Microsoft Fabric 許可和成本與性能指南 (2025)

12 個關鍵許可問題已解答

Microsoft Fabric 的許可模型功能強大，但充滿了官方文檔經常忽視的細微差別。本指南直接解決了建築師和財務規劃師面臨的最緊迫、最未得到充分解決的問題，將混亂轉化為戰略清晰度。

要點：Fabric 許可框架

• 這面料試用為您提供強大的臨時 64 CU 容量，持續 60 天。這免費許可證其本身不具備任何能力。
• 不要將較小 SKU 的試用性能與生產性能混淆。
• 從 Power BI Premium 遷移是強制性的。您的“寬限期”實際上是30 天的遷移窗口在性能嚴重下降之前。

一個主要的混淆點是“Fabric Trial”和“Fabric（免費）”許可證之間的區別。它們不一樣。核心區別是計算能力。

• 微軟 Fabric 試用：60 天促銷優惠為您提供強大的64 容量單位 (CU) 試用容量——相當於付費的F64SKU。它專為評估而設計，並設定了高性能基準。
• Microsoft Fabric（免費）許可證：永久許可證提供零計算能力。要執行任何工作，擁有免費許可證的用戶必須有權訪問在付費 Fabric 容量上運行的工作區。

關鍵規劃見解：試驗容量的概念驗證將顯示試驗容量的性能F64。如果您購買較小的F8或者F16對於生產來說，性能會明顯降低。相應地管理利益相關者的期望。

從 Power BI Premium 的過渡P-SKUs到織物F-SKUs是強制的。 “90天寬限期”不是簡單的延長，而是一個有明確期限的結構化流程。

戰略建議：計劃購買新的F-SKU*在*你老之前P-SKU過期。 30 天免費窗口專門用於重新分配工作空間的技術任務。不要將整個 90 天視為緩衝期。

PBI Premium 到結構遷移時間表

要點：戰略成本管理

• 從升級到F32到保留的F64如果你有的話會更便宜~57 或更多報告查看者。
• 疊加折扣時，首先應用面料預訂，在一般 Azure Savings Plan 之前。
• 暫停停止計算計費，但不停止存儲計費，並且可能會因最近的超額立即觸發巨額賬單。縮小規模在低使用期間降低成本通常更安全。
• 您需要支付以下費用：供應容量“上限”，不是消耗的“地板”。忘記縮減規模是賬單震驚的常見原因。

一個關鍵規則改變了分發 Power BI 報告的成本方程：

• 關於容量F64:每個報表查看器都需要付費的 Power BI Pro 許可證。
• 通電容量≥F64:擁有免費許可證的用戶可以查看報告（作為“查看者”）。

底線：從 PAYG 升級更經濟F32至 1 年保留期F64如果您的組織大約有57 名或更多報告查看者。這還可以使您的計算能力加倍，並啟用 Copilot 等功能。

交互式成本分析：F32 與 F64

調整觀看人數以查看成本收支平衡點。

報告查看者數量：100

對於承諾支出，Azure 提供兩種折扣模式。他們的互動遵循一個簡單的規則：

優先規則：特異性獲勝。Azure 計費引擎將始終首先應用最具體的折扣。 Fabric 預訂在常規 Azure Savings Plan 之前應用。

對於可預測的基線 Fabric 工作負載，面料容量預留永遠是最具性價比的選擇。

折扣申請優先順序

面料使用情況

1、Fabric容量預留

由於其特殊性而首先被應用。

2. Azure 儲蓄計劃

適用於剩餘的合格使用量。

3. 按量付費

對任何未覆蓋的使用進行計費。

• 暫停（對於 PAYG）：停止計算計費，但不停止存儲。它還可能立即針對最近的超額費用觸發賬單。最適合**零活動**時期（過夜、週末）、冷靜期後。
• 縮小規模（例如，F64→F2）：降低每小時的計算速率並避免立即結算超額費用。最適合**低但非零活動**的時期。

一個常見的計費錯誤是在完成大量工作後忘記縮減 PAYG 容量。

計費現實：您需要支付以下費用：預留容量（“上限”），而不是您實際消耗的量（“下限”）。如果您擴展到F128為了一份工作而忘記縮減規模，你將支付高額費用F128即使您的使用量接近於零，也按小時收費。

解決方案：使用 Azure 成本管理來監控預配容量成本並實施自動擴展腳本作為關鍵的成本控制規則。

忘記縮小規模的成本影響

該賬單反映了即使在消耗量較低的情況下，所配備的 F128“上限”的高成本。

要點：技術性能和資源映射

• 容量單元的功率取決於工作負載。相同F-SKU提供為數據倉庫提供更多 vCore 功能與 SQL 數據庫相比。
• 您可以運行舊版本Power BI 嵌入式 (A/EM) SKU 與 Fabric 一起F-SKUs。這可能是隔離關鍵任務應用程序的有效策略。

