Microsoft Fabric

De SQL Server à Microsoft Fabric : quel concept correspond à quoi ?

Un modèle mental pour les professionnels SQL Server et les DBA qui passent à Microsoft Fabric : l’équivalent Fabric le plus proche d’une instance, d’une base de données, d’une table, de SQL Agent, de SSIS, de Query Store, de tempdb et des sauvegardes, où va chaque tâche de DBA, et où la correspondance s’arrête.

Par JaviPublié Mis à jour 24 min de lectureIntermédiaire

Dans cet article

Si vous avez passé des années avec SQL Server, vos premières heures dans Microsoft Fabric se passent à traduire. Où est le serveur ? Quel élément est la base de données ? Où planifier un job ? Où est Query Store ? Qu’est devenu tempdb ?

Ce sont les bonnes questions. Cet article y répond avec un modèle mental, une carte des concepts et des tableaux de référence, puis explique les endroits où la correspondance s’arrête, parce que c’est là que naissent la plupart des erreurs de conception du début.

Chaque correspondance est étiquetée selon sa solidité :

Étiquette Signification
Correspondance proche Le concept se comporte comme un professionnel SQL Server s’y attend, avec de petites différences.
Correspondance partielle Même objectif, portée ou comportement différents. Utile comme point de départ, dangereuse comme hypothèse.
Modèle différent La fonction existe toujours, mais Fabric l’assure d’une manière fondamentalement différente.
Pas d’équivalent net Rien dans Fabric ne doit être associé à ce concept. Apprenez plutôt le nouveau modèle.

Ce guide suppose que vous connaissez bien SQL Server : instances, bases de données, schémas, SQL Agent, SSIS, Query Store, configuration de la mémoire et du CPU, sauvegardes et haute disponibilité. Il ne suppose pas que vous connaissez Fabric. Si vous voulez d’abord la vue d’ensemble de la plateforme, lisez Qu’est-ce que Microsoft Fabric ? (en anglais) puis revenez. Les faits documentés par Microsoft sont liés dans les Sources ; les conseils de conception relèvent de Javi Builds.

La réponse courte

Cinq repères portent l’essentiel du modèle :

  • Un espace de travail n’est pas une base de données. C’est un conteneur de collaboration, de projet ou d’environnement qui contient de nombreux éléments et se relie à Git.
  • Warehouse, Lakehouse et base de données SQL sont les éléments de niveau base de données. C’est là que vivent les schémas et les tables.
  • Une capacité ne ressemble qu’en partie à une instance. C’est le réservoir de calcul que vous payez et que vous pouvez épuiser, partagé par toutes les charges qui lui sont affectées, pas un moteur SQL que vous configurez.
  • Les Capacity Units (CU) ne correspondent qu’approximativement au CPU et à la mémoire. Ce sont un budget de calcul mesuré dans le temps, avec lissage et limitation, pas des cœurs que vous attribuez.
  • OneLake n’est pas un stockage MDF/NDF. Les tables sont des fichiers Delta et Parquet dans un lac unique à l’échelle du tenant que tous les moteurs lisent, pas des fichiers que vous dimensionnez et placez.

Pour un DBA, cela répartit le travail en trois groupes :

Reste familier Change Disparaît ou passe sous la gestion de Microsoft
T-SQL, schémas, tables, vues, procédures Qui possède le calcul : une capacité partagée, pas votre instance Gestion des MDF/NDF et des groupes de fichiers
Optimisation des requêtes : estimations, plans, lire moins de données Stockage : tables Delta dans OneLake, avec une organisation des fichiers à entretenir Administration de tempdb
Plans d’exécution (désormais distribués dans le Warehouse) Périmètres des espaces de travail pour la sécurité, Git et les environnements Correctifs, système d’exploitation et service SQL Server
Supervision des charges et références Orchestration : pipelines au lieu de SQL Agent Administration d’Always On et des clusters de basculement
Concepts de permissions : moindre privilège, groupes, GRANT Spark et notebooks à côté de T-SQL ; modèles sémantiques pour la BI L’essentiel de la planification des sauvegardes, remplacée par une récupération propre à chaque élément
Analyse d’incidents et runbooks Gérer une plateforme SaaS : capacité, limitation, coût Jobs de reconstruction d’index dans le Warehouse

La part de chaque colonne qui s’applique dépend de l’élément : la base de données SQL dans Fabric garde davantage de la colonne familière (index, tempdb géré par le service, moteur Azure SQL Database), tandis que le Warehouse et le Lakehouse changent davantage.

Deux modèles mentaux côte à côte

SQL Server a une hiérarchie courte, et presque tout dépend de l’instance. Fabric a plus de niveaux, et chacun a un rôle différent :

  • SQL ServerLe serveur d’abord
    1. Instance / serveurLe moteur et ses ressources
      • CPU et mémoire
      • tempdb
      • SQL Agent
      • SSIS
    2. Base de donnéesDes fichiers que vous dimensionnez et sauvegardez
      • Fichiers de données et de journal
      • Query Store
      • Sauvegardes
    3. Schéma
    4. Table
  • Microsoft FabricLa plateforme d’abord
    1. TenantVotre organisation ; un seul OneLake
    2. Partielle · ressourcesCapacitéCapacity Units partagées, pas un moteur SQL
    3. Pas une base de donnéesEspace de travailConteneur de projet, d’équipe ou d’environnement
      • Warehouse
      • Lakehouse
      • Base de données SQL
      • Pipeline
      • Notebook
      • Modèle sémantique
      • Rapport
    4. Plus proche d’une baseWarehouse · Lakehouse · base de données SQLLes éléments de données, avec leur propre structure
      • Schéma
      • Table
      • Tables Delta
      • Files
    5. OneLakeLe stockage sous chaque élément de données
SQL Server et Microsoft Fabric, le modèle mental le plus proche. Pas une correspondance 1:1. Les étiquettes indiquent le lien entre chaque niveau Fabric et SQL Server ; lisez chaque colonne de haut en bas, pas ligne contre ligne.

