Power BI Embedded SKU 估算：2025 年權威指南

解構 Power BI 容量

為 Power BI Embedded 解決方案選擇正確的庫存單位 (SKU) 的過程是一項關鍵的體系結構和財務決策。本部分解構 Power BI 容量格局，提供可用 SKU 系列的基礎分析。

1.1.核心原則：專用與每用戶

每用戶許可（專業版）

非常適合內部 BI，其中一組定義的許可用戶在 Power BI 服務中創建和使用報告。

專用容量（嵌入式）

對於“應用程序擁有數據”場景來說是強制性的，提供預留的資源池來為未經許可的應用程序用戶提供分析服務。

Power BI Embedded 的主要用例是“應用程序擁有數據”場景。為了使該模型在生產中發揮作用，必須有專用的容量。容量是專門為處理工作負載而分配的預留計算資源（v 核心和內存）池。

1.2.互動SKU比較

使用下面的篩選器比較不同屬性的 SKU 系列。這樣可以直接比較績效和購買模型。

所有 SKU
按量付費
承諾
暫停/恢復
應用程序擁有數據
推薦用於新項目

工作負載剖析

估算所需容量SKU並不是簡單的統計用戶數的問題。 “工作負載”是多個因素的複雜相互作用，每個因素都會對容量資源提出需求。

影響容量需求的關鍵因素

峰值並發負載

同時活躍用戶數，而不是總用戶數。

報告複雜性

每頁的視覺效果和交互數量。

數據模型

大小、連接模式和 DAX 複雜性。

數據刷新

來自數據集更新的後台負載。

2.1.解構“頁面渲染”

“頁面渲染”是交互式工作負載的計量單位。每次加載或刷新視覺效果時都會對其進行計數，包括初始視圖、過濾、切片或向下鑽取。每個操作都會向後端容量發送查詢，從而消耗 CPU 週期。負載是報告複雜性的直接函數。

2.2.數據模型分析：引擎蓋下的引擎

底層 Power BI 數據模型（語義模型）的設計是影響內存和 CPU 要求的關鍵因素。這包括它的大小、連接模式和計算複雜度。

導入方式

數據加載到 Power BI 容量中。這提供了非常快的查詢性能，但會消耗容量內存和 CPU 用於所有查詢和刷新。它受到 SKU 內存限制的限制。

直接查詢模式

Power BI 將查詢實時發送到源數據庫。這對於非常大的數據集來說是理想的選擇，可以減少容量上的內存負載，但會將性能依賴轉移到外部數據源。

編寫不當的 DAX（數據分析表達式）計算也可能成為性能的“無聲殺手”，消耗不成比例的 CPU。優化 DAX 是負載測試之前的關鍵步驟。

2.3.數據刷新策略：後台工作負載

刷新大型數據集可能會佔用大量資源。如果刷新發生在高峰使用期間，它們會與用戶查詢競爭，從而導致限制。最佳實踐是將刷新安排在非高峰時段並使用增量刷新，這樣只會更新更改的數據，從而顯著減少後台負載。

刷新策略比較

全面刷新

重新加載整個數據集。資源消耗高。持續時間長。

→

增量刷新

僅重新加載新的或更改的數據。資源消耗低。持續時間短。

2.4.工作量量化清單

使用此清單來量化應用程序的特定工作負載概況並指導您的初始 SKU 估計。

峰值並髮用戶數

驅動 v 核要求。

平均。互動/用戶/高峰時段

估計“頁面呈現”的總高峰時間。

最大數據集大小 (GB)

確定最小 SKU RAM。

主要連接模式

進口
直接查詢
混合

定義查詢負載所在的位置。

DAX 複雜性

低的
中等的
高的

高複雜性會增加​​ CPU 使用率。

使用增量刷新？

是的
不

“是”可顯著減少後台負載。

估算工具包

理論估計提供了一個起點，但經驗驗證是不容談判的。 Microsoft 為此提供了一套工具，實現預測、測量和行動的循環。

3.1.第一階段：生產前負載模擬

Power BI 容量負載評估工具是一個專門構建的實用程序，用於針對容量自動進行負載測試。這是在生產前驗證 SKU 選擇的主要方法。該工具是一個開源 PowerShell 腳本，可以模擬並髮用戶並應用過濾器來生成真實的查詢負載，從而避免緩存結果。

