测试，从少量用户开始并推断结果。

3.2.第二阶段：生产监控

一旦上线，Microsoft FabricCapacity Metrics App 就是不可或缺的监控工具。它提供了您的容量性能的详细视图。 “计算”页面显示容量单位 (CU) 消耗的时间序列图表，突出显示过载时段。通过右键单击某个时间点，您可以深入查看每个操作、发起该操作的用户及其确切的资源成本。

3.3.第三阶段：主动管理和自动化

成熟的策略涉及使用 Azure Monitor 和 Power BI API 进行主动、自动化控制。这为扩展创建了一个完整的、自动的反馈循环。

自动缩放反馈循环

1.检测到CPU占用率过高

Azure Monitor 跟踪 CPU > 95%

→

2. 警报触发操作

调用自动化 Runbook

→

3. API调用

脚本调用容量更新端点

→

4. 产能扩大

SKU 升级（例如，F16 升级为 F32）

这种做法称为自动扩展，是处理不可预测的工作负载的最有效方法，可确保高峰期间的流畅用户体验，同时最大限度地降低平静期间的成本。

SKU 选择的战略框架

有效的容量管理不是一次性决策，而是估计、验证、监控和优化的连续生命周期。这个四步框架指导了这一过程。

步骤一：有根据的猜测

首先根据您的清单数据选择您认为可以合理处理工作负载的最小 SKU。如果您的最大数据集是 12GB，则 F64（限制 25GB）是您的最低起点。证明扩大规模的合理性比捍卫过大的初始容量更容易。

步骤2：现实检验

使用负载评估工具严格测试您最初的 SKU 选择。如果 CPU 峰值达到 100% 并限制用户，则说明 SKU 太小。使用更大的下一个尺寸重复测试。如果它能够轻松处理负载（例如，60-70% CPU 峰值），那么您就有了选择的经验证据。

步骤3：上线和基线

部署到生产环境并利用前几周的时间通过 Fabric 容量指标应用程序建立实际性能基准。有关实际用户行为的观察数据是未来所有优化的基础。

第4步：持续优化

容量并不是“设置好后就忘记它”。使用连续的优化循环。实施动态扩展（计划脚本或自动扩展）来处理峰值并在空闲时间暂停容量，从而将成本降低 70% 以上。

4.1.交互式成本效益分析

一旦您的工作量稳定下来，就可以进行最终的财务优化。 1 年期预留实例可为可预测的持续工作负载提供大幅折扣。

使用下图可视化灵活的即用即付计费与承诺节省的成本之间的权衡。选择一个 SKU 以查看成本比较。

选择 SKU 进行分析：

F32/A2（4 个 v 核）
F64 / A4（8 个 v 核）
F128 / A5（16 V 核）
F256 / A6（32 个 v 核）

主要建议

• 默认为 Fabric 'F' SKU：对于所有新项目，请从现代、面向未来的“F”SKU 系列开始。
• 先优化，后购买：性能调整是直接的成本优化杠杆。
• 拥抱预测-测量-行动循环：持续使用工具来迭代和调整您的容量。
• 使成本与​​使用保持一致：在空闲时间暂停容量并使用自动扩展来处理峰值。
• 稳定储备：仅在工作负载稳定后提交到保留实例。

要避免的常见陷阱

• 根据总用户数估算：规划峰值并发用户数，而不是总注册用户数。
• 跳过负载测试：经验验证不是可选的。
• 使用容量作为拐杖：不要使用更大的 SKU 来补偿未优化的报告。
• “设置好后就忘记它”的心态：持续监控和调整容量。
• 过早承诺预订：这消除了灵活性并可能导致高成本。