Lisez la colonne Fabric ainsi :

  • La capacité est un calcul partagé. C’est ce qui ressemble le plus à une instance, mais seulement en termes de ressources : le réservoir de Capacity Units dans lequel puise chaque charge de ses espaces de travail.
  • Un espace de travail est organisationnel. Il regroupe des éléments, porte des permissions, et c’est l’unité que l’on relie à Git et que l’on fait passer par le déploiement.
  • Warehouse, Lakehouse et base de données SQL sont les éléments de données. Ce sont eux qui se rapprochent le plus d’« une base de données ».
  • OneLake est la fondation du stockage. Chaque élément de données y stocke ses tables, surtout sous forme de tables Delta sur des fichiers Parquet.

Dans un espace de travail, les éléments sont frères, et chaque élément de données a sa propre structure en dessous :

  1. TenantVotre organisation Microsoft Entra ; identité, paramètres, gouvernance
  2. contient
    CapacitéCalcul partagé en Capacity Units ; les espaces de travail lui sont affectés
  3. héberge
    Espace de travailConteneur d’équipe, de projet ou d’environnement, avec rôles et Git
    • Élément de donnéesWarehouse
      • Schéma
      • Table
    • Élément de donnéesLakehouse
      • Tables Delta
      • Files
    • Élément de donnéesBase de données SQL
      • Schéma
      • Table
    • Pipeline
    • Notebook
    • Modèle sémantique
    • Rapport
  4. données stockées dans
    OneLakeStockage Delta et Parquet partagé par tous les moteurs ; la base de données SQL s’y réplique
Ce qui contient quoi dans Microsoft Fabric. L’espace de travail contient de nombreux éléments frères. Warehouse, Lakehouse et base de données SQL sont les éléments de données ; tous gardent leurs tables dans OneLake.

Un espace de travail est plus proche d’un conteneur de projet, d’équipe ou d’environnement. Un même espace de travail peut contenir plusieurs Warehouses, plusieurs Lakehouses, des notebooks, des pipelines, des modèles sémantiques et des rapports. Ses rôles (Admin, Member, Contributor, Viewer) contrôlent qui peut travailler avec les éléments, pas quelles lignes ou tables une personne lit. Les espaces de travail sont aussi l’unité que vous reliez à Git et que vous séparez en développement, test et production.

Les concepts de niveau base de données dans Fabric sont les éléments de données :

Charge de travail Le plus proche d’« une base de données » Pourquoi
Analytique centrée SQL, schémas en étoile, ELT en T-SQL Warehouse Lecture et écriture T-SQL complètes, schémas, tables, vues, procédures, transactions multi-tables
Spark, fichiers ouverts, tables Delta, ingénierie des données Lakehouse Fichiers et tables Delta, écrits par Spark, lus via un point de terminaison d’analytique SQL
Charges relationnelles transactionnelles (OLTP) Base de données SQL dans Fabric Construite sur le moteur Azure SQL Database ; données répliquées dans OneLake pour l’analytique

Qualité de la correspondance pour « base de données » : Modèle différent. Choisissez l’élément d’après la charge de travail, pas d’après l’habitude « une base de données par application ». Lakehouse ou Warehouse dans Microsoft Fabric traite cette décision en profondeur, et Créer votre premier espace de travail Microsoft Fabric montre comment les espaces de travail se mettent en place en pratique.

Le changement mental le plus important : arrêter de penser « serveur d’abord »

Dans SQL Server, l’instance est au centre de la conception : performances, sécurité, stockage, jobs et récupération se configurent sur elle ou sur une base de données qu’elle contient. Dans Fabric, la plateforme, la capacité, l’espace de travail et l’élément constituent l’architecture. Quand vous concevez, parcourez cette pile depuis le haut et posez une question par niveau :

  1. Tenant : qui fait partie de l’organisation, et quels paramètres de tenant et quelle gouvernance s’appliquent ?
  2. Capacité : combien de calcul, dans quelle région, isolé de quoi ?
  3. Espace de travail : quelle équipe, quel projet et quel environnement, et qui peut y travailler ?
  4. Élément : Warehouse, Lakehouse, base de données SQL, notebook ou pipeline ?
  5. Données et moteur de calcul : quel moteur (T-SQL, Spark, base de données SQL) écrit et lit chaque table, et comment les données sont-elles organisées ?
  6. Consommation : comment les modèles sémantiques, rapports, API et systèmes en aval utilisent-ils le résultat ?

Un exercice utile consiste à prendre une question de conception SQL Server et à se demander quel niveau y répond dans Fabric. « Isoler la charge de reporting » est une question de capacité. « Les développeurs ne doivent pas modifier la production » est une question d’espace de travail et de déploiement. « Cette table est lente » est une question de moteur et d’organisation des données. Concevoir une architecture Microsoft Fabric évolutive applique ce découpage à une plateforme complète.

À ne pas transposer littéralement

Chacun de ces raccourcis est tentant la première semaine, et chacun mène à une erreur de conception précise :

Correspondance littérale Pourquoi elle ne tient pas Pensez-y plutôt comme
Espace de travail = base de données Un espace de travail contient de nombreux éléments de données, pipelines et rapports, et ses rôles donnent accès à tous Un conteneur de projet, d’équipe ou d’environnement
Capacité = instance SQL Server Rien à configurer (sp_configure, tempdb, connexions) ; Spark, Warehouse, pipelines et Power BI la partagent tous Un budget de calcul partagé et mesuré
CU = cœurs et mémoire L’usage est lissé dans le temps et limité par paliers ; on ne peut pas réserver un cœur à une charge Des CU-secondes consommées par opération
OneLake = SAN C’est un lac logique avec une seule copie des données pour tous les moteurs, pas un stockage en blocs pour un serveur La couche de stockage sous chaque élément de données
Lakehouse = base de données SQL Server Spark l’écrit ; son point de terminaison d’analytique SQL est en T-SQL lecture seule Des fichiers et des tables Delta, avec du SQL par-dessus
Table Delta = table MDF Ce sont des fichiers Parquet plus un journal par table ; chaque écriture ajoute des fichiers et une version Un format de table ouvert que l’on entretient par l’organisation des fichiers
Pipeline = job SQL Agent Un pipeline orchestre des activités entre éléments ; planifications, alertes et historique sont des pièces séparées Une partie de ce que faisait Agent
Notebook = procédure stockée Un notebook s’exécute dans une session Spark avec son propre démarrage, sa propre planification et son propre coût Du code pour un travail de forme Spark, appelé depuis un pipeline
Modèle sémantique = table C’est la couche BI au-dessus des tables : relations, mesures et mode de stockage Ce que Power BI interroge, pas l’endroit où vivent les données

