Kommentar
Åtkomst till den här sidan kräver auktorisering. Du kan prova att logga in eller ändra kataloger.
Åtkomst till den här sidan kräver auktorisering. Du kan prova att ändra kataloger.
Gäller för:
SQL Server Analysis Services 
Azure Analysis Services Fabric/Power BI Premium
Ett AggregationDesign objekt definierar en uppsättning aggregeringsdefinitioner som kan delas mellan flera partitioner.
Ett Aggregation objekt representerar sammanfattningen av måttgruppsdata med viss kornighet i dimensionerna.
Ett enkelt Aggregation objekt består av: grundläggande information och dimensioner. Grundläggande information innehåller namnet på aggregering, ID, anteckningar och en beskrivning. Dimensionerna är en samling AggregationDimension objekt som innehåller listan över granularitetsattribut för dimensionen.
Aggregeringar är förberäknade sammanfattningar av data från lövceller. Sammansättningar förbättrar svarstiden för frågor genom att förbereda svaren innan frågorna ställs. När till exempel en faktatabell för informationslager innehåller hundratusentals rader kan det ta lång tid att begära veckoförsäljningssummor för en viss produktrad om alla rader i faktatabellen måste genomsökas och summeras vid frågetillfället för att beräkna svaret. Svaret kan dock vara nästan omedelbart om sammanfattningsdata för att besvara den här frågan har förberäknats. Den här förberäkningen av sammanfattningsdata sker under bearbetningen och utgör grunden för OLAP-teknikens snabba svarstider.
Kuber är det sätt som OLAP-teknik organiserar sammanfattningsdata i flerdimensionella strukturer. Dimensioner och deras attributhierarkier återspeglar de frågor som kan efterfrågas av kuben. Sammansättningar lagras i den flerdimensionella strukturen i celler vid koordinater som anges av dimensionerna. Frågan "Vad var försäljningen av produkt X år 1998 för nordvästra regionen?" betraktar till exempel tre dimensioner (Produkt, Tid och Geografi) och ett mått (Försäljning). Värdet för cellen i kuben vid de angivna koordinaterna (produkt X, 1998, Nordväst) är svaret, ett enda numeriskt värde.
Andra frågor kan returnera flera värden. Till exempel "Hur mycket var försäljningen av maskinvaruprodukter per kvartal efter region för 1998?" Sådana frågor returnerar uppsättningar celler från koordinaterna som uppfyller de angivna villkoren. Antalet celler som returneras av frågan beror på antalet objekt i maskinvarunivån för produktdimensionen, de fyra kvartalen 1998 och antalet regioner i geografidimensionen. Om alla sammanfattningsdata har förberäknats till sammansättningar beror svarstiden för frågan endast på den tid som krävs för att extrahera de angivna cellerna. Ingen beräkning eller läsning av data från faktatabellen krävs.
Även om förberäkning av alla möjliga aggregeringar i en kub kan ge snabbaste möjliga svarstid för alla frågor, kan SQL Server Analysis Services enkelt beräkna några aggregraterade värden från andra förberäknade aggregeringar. Dessutom kräver beräkningen av alla möjliga aggregeringar betydande bearbetningstid och lagring. Därför finns det en kompromiss mellan lagringskraven och procentandelen möjliga aggregeringar som är förberäknade. Om inga aggregeringar är förberäknade (0%) minimeras mängden bearbetningstid och lagringsutrymme för en kub, men frågesvarstiden kan vara långsam eftersom de data som krävs för att besvara varje fråga måste hämtas från lövcellerna och sedan aggregeras vid frågetillfället för att besvara varje fråga. Om du till exempel returnerar ett enda tal som besvarar den fråga som ställdes tidigare ("Vad var försäljningen av produkt X 1998 för regionen Nordväst") kan det kräva att tusentals rader med data läss, att värdet för kolumnen som används för att ange måttet Försäljning extraheras från varje rad och sedan beräkna summan. Dessutom beror den tid som krävs för att hämta dessa data mycket beroende på vilket lagringsläge som valts för data-MOLAP, HOLAP eller ROLAP.
Utforma sammansättningar
Microsoft SQL Server SQL Server Analysis Services innehåller en avancerad algoritm för att välja aggregeringar för förberäkning så att andra aggregeringar snabbt kan beräknas från de förberäknade värdena. Om aggregeringarna till exempel är förberäknade för månadsnivån i en tidshierarki kräver beräkningen för en kvartalsnivå endast sammanfattning av tre tal, som snabbt kan beräknas på begäran. Den här tekniken sparar bearbetningstid och minskar lagringskraven, med minimal effekt på frågesvarstiden.
Guiden Sammansättningsdesign innehåller alternativ för att ange lagrings- och procentbegränsningar för algoritmen för att uppnå en tillfredsställande kompromiss mellan frågesvarstid och lagringskrav. Algoritmen i guiden Sammansättningsdesign förutsätter dock att alla möjliga frågor är lika sannolika. Med guiden Usage-Based-optimering kan du justera aggregeringsdesignen för en måttgrupp genom att analysera de frågeställningar som har skickats av klientapplikationer. Genom att använda guiden för att justera en kubs aggregering kan du öka svarstiden för frekventa frågor och minska svarstiden för ovanliga frågor utan att avsevärt påverka lagringen som behövs för kuben.
Aggregationer är utformade med hjälp av verktyg men beräknas inte förrän partitionen som aggregationerna är utformade för bearbetas. När aggregeringen har skapats, om strukturen för en kub någonsin ändras, eller om data läggs till eller ändras i en kubs källtabeller, är det vanligtvis nödvändigt att granska kubens sammansättningar och bearbeta kuben igen.