# 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

最好進行迭代測試，從少量用戶開始並推斷結果。

3.2.第二階段：生產監控

一旦上線，Microsoft FabricCapacity Metrics App 就是不可或缺的監控工具。它提供了您的容量性能的詳細視圖。 “計算”頁面顯示容量單位 (CU) 消耗的時間序列圖表，突出顯示過載時段。通過右鍵單擊某個時間點，您可以深入查看每個操作、發起該操作的用戶及其確切的資源成本。

3.3.第三階段：主動管理和自動化

成熟的策略涉及使用 Azure Monitor 和 Power BI API 進行主動、自動化控制。這為擴展創建了一個完整的、自動的反饋循環。

自動縮放反饋循環

1.檢測到CPU佔用率過高

Azure Monitor 跟踪 CPU > 95%

→

2. 警報觸發操作

調用自動化 Runbook

→

3. API調用

腳本調用容量更新端點

→

4. 產能擴大

SKU 升級（例如，F16 升級為 F32）

這種做法稱為自動擴展，是處理不可預測的工作負載的最有效方法，可確保高峰期間的流暢用戶體驗，同時最大限度地降低平靜期間的成本。

SKU 選擇的戰略框架

有效的容量管理不是一次性決策，而是估計、驗證、監控和優化的連續生命週期。這個四步框架指導了這一過程。

步驟一：有根據的猜測

首先根據您的清單數據選擇您認為可以合理處理工作負載的最小 SKU。如果您的最大數據集是 12GB，則 F64（限制 25GB）是您的最低起點。證明擴大規模的合理性比捍衛過大的初始容量更容易。

步驟2：現實檢驗

使用負載評估工具嚴格測試您最初的 SKU 選擇。如果 CPU 峰值達到 100% 並限制用戶，則說明 SKU 太小。使用更大的下一個尺寸重複測試。如果它能夠輕鬆處理負載（例如，60-70% CPU 峰值），那麼您就有了選擇的經驗證據。

步驟3：上線和基線

部署到生產環境並利用前幾週的時間通過 Fabric 容量指標應用程序建立實際性能基準。有關實際用戶行為的觀察數據是未來所有優化的基礎。

第4步：持續優化

容量並不是“設置好後就忘記它”。使用連續的優化循環。實施動態擴展（計劃腳本或自動擴展）來處理峰值並在空閒時間暫停容量，從而將成本降低 70% 以上。

4.1.交互式成本效益分析

一旦您的工作量穩定下來，就可以進行最終的財務優化。 1 年期預留實例可為可預測的持續工作負載提供大幅折扣。

使用下圖可視化靈活的即用即付計費與承諾節省的成本之間的權衡。選擇一個 SKU 以查看成本比較。

選擇 SKU 進行分析：

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

主要建議

• 默認為 Fabric 'F' SKU：對於所有新項目，請從現代、面向未來的“F”SKU 系列開始。
• 先優化，後購買：性能調整是直接的成本優化槓桿。
• 擁抱預測-測量-行動循環：持續使用工具來迭代和調整您的容量。
• 使成本與​​使用保持一致：在空閒時間暫停容量並使用自動擴展來處理峰值。
• 穩定儲備：僅在工作負載穩定後提交到保留實例。

要避免的常見陷阱

• 根據總用戶數估算：規劃峰值並髮用戶數，而不是總註冊用戶數。
• 跳過負載測試：經驗驗證不是可選的。
• 使用容量作為拐杖：不要使用更大的 SKU 來補償未優化的報告。
• “設置好後就忘記它”的心態：持續監控和調整容量。
• 過早承諾預訂：這消除了靈活性並可能導致高成本。