La carte des concepts en un coup d’œil

Où vont les concepts familiers, avec la qualité de la correspondance sur chaque concept Fabric. D’abord les données et le calcul :

    1. Instance / serveur
    2. le plus proche
      Correspondance partielleCapacitéAnalogie de ressources seulement
    1. CPU et mémoire
    2. le plus proche
      Correspondance partielleCapacity UnitsPas de max server memory
    1. Base de données
    2. le plus proche
      Modèle différentWarehouse · Lakehouse · base de données SQLLes éléments de données, pas l’espace de travail
    1. Schéma
    2. le plus proche
      Correspondance procheSchéma
    1. Table
    2. le plus proche
      Proche ou partielleTable du Warehouse · table DeltaDépend du moteur
    1. MDF / NDF / LDF
    2. le plus proche
      Modèle différentTables Delta dans OneLakeDes fichiers gérés par le moteur
    1. tempdb
    2. aucune correspondance
      Pas d’équivalent netRien à configurerEspace temporaire géré par le moteur
Carte des concepts : données et calcul. Chaque ligne est l’analogie la plus proche, pas une équivalence. L’étiquette donne la qualité de la correspondance ; les lignes mises en évidence n’ont pas d’équivalent net.

Puis l’exploitation et la supervision :

    1. SQL Agent
    2. le plus proche
      Correspondance partiellePipeline et planificationRien ne migre automatiquement
    1. SSIS
    2. le plus proche
      Modèle différentData Factory · notebooksPipelines, Dataflow Gen2, T-SQL ; Invoke SSIS Package (préversion) pour certains packages
    1. Query Store
    2. le plus proche
      Correspondance partielleQuery Insights · Capacity MetricsRéparti entre plusieurs outils ; pas de forçage de plan
    1. PerfMon
    2. le plus proche
      Correspondance partielleApplication Capacity MetricsConsommation de CU et limitation, pas des compteurs du système
    1. Sauvegarde / restauration
    2. le plus proche
      Modèle différentRécupération propre à l’élémentPoints de restauration, PITR, time travel
    1. Groupes de disponibilité
    2. aucune correspondance
      Pas d’équivalent netDisponibilité gérée par le serviceRien à configurer
Carte des concepts : exploitation et supervision. Jobs, ETL, supervision et récupération se répartissent entre plusieurs outils Fabric ; aucun n’est un remplacement 1:1.

Le tableau de correspondance principal

Parcourez-le maintenant et revenez-y plus tard ; les sections qui suivent expliquent les correspondances qui demandent plus d’une phrase.

Calcul et infrastructure

Concept SQL Server Concept Fabric le plus proche Qualité de la correspondance Différence importante
Instance / serveur Capacité Fabric Correspondance partielle Une capacité n’est pas un moteur SQL. C’est un réservoir de calcul partagé par Spark, le Warehouse, les pipelines, Power BI et les autres charges de chaque espace de travail qui lui est affecté.
CPU Capacity Units (CU) Correspondance partielle Vous achetez une SKU F avec un budget de CU. Les charges consomment des CU-secondes ; vous n’attribuez pas de cœurs à une base de données.
Mémoire Capacity Units, plus la mémoire gérée par les moteurs Correspondance partielle Il n’y a pas de max server memory. La mémoire est gérée par moteur et par session ; les sessions Spark et les requêtes du Warehouse se dimensionnent elles-mêmes.
tempdb Ressources temporaires gérées par le moteur Pas d’équivalent net Le Warehouse prend en charge les tables #temp à portée de session et gère ses débordements en interne, mais il n’y a rien à dimensionner, placer ou régler. La base de données SQL dans Fabric a un tempdb que le service gère.
Service SQL Server Le service Fabric lui-même (SaaS) Pas d’équivalent net Il n’y a pas de service à démarrer, arrêter ou corriger. Vous pouvez suspendre et reprendre une capacité SKU F, ce qui arrête tout ce qui lui est affecté.
Cluster de basculement / groupe de disponibilité Disponibilité gérée par le service Pas d’équivalent net La redondance de l’infrastructure est assurée par Microsoft. Il n’y a ni réplicas, ni écouteurs, ni modes de basculement à configurer.

Structure des données

Concept SQL Server Concept Fabric le plus proche Qualité de la correspondance Différence importante
Base de données Warehouse, Lakehouse ou base de données SQL dans Fabric Modèle différent Plusieurs éléments de données peuvent vivre dans un même espace de travail, et ils peuvent s’interroger avec des noms en trois parties.
Schéma Schéma Correspondance proche Les schémas du Warehouse se comportent comme attendu. Les schémas de Lakehouse existent aussi, mais c’est Spark qui écrit.
Table Table du Warehouse ou table Delta du Lakehouse Proche (Warehouse) / partielle (Lakehouse) Les deux sont des tables Delta dans OneLake. Les tables du Warehouse sont écrites par T-SQL ; celles du Lakehouse par Spark et d’autres moteurs.
Vue Vue Correspondance proche Prise en charge dans le Warehouse et dans le point de terminaison d’analytique SQL du Lakehouse.
Procédure stockée Procédure stockée Correspondance proche Prise en charge dans le Warehouse. Certaines fonctionnalités T-SQL ne sont pas disponibles ; testez donc les procédures existantes avant de supposer qu’elles se portent.
Fonction Fonction Correspondance partielle Prise en charge dans le Warehouse ; vérifiez la surface T-SQL pour le type dont vous avez besoin.
Index Pas d’index gérés par l’utilisateur (Warehouse, Lakehouse) Modèle différent Les performances viennent de l’organisation des fichiers : V-Order, partitionnement, compactage et, dans le Warehouse, data clustering (préversion). La base de données SQL dans Fabric garde les index traditionnels et la création automatique d’index.
Groupe de fichiers Aucun Pas d’équivalent net Le placement des données sur le stockage ne vous appartient pas.
MDF / NDF Fichiers Delta et Parquet dans OneLake Modèle différent Le stockage, ce sont des fichiers plus un journal de transactions par table, gérés par le moteur.
LDF / journal des transactions Journal de transactions Delta par table Modèle différent Le journal est par table, pas par base de données, et vous ne le dimensionnez, ne le réduisez et ne le sauvegardez jamais.
Contraintes (PK, FK, unique) Contraintes NOT ENFORCED dans le Warehouse Correspondance partielle Les contraintes documentent le modèle et peuvent aider l’optimiseur ; elles ne rejettent pas les mauvaises lignes.
Déclencheurs Aucun dans le Warehouse Pas d’équivalent net Déplacez la logique dans le processus de chargement.

Stockage

Concept SQL Server Concept Fabric le plus proche Qualité de la correspondance Différence importante
Disques locaux ou SAN OneLake Modèle différent Un seul lac de données logique par tenant, construit sur Azure Data Lake Storage. Tous les moteurs lisent la même copie.
Fichiers de base de données Tables Delta (fichiers Parquet plus _delta_log) Modèle différent Format ouvert, lisible par Spark, T-SQL et Power BI sans copie.
Fichiers de sauvegarde (.bak) Pas de fichiers de sauvegarde accessibles à l’utilisateur Modèle différent La récupération dépend de l’élément : points de restauration, restauration à un instant dans le passé, time travel, suppression réversible.

ETL et orchestration

Concept SQL Server Concept Fabric le plus proche Qualité de la correspondance Différence importante
Job SQL Agent Pipeline Fabric Correspondance partielle Les pipelines orchestrent des activités entre éléments. Rien ne migre automatiquement depuis msdb.
Planification de job Planification du pipeline ou de l’élément Correspondance partielle Les pipelines, notebooks et autres éléments ont leurs propres planifications.
Étapes de job et dépendances Activités de pipeline et conditions de dépendance Correspondance partielle Les conditions de réussite, d’échec, d’achèvement et d’omission remplacent l’enchaînement des étapes ; Invoke pipeline remplace « démarrer un autre job ».
SSIS Pipelines Data Factory, Copy activity ou Copy job, Dataflow Gen2, notebooks, T-SQL du Warehouse Modèle différent Pas de remplacement universel 1:1. L’activité Invoke SSIS Package (préversion) exécute certains packages existants sans modification.
Serveur lié Noms en trois parties, raccourcis, mise en miroir, connexions de pipeline Pas d’équivalent net Les requêtes entre éléments fonctionnent dans Fabric. Atteindre l’extérieur passe par une copie, une mise en miroir ou un raccourci, pas par un serveur lié en direct.

Supervision et performances

Concept SQL Server Concept Fabric le plus proche Qualité de la correspondance Différence importante
Query Store Query Insights (Warehouse, point de terminaison d’analytique SQL) Correspondance partielle 30 jours d’historique et d’agrégats des requêtes terminées, qui apparaissent jusqu’à environ 15 minutes après la fin d’une requête. Pas de forçage de plan, et le comportement de la capacité se lit ailleurs.
DMV DMV prises en charge par Fabric et vues queryinsights Correspondance partielle sys.dm_exec_requests, sys.dm_exec_sessions, sys.dm_exec_connections et sys.dm_tran_locks existent dans le Warehouse, avec une portée qui dépend du rôle dans l’espace de travail. Beaucoup de DMV de niveau instance n’existent pas.
Statistiques d’attente Pression du pool dans Query Insights, limitation dans Capacity Metrics Pas d’équivalent net Il n’y a pas de vue des statistiques d’attente à l’échelle de l’instance dans le Warehouse. La pression sur les ressources apparaît comme utilisation et limitation de la capacité.
Plans d’exécution SHOWPLAN_XML (Warehouse), interface Spark (notebooks) Correspondance partielle Les plans du Warehouse sont des plans distribués. Les plans Spark sont une autre discipline.
PerfMon Application Microsoft Fabric Capacity Metrics Correspondance partielle Consommation de CU, lissage et limitation à l’échelle de la capacité, par élément et par opération. Pas des compteurs du système d’exploitation.
Historique des jobs SQL Agent Historique des exécutions de pipeline, hub de supervision Correspondance partielle L’historique est par élément et a des limites de conservation ; construisez votre propre journal d’exécution pour les données d’exploitation à long terme.

Sécurité

Concept SQL Server Concept Fabric le plus proche Qualité de la correspondance Différence importante
Connexion serveur (login) Identité Microsoft Entra Modèle différent Pas de connexions en authentification SQL dans le Warehouse ; utilisateurs, groupes et principaux de service viennent d’Entra ID.
Utilisateur de base de données Permission sur l’élément ou rôle dans l’espace de travail Correspondance partielle CREATE USER n’est pas pris en charge dans le Warehouse ; l’accès commence au niveau de l’espace de travail ou de l’élément.
Rôle Rôles d’espace de travail et GRANT / DENY en T-SQL Correspondance partielle Les rôles d’espace de travail sont larges ; les permissions au niveau des objets dans le Warehouse les restreignent.
Permission sur un schéma Permission sur un schéma Correspondance proche GRANT ... ON SCHEMA fonctionne dans le Warehouse.
Permissions de niveau instance (sysadmin, CONTROL SERVER) Administrateur Fabric, administrateur de capacité, Admin de l’espace de travail Modèle différent L’administration est répartie entre les rôles de tenant, de capacité et d’espace de travail.

Fiabilité et exploitation

Concept SQL Server Concept Fabric le plus proche Qualité de la correspondance Différence importante
Sauvegarde/restauration Récupération propre à l’élément Modèle différent Voir la section sur les sauvegardes ci-dessous ; les options diffèrent entre Warehouse, Lakehouse et base de données SQL.
Haute disponibilité Gérée par le service Pas d’équivalent net Le stockage utilise un stockage redondant interzone là où la région le permet.
Reprise après sinistre Paramètre de reprise après sinistre de la capacité, plus votre propre plan de récupération Correspondance partielle Géoréplication facultative des données OneLake ; récupérer les éléments dans une autre région reste une procédure qui vous appartient.
Correctifs Gérés par Microsoft Pas d’équivalent net Le service se met à jour lui-même. Vous choisissez toujours la version du runtime Spark pour les notebooks.
Plans de maintenance Essentiellement automatiques Modèle différent Le Warehouse compacte et crée des points de contrôle automatiquement ; la maintenance des tables du Lakehouse vous revient.
Maintenance des index Maintenance de l’organisation des fichiers Modèle différent OPTIMIZE et VACUUM pour les tables du Lakehouse ; compactage automatique dans le Warehouse.
Maintenance des statistiques Automatique, avec des statistiques manuelles sur une seule colonne Correspondance partielle Le Warehouse crée et actualise les statistiques au moment des requêtes ; vous pouvez toujours créer et mettre à jour des statistiques sur une seule colonne, mais pas sur plusieurs colonnes.

Instance → capacité : proche uniquement en termes de ressources

La capacité est l’endroit où l’intuition du « serveur » tient le mieux, et sur un seul point : c’est le réservoir de calcul que vous payez et que vous pouvez épuiser. Quand une capacité est surchargée, tout ce qui lui est affecté ralentit ou subit une limitation, de la même façon qu’une instance surchargée ralentit toutes ses bases de données.

Tout le reste est différent :

  • Une capacité n’est pas un moteur SQL : pas de sp_configure, pas de tempdb, pas de connexions.
  • Les notebooks Spark, les requêtes du Warehouse, les pipelines, Dataflow Gen2, les actualisations de modèles sémantiques et les requêtes de rapports la partagent tous.
  • Vous la dimensionnez en Capacity Units, pas en cœurs et en mémoire. Les charges consomment des CU-secondes, le travail en arrière-plan est lissé sur 24 heures, et la limitation commence quand l’utilisation soutenue dépasse la capacité.
  • Les espaces de travail sont affectés aux capacités et peuvent être déplacés. C’est votre outil d’isolation : la production sur une capacité, le développement sur une autre.

La question de DBA « de combien de cœurs cela a-t-il besoin ? » devient « combien de CU-secondes cette charge consomme-t-elle, et quand ? ». La capacité Microsoft Fabric expliquée (en anglais) couvre en profondeur les CU, le lissage et la limitation.

Exploiter une capacité partagée

Les différences d’exploitation comptent plus que les différences de vocabulaire. Sur SQL Server, une instance surchargée devient lente. Sur Fabric, une capacité surchargée suit une politique documentée, par paliers, et le travail qui en paie le prix n’est souvent pas celui qui l’a causée :

Sur SQL Server, vous… Sur une capacité Fabric
Voyez le CPU à 100 % pendant que la requête coûteuse s’exécute Le travail en arrière-plan (pipelines, jobs Spark, actualisations, la plupart des opérations du Warehouse) est lissé sur 24 heures, si bien qu’un chargement lourd peut affecter les utilisateurs plusieurs heures après
Obtenez des requêtes lentes sous pression La limitation se fait par paliers : les requêtes interactives sont retardées après environ 10 minutes de capacité future consommée, rejetées après 60 minutes, et les requêtes en arrière-plan sont rejetées après 24 heures
Isolez les charges avec Resource Governor ou des instances séparées Isolez en affectant les espaces de travail à des capacités différentes ; les espaces de travail d’une même capacité partagent son budget
Réglez la concurrence avec MAXDOP et les allocations de mémoire La concurrence se gère par moteur : limites et files d’attente des sessions Spark, pools de ressources du Warehouse. Beaucoup de petits jobs concurrents peuvent coûter plus qu’un seul gros
Lisez PerfMon, les statistiques d’attente et les DMV sur une seule machine Lisez l’application Capacity Metrics pour les CU par élément et par opération, puis les outils propres au moteur (Query Insights, supervision Spark)
Achetez le matériel une fois et le gardez occupé Choisissez une SKU F, suspendez-la ou redimensionnez-la, et arbitrez entre coût de capacité, planification des charges et optimisation

Pour une investigation, le runbook de saturation de capacité Fabric (en anglais) est la procédure pas à pas, et Comment j’ai diagnostiqué un problème de saturation de capacité Microsoft Fabric (en anglais) en montre une de bout en bout. Le Fabric Capacity Planner (en anglais) vous aide à interpréter l’utilisation et à décider s’il faut optimiser ou augmenter la capacité, et Superviser les pipelines et notebooks Microsoft Fabric couvre les signaux à suivre entre deux incidents.

Stockage : vous cessez de gérer des fichiers, pas leur organisation

Les tables sont stockées sous forme de tables Delta dans OneLake : des fichiers Parquet plus un journal de transactions par table (_delta_log), lus indifféremment par le Warehouse, Spark, le point de terminaison d’analytique SQL et Power BI. La base de données SQL dans Fabric garde son propre stockage moteur et se réplique dans OneLake pour l’analytique. Dimensionnement des fichiers, croissance automatique, réduction et groupes de fichiers disparaissent.

Ce qui vous appartient encore, c’est l’organisation des fichiers. Beaucoup de petits fichiers et des tables non entretenues sont la version Fabric de la fragmentation. Le Warehouse compacte automatiquement ; dans un Lakehouse, c’est votre travail.

SQL Agent → pipelines et planifications

SQL Agent est un planificateur, un exécuteur d’étapes, un moteur de dépendances, un système d’alerte et un magasin d’historique. Dans Fabric, ces rôles sont répartis :

Rôle de SQL Agent Équivalent dans Fabric
Planification Planification de pipeline, ou planification sur l’élément lui-même (notebook, Dataflow Gen2, Copy job)
Étapes du job Activités de pipeline : Copy, Notebook, Script, Stored procedure, Invoke pipeline
Enchaînement des étapes (en cas de réussite / d’échec) Conditions de dépendance des activités
Opérateurs et alertes Activités de notification du pipeline, ou alertes de votre propre supervision
Historique des jobs Historique des exécutions de pipeline et hub de supervision

Qualité de la correspondance : Correspondance partielle. Rien ne migre automatiquement ; un job qui exécutait du T-SQL sur plusieurs bases d’une même instance devient souvent un pipeline qui appelle des procédures stockées du Warehouse ou un notebook. Pour choisir entre les deux, voir Pipelines, notebooks, Dataflow Gen2 ou Copy Job (en anglais).

L’historique des exécutions est utile, mais ce n’est pas un magasin d’exploitation à long terme. La plupart des équipes de production ajoutent leur propre journal d’exécution ; Concevoir un journal d’exécution pour les pipelines et notebooks Microsoft Fabric en montre la conception.

SSIS → il n’y a pas de réponse unique

SSIS est la correspondance que les équipes SQL Server voudraient le plus voir en 1:1, et elle ne l’est pas. Un package SSIS orchestre, déplace les données, les transforme et journalise ce qui s’est passé. Dans Fabric, ces rôles appartiennent en général à des éléments différents :

  • Orchestration : pipelines
  • Déplacement des données : Copy activity ou Copy job
  • Transformations ligne par ligne : Dataflow Gen2 ou notebooks
  • Transformations SQL ensemblistes : T-SQL du Warehouse
  • Exécuter le package existant tel quel : l’activité Invoke SSIS Package, qui est en préversion et a de vraies limites de connectivité et de composants personnalisés

La plupart des parcs finissent avec un mélange : certains packages retirés, d’autres réhébergés, reconstruits ou repensés. Décidez package par package. Migrer des packages SSIS vers Microsoft Fabric vous donne la carte des responsabilités, un inventaire et une note de complexité, des vagues de migration et un plan de bascule.

Query Store et DMV → Query Insights plus la supervision

Query Store vous donne, en un seul endroit, l’historique des requêtes, les statistiques d’exécution, l’historique des plans, les requêtes en régression et le forçage de plan. Aucune fonctionnalité de Fabric ne fait tout cela à elle seule.

Pour le Warehouse et le point de terminaison d’analytique SQL, l’outil le plus proche est Query Insights : des vues du schéma queryinsights qui conservent environ 30 jours de requêtes terminées.

Vous demandiez à Query Store… Dans Fabric Warehouse, regardez…
Quelles requêtes ont été exécutées, et combien de temps ont-elles pris ? queryinsights.exec_requests_history
Quelles requêtes sont lentes de façon récurrente ? queryinsights.long_running_queries
Quelles requêtes s’exécutent le plus souvent ? queryinsights.frequently_run_queries
Le moteur était-il sous pression de ressources ? queryinsights.sql_pool_insights
Quelles requêtes consomment le plus de CPU ? allocated_cpu_time_ms dans exec_requests_history

Les requêtes sont regroupées par forme grâce à un query_hash. Les requêtes terminées peuvent mettre jusqu’à environ 15 minutes à apparaître (davantage sous forte concurrence), et il n’y a pas de forçage de plan.

Pour l’activité en direct, le Warehouse prend en charge les DMV du cycle de vie des requêtes que vous connaissez déjà : sys.dm_exec_requests, sys.dm_exec_sessions et sys.dm_exec_connections. Un Admin de l’espace de travail voit toutes les sessions ; les autres rôles ne voient que les leurs. KILL fonctionne, et uniquement pour les Admins de l’espace de travail.

Requête SQL: Query Store et DMV → Query Insights plus la supervisionT-SQL (Fabric Warehouse)
-- Longest-running active requests in a Fabric Warehouse
SELECT request_id, session_id, start_time, total_elapsed_time, status
FROM sys.dm_exec_requests
WHERE status = 'running'
ORDER BY total_elapsed_time DESC;
T-SQL (Fabric Warehouse)5 lignesAffichage en lecture seule. Aucune connexion à une base de données.

Pour le comportement au niveau de la capacité, ce que vous lisiez dans PerfMon et les statistiques d’attente, utilisez l’application Capacity Metrics : quel élément et quelle opération ont consommé la capacité, et y a-t-il eu limitation ? L’analyse d’un incident a en général besoin des deux vues.

La base de données SQL dans Fabric fait exception : elle exécute le moteur Azure SQL Database, donc une plus grande part de votre connaissance des DMV s’applique directement, et son tableau de bord des performances affiche les requêtes les plus coûteuses en CPU, mémoire et durée, ainsi que les requêtes bloquées.

Qualité de la correspondance : Correspondance partielle. La connaissance des DMV se transfère sur le principe ; les vues exactes diffèrent. Comparez Trouver les régressions de performances SQL Server avec Query Store avec Dépanner les performances de Microsoft Fabric en production (en anglais).

tempdb : pas d’équivalent net

Rien dans Fabric Warehouse ou dans le Lakehouse ne correspond à tempdb, et mieux vaut ne pas en inventer un.

  • Le Warehouse exécute les requêtes sur un moteur distribué qui gère son propre stockage temporaire et ses débordements. Vous ne configurez ni fichiers, ni taille, ni placement.
  • Les tables #temp à portée de session sont prises en charge dans le Warehouse ; le modèle T-SQL fonctionne donc toujours.
  • Spark a son propre comportement de shuffle et de débordement, géré par session.
  • La base de données SQL dans Fabric a bien un tempdb, parce que c’est le moteur Azure SQL Database, et le service le gère. Son tableau de bord des performances montre même les requêtes qui débordent dans tempdb.

L’instinct qui se transfère est diagnostique : une requête qui déborde a toujours une mauvaise estimation ou trop de données en transit. Corrigez la requête ou l’organisation des données.

Sauvegarde et restauration : gérées par la plateforme et propres à chaque élément

Il n’y a pas dans Fabric de modèle de sauvegarde unique contrôlé par le DBA, ni de flux .bak sur lequel compter pour tous les éléments. Fabric est une plateforme SaaS gérée ; la durabilité est assurée par la couche de stockage, et la récupération dépend du type d’élément.

Élément Ce que vous avez Ce que vous n’avez pas
Warehouse Points de restauration système environ toutes les huit heures tant que l’entrepôt est actif, points de restauration définis par l’utilisateur, conservation de 30 jours par défaut (configurable de 1 à 120 jours), restauration sur place, requêtes time travel, clones de tables sans copie Restaurer vers un nouvel entrepôt sous un autre nom ; des fichiers de sauvegarde téléchargeables
Lakehouse Time travel Delta vers des versions antérieures de table (jusqu’à ce que VACUUM supprime les anciens fichiers), suppression réversible OneLake pour les fichiers (sept jours par défaut, configurable par espace de travail) Une restauration à un instant donné du Lakehouse entier en un clic
Base de données SQL dans Fabric Sauvegardes complètes, différentielles et de journal automatiques, restauration à un instant dans le passé pendant la période de conservation (7 jours par défaut, jusqu’à 35), restauration vers une nouvelle base de données dans le même espace de travail Accès aux fichiers de sauvegarde, restauration entre espaces de travail, conservation à long terme

« Restaurer la sauvegarde d’hier soir » devient une procédure différente par élément, avec une conservation différente. Et les définitions ont besoin de leur propre protection : les points de restauration protègent les données du Warehouse, tandis que Git protège les notebooks, les pipelines et les définitions d’objets. L’intégration Git dans Microsoft Fabric explique comment.

HA et DR : abstraites, pas disparues

Les groupes de disponibilité, les instances de cluster de basculement et la copie des journaux de transactions n’ont pas d’équivalent à configurer. La disponibilité de l’infrastructure fait partie du service. OneLake utilise un stockage redondant interzone là où la région le permet, et un stockage localement redondant ailleurs.

La reprise après sinistre est différente. Une capacité a un paramètre facultatif de reprise après sinistre qui réplique les données OneLake vers la région Azure jumelée, de façon asynchrone et au niveau des fichiers. Après un basculement régional, vous recréez les éléments dans une autre capacité et un autre espace de travail et y récupérez les données : une procédure documentée, pas un basculement de groupe de disponibilité. Les décisions montent d’un niveau : quelle capacité héberge la production, la reprise après sinistre est-elle activée, et les définitions sont-elles dans Git pour pouvoir être redéployées.

Le Warehouse est le pont le plus facile pour les gens de SQL Server

Le Fabric Warehouse paraît familier presque immédiatement :

  • T-SQL pour la lecture et l’écriture
  • Schémas, tables et vues
  • Procédures stockées et fonctions
  • Transactions multi-instructions avec BEGIN TRANSACTION, COMMIT et ROLLBACK, y compris sur plusieurs tables
  • Un modèle relationnel que l’on conçoit avec des schémas en étoile et la modélisation dimensionnelle
  • Connexion depuis SSMS, Visual Studio Code ou tout client qui parle TDS

Cette familiarité est aussi l’endroit où se cachent les hypothèses. Avant de porter du code, sachez ce qui diffère :

  • Toutes les fonctionnalités de SQL Server n’existent pas. Déclencheurs, synonymes, SET TRANSACTION ISOLATION LEVEL, vues matérialisées et requêtes récursives figurent parmi les limites documentées. Vérifiez la surface T-SQL pour votre code.
  • Isolation snapshot uniquement, avec des verrous au niveau de la table. Toute instruction DML verrouille la table entière, et des écritures concurrentes sur la même table peuvent entrer en conflit ; vous concevez des modèles de chargement, pas des indicateurs de verrouillage.
  • Pas de gestion traditionnelle des index. Pas d’index cluster ou non cluster à créer ou reconstruire. V-Order, le compactage automatique et le data clustering (préversion, défini à la création de la table) assurent l’organisation des données.
  • Les contraintes ne sont pas appliquées. Clés primaires, uniques et étrangères exigent NOT ENFORCED. Les contrôles de qualité des données passent dans le processus de chargement.
  • Pas de gestion des MDF/NDF ni de SQL Server Agent dans le Warehouse. Le stockage est du Delta dans OneLake ; la planification vit dans les pipelines.
  • La gestion des performances est différente. Les statistiques sont automatiques, la première exécution d’une requête peut être plus lente à cause d’un cache froid, et les insertions au fil de l’eau créent beaucoup de petits fichiers.

Commencez par Créer votre premier Fabric Warehouse en T-SQL (en anglais), puis lisez Lakehouse ou Warehouse avant de décider où vit chaque couche de votre plateforme.

Le Lakehouse est là où le modèle mental change

Le Lakehouse est l’endroit où commencent les concepts vraiment nouveaux :

  • Fichiers et tables coexistent : une zone Files pour les fichiers bruts et une zone Tables pour les tables Delta.
  • Les tables Delta sont des fichiers Parquet plus un journal de transactions ; chaque écriture crée de nouveaux fichiers et une nouvelle version de table.
  • OneLake stocke les deux, et tous les moteurs Fabric lisent la même copie.
  • Spark (PySpark, Spark SQL) est l’écrivain principal, en général depuis des notebooks.
  • Le point de terminaison d’analytique SQL offre du T-SQL en lecture seule sur les tables : les vues oui, INSERT, UPDATE et DELETE non.
Table SQL Server Table Delta du Lakehouse
Forme logique Colonnes, types, lignes Colonnes, types, lignes
Stockage physique Pages dans les fichiers MDF/NDF Fichiers Parquet plus _delta_log dans OneLake
Écritures Modifications de lignes et de pages, journalisées dans le journal de la base Nouveaux fichiers et nouvelle version de table à chaque écriture
Lecteurs Le moteur SQL Server Spark, point de terminaison d’analytique SQL, Warehouse, Power BI Direct Lake
Concurrence Verrous, éventuellement versionnement des lignes Concurrence optimiste ; les écritures en conflit échouent et sont relancées
Outils de performance Index, statistiques, partitionnement Taille des fichiers, partitionnement, V-Order, clustering, OPTIMIZE
Historique Sauvegardes, tables temporelles si configurées Time travel vers les versions antérieures jusqu’à VACUUM
Maintenance Jobs d’index et de statistiques OPTIMIZE et VACUUM

La table logique est familière ; le stockage physique et le calcul sont fondamentalement différents. La plupart des problèmes de performances d’un Lakehouse viennent du fait de traiter une table Delta comme une table SQL Server : beaucoup de petites écritures, des mises à jour ligne par ligne, aucune maintenance.

Les tables Delta dans Microsoft Fabric pour les ingénieurs SQL Server (en anglais) construit ce modèle correctement. Explorer les données avec PySpark dans Microsoft Fabric (en anglais) est l’étape pratique suivante, et La maintenance des tables Delta dans Microsoft Fabric (en anglais) couvre la maintenance qui vous revient désormais.

Où est passée ma tâche de DBA ?

Votre métier ne disparaît pas dans Fabric ; il se déplace. Certaines tâches disparaissent, certaines passent sous la gestion de Microsoft, et certaines deviennent des tâches d’architecture et d’exploitation Fabric.

  1. Travail traditionnel du DBAConfiguré sur l’instance et ses bases de données
    • disparaît
      N’est plus votre tâche
      • Correctifs SQL Server
      • Croissance des MDF/NDF
      • Configuration de tempdb
      • max server memory
    • géré
      Géré par Microsoft
      • Disponibilité de l’infrastructure
      • Durabilité du stockage
      • Maintenance du service
      • Compactage du Warehouse
    • remonte
      Travail d’ingénierie Fabric
      • Dimensionnement de la capacité
      • Architecture des espaces de travail
      • Isolation des charges
      • Orchestration
      • Supervision
      • Gestion des coûts
      • Sécurité
      • Stratégie de déploiement
Où va le travail traditionnel du DBA dans Fabric. Le rôle de DBA ne disparaît pas. L’administration de l’instance se réduit, et l’exploitation remonte dans la pile, vers l’architecture et l’exploitation de la plateforme.

Le tableau donne le détail, tâche par tâche :

Tâche de DBA Statut dans Fabric Ce qu’elle devient
Appliquer les correctifs SQL Server Gérée par Microsoft Suivre les notes de version de Fabric et choisir délibérément les versions du runtime Spark
Configurer max server memory Disparaît Rien à régler dans le Warehouse ou le Lakehouse ; la base de données SQL a un réglage de vCores maximum
Configurer tempdb Disparaît Corriger les débordements dans la requête ou l’organisation des données
Ajouter un fichier de données, gérer la croissance des MDF/NDF Disparaît Ce n’est pas le même modèle de stockage : surveillez plutôt le stockage OneLake et l’organisation des fichiers des tables
Reconstruire les index Change Lakehouse : OPTIMIZE, VACUUM, partitionnement. Warehouse : compactage automatique, data clustering (préversion)
Mettre à jour les statistiques Essentiellement gérée par Microsoft Automatique dans le Warehouse ; statistiques manuelles sur une seule colonne après de gros chargements si nécessaire
Consulter Query Store Change Vues Query Insights dans le Warehouse et le point de terminaison d’analytique SQL ; supervision Spark pour les notebooks ; tableau de bord des performances et vues Query Store dans la base de données SQL
Dépanner un CPU élevé Change Commencez par l’application Capacity Metrics (quel élément et quelle opération ont consommé les CU), puis le moteur : allocated_cpu_time_ms dans Query Insights, ou l’interface Spark
Dépanner les blocages Change, selon le moteur Warehouse : blocking_session_id dans sys.dm_exec_requests et sys.dm_tran_locks fonctionnent toujours, mais le DML verrouille la table entière, et des écritures concurrentes peuvent aussi échouer sur des conflits de mise à jour en isolation snapshot. Gardez les transactions courtes et planifiez le DDL. La base de données SQL garde le modèle familier au niveau des lignes et ses DMV. Le runbook de blocage SQL Server (en anglais) s’y applique toujours
Configurer les réplicas d’un groupe de disponibilité Disparaît Pas d’équivalent direct dans les charges SaaS de Fabric : décidez de la reprise après sinistre de la capacité et documentez la récupération des éléments
Sauvegardes Gérées par Microsoft, propres à chaque élément Connaître la conservation et la procédure de restauration de chaque élément ; garder les définitions dans Git
Planifier des jobs SQL Agent Change Pipelines, planifications d’éléments, conditions de dépendance, supervision des exécutions
Dimensionner la capacité Devient une tâche d’architecture Choisir des SKU F, séparer les charges par capacité, anticiper le lissage et la limitation
Superviser les charges Devient une tâche d’exploitation Query Insights, DMV, hub de supervision, application Capacity Metrics, votre propre journal d’exécution
Sécurité Change Groupes Entra ID, rôles d’espace de travail, permissions sur les éléments, GRANT en T-SQL, sécurité au niveau des lignes et des colonnes
Suivi des coûts Nouvelle Utilisation de la capacité, décisions de suspension et de redimensionnement, croissance du stockage

Le schéma