Ebből az oktatóanyagból megtudhatja, mit csinálnak az adatgyorsítótárak a DAX-számítás során. Meg fogja érteni, hogyan működnek együtt a képletekkel és a tárolómotorokkal, hogy választ adjanak kérdéseire.
Tartalomjegyzék
Mik azok az adatgyorsítótárak?
A tárolómotor adatgyorsítótár formájában működik együtt a képletmotorral .
Ha felidézi a korábbi blogbejegyzéseket a DAX lekérdezési szerkezetről, akkor tudni fogja, hogy a képletmotor adatokat kér a tárolómotortól. Utóbbi ezután az adatbázisba megy, különböző típusú adatokat kap, majd adatgyorsítótár formájában visszaküldi a képletmotorba.
A tárolómotor egyszerű matematikai és aggregációkat tud végezni, ami gyorsabbá teszi. Párhuzamot is kínál, amely egyszerre több adatgyorsítótárat is képes kitölteni. Egy tárolómotor-lekérdezésnél időbe telhet a válasz generálása. De ha összeadja az összes különböző tárolómotor-lekérdezést, az eredmények nem lesznek ugyanazok, mert egynél több adatgyorsítótárat tölt meg.
A képletmotor viszont összetett lekérdezéseken dolgozik. Mivel ez egy egyszálú motor, csak egy végső konszolidált adatgyorsítótárat tud használni. Akkor kezd dolgozni az adatgyorsítótáron, ha a tárolómotor minden kérést kitöltött.
Ha a képletmotor kérése pontosan megegyezik az előző kéréssel, akkor a korábban visszaadott gyorsítótár kerül újra felhasználásra. A tárolómotor elég okos ahhoz, hogy ugyanazt az adatgyorsítótárat adja vissza, ha ugyanazt a kérést kapja. Ez gyorsabbá teszi a DAX teljesítményét, mivel az adatok már gyorsítótárban vannak.
Amikor egy intézkedést futtat, fontos, hogy hideg gyorsítótár ellen futtassa; mindig kerülje a lekérdezések futtatását a meleg gyorsítótárban. A meleg gyorsítótár azt jelenti, hogy a tárolómotor adatgyorsítótára már létrejött és készen áll a visszaküldésre.
Mik a legfontosabb jellemzők?
Az adatgyorsítótárak a memóriában realizálódó táblázatok, amelyek időt vesznek igénybe és felemésztik a RAM-ot. Mindig tartsa szem előtt, hogy a materializációnak a lehető legalacsonyabbnak kell lennie.
Egy másik fontos jellemzője, hogy ezek a gyorsítótárak nincsenek tömörítve . Miután kikerült a tárolómotorból, és elküldték a képletmotornak, az adatgyorsítótár tömörítetlen, teljes táblává válik a memóriában. Ez a végrehajtás sokkal lassabb, mint egy peer tárolómotor kérése, amely mind a memóriában van és tömörítve van.
Nincs probléma a formulamotor használatával; csak rá kell venni a tárolómotort, hogy a lehető legtöbbet elvégezze a munkát.
Az adatgyorsítótárak is ideiglenesek. Egy darabig léteznek, aztán eltűnnek. Annak ellenére, hogy a memóriában materializálódnak, nem tartósak, így törlődnek.
Hol találhatók az adatgyorsítótárak?
Ezt az információt a Fizikai lekérdezési tervek rekordok oszlopában és a DAX Studio kiszolgálói időzítésében a Sorok oszlopban találhatja meg . Megmutatja, hogy hány sort állít elő a tárolómotor, és hány sort küld el a képletmotornak.
Ha bizonyos teszteket futtat a szerver időzítésében, észre fogja venni, hogy a sorok száma egy kicsit lecsökken. Ez csak egy iránymutatás arra vonatkozóan, hogy hány sort húz fel.
A legfontosabb dolog, amit szem előtt kell tartani az adatgyorsítótáraknál, hogy a materializált sorok száma a lehető legközelebb legyen a kimenethez szükséges sorok számával. Ha nagy különbség van a sorok számában, az azt jelenti, hogy a rendelési művelet ki van kapcsolva.
Ha a materializált sorok száma megegyezik a kimenethez szükséges sorok számával, akkor ezt késői materializációnak nevezzük . Ha azonban a materializált sorok száma nagyobb, mint a szükséges sorok száma, azt korai materializációnak nevezzük . Mivel ezek tömörítetlen adatok, ne hagyja, hogy mindkét motor megvalósítsa őket, mert ez lelassítja a DAX teljesítményét.
Ez egy példa a korai materializációra:
A Fizikai lekérdezési tervben 25 millió sor látható a Rekordok oszlopban. A mintalekérdezésnek azonban nincs szüksége 25 millió sornyi kimenetre. Ez azt jelenti, hogy a lekérdezés a szükségesnél túl sok sort húzott ki.
Ha megnézi a Kiszolgálóidőzítést, akkor ugyanannyi sort fog látni a Sorok oszlopban.
Az SE CPU vizualizációjában egy szám jelenik meg, ha a lekérdezésekben párhuzamosságok vannak. Mivel ebben a példában nincs ilyen, 0-t mutatott.
Következtetés
A lassan teljesítő DAX azt jelentheti, hogy a lekérdezés szükségtelen gyorsítótárakat von le a motorok működéséhez. Az adatgyorsítótárak felelősek a DAX sebességéért és pontosságáért, mivel a motorok rajtuk dolgozva generálnak választ a különböző kérésekre. A gyorsabb DAX-teljesítmény érdekében megoldhatja ezt a problémát az adatmodell és a DAX-mértékek megfelelő felépítésével.
Ebből a blogból megtudhatja, hogyan mentheti automatikusan az e-mail mellékleteket a SharePointba, majd törölheti az e-maileket a Power Automate segítségével.
A Microsoft LuckyTemplates irányítópult 18 legjobb példája 2023
Ismerje meg, hogyan hozhat létre <strong>Power Automate</strong> folyamatokat a semmiből. Sablon használata helyett mi magunk hozzuk létre a kiváltó okokat és a műveleteket.
4 módszer a Pi használatára a Pythonban példákkal
Ebben az útmutatóban bemutatom, hogyan lehet Pénzügyi információk mátrixát létrehozni a Profit és veszteség (P&L) kimutatással a LuckyTemplates alkalmazásban.
Fedezze fel, hogyan lehet dinamikusan egyesíteni oszlopokat a Power Query Table.CombineColumns függvény segítségével.
Ismerje meg, hogyan adhatjuk hozzá és szinkronizálhatjuk SharePoint-fájljainkat az asztalon és a OneDrive-on.
Tudja meg, miért fontos egy dedikált dátumtáblázat a LuckyTemplatesben, és ismerje meg ennek leggyorsabb és leghatékonyabb módját.
Ez a rövid oktatóanyag kiemeli a LuckyTemplates mobil jelentési funkcióját. Megmutatom, hogyan készíthet hatékony jelentéseket mobileszközökön.
Ebben a LuckyTemplates bemutatóban olyan jelentéseket tekintünk át, amelyek professzionális szolgáltatáselemzést mutatnak be egy olyan cégtől, amely több szerződéssel és ügyfél-elkötelezettséggel rendelkezik.