從 Fabric 容量獲得的 vCore 功率並不是恆定的。對於一個F64容量：

• 它為 **SQL 數據庫** 工作負載產生 **~24.5 個 vCores**。
• 它為 **數據倉庫** 工作負載提供 **32 個 vCore**。
• 它為 **Spark** 工作負載提供 **128 個 vCore**。

這意味著，如果不首先選擇目標 Fabric *體驗*，您就無法根據 vCore 需求調整容量。

交互式 CU 到 vCore 轉換器

選擇面料 F-SKU：

F2
F4
F8
F16
F32
F64
F128
F256
F512
F1024
F2048

儘管F-SKUs是未來，是傳承A/EMSKU 與它們並存是可能的，並且可以具有戰略意義。

性能考慮：社區報告表明，遺產A/EMSKU 往往風門（放慢速度）在重負載下，同時F-SKUs可以更快地從節流轉向主動拒絕新的要求。

對於具有收入關鍵型嵌入式應用程序的 ISV，將其隔離在專用的A/EM用於性能可預測性的 SKU 可能是一個合理的架構選擇。

要點：高級架構和治理場景

• 外部共享 Power BI 報告會產生兩項成本：結構 CU和Microsoft Entra MAU 費用（如果每月活躍訪客用戶超過 50,000 名）。
• 你不能使用 Visual Studio Azure 積分來支付 Fabric 容量。
• 對於多租戶 SaaS，您可以將計算集中在您的容量上（集中式模型）或讓客戶使用自己的容量（聯邦模型）。

當您與外部來賓用戶共享 Power BI 報表時，您需要支付以下費用：

1. 面料計算：用於運行報告的 CU。
2. 入口ID認證：按月活躍用戶 (MAU) 模式計費。

成本提醒：Microsoft Entra ID 為您提供第一每月免費 50,000 個 MAU。超出此範圍可能會引發大量未列入預算的身份費用，這些費用與您的 Fabric 成本分開計費。

外部共享成本決策樹

外部共享 Power BI 報告

有關的：Power BI 和 Fabric 許可指南 (2025)：Pro、PPU 與 F64

每月有多少獨立外部用戶？

≤ 50,000 月活躍用戶數

成本 = 僅結構 CU 成本

> 50,000 月活躍用戶

成本 = CU 成本 + 每月活躍用戶費用

結論：不。Visual Studio Azure 積分和開發/測試定價不能用於支付 Fabric 容量的費用。 Fabric 不在合格服務列表中。

推薦的開發/測試策略：

• 用於評估：使用 60 天的免費 Fabric 試用版。
• 對於持續的團隊發展：購買小型、可暫停的 PAYGF-SKU（就像一個F2）並在不使用時使用自動化功能將其暫停。

ISV 有兩種主要的多租戶解決方案模型：

1. 集中計算

ISV 擁有大容量並提供嵌入式分析。 ISV 支付所有計算費用；客戶不需要許可證。

2. 聯邦計算

ISV 通過 OneLake 快捷方式共享數據。客戶使用自己的Fabric容量來查詢數據。這種“自帶容量”模型將計算成本轉移給了客戶。

要點：面向未來和投機分析

• Azure Arc 上的完整本地“盒裝結構”不太可能實現。更合理的未來包括“啟用 Arc 的 Fabric 端點​​”適用於與主雲服務集成的特定邊緣工作負載。

對於具有數據主權或低延遲要求的組織來說，Microsoft Fabric 是否會通過 Azure Arc 在本地運行是一個非常感興趣的話題。對兩個平台架構的分析表明，完整的 **“盒裝結構”是極不可能的。 **

• 微軟結構根據定義，它是一個雲原生的軟件即服務 (SaaS) 平台。它的核心價值是抽象基礎設施。
• 蔚藍弧線是一個管理橋樑，可擴展 Azure 控制平面以管理駐留在 Azure 外部的資源。它並不是為了複製整個 SaaS 平台而設計的。

此外，微軟的戰略方向表明，它有意“遠離”本地分析計算，新的 Fabric 功能中缺乏 Power BI 報表服務器支持就證明了這一點。

更合理的混合未來：“Fabric Edge 端點”

期望看到特定的容器化 Fabric 組件支持 Arc，而不是完整的本地部署。這種“中心輻射”模型將允許：

• 一個實時智能流處理器在工廠啟用 Arc 的服務器上運行，用於本地異常檢測。
• 一個輕量級OneLake同步代理在 Arc 上運行，為斷開連接的操作提供本地數據緩存。

這種方法將允許計算在最有意義的地方進行——在邊緣進行輕量級處理，而大量分析則保留在雲中。

戰略建議：架構師應該專注於為基於雲的 Fabric 平台構建強大的數據攝取管道，而不是等待可能永遠不會到來的全面的本地版本。

結論

Microsoft Fabric 許可模型是一個動態的、基於消費的框架，需要新水平的財務和體系結構紀律。通過了解容量管理、成本優化和架構權衡的更深層次復雜性，組織可以戰略性地設計其數據平台，以實現最佳性能、治理和成本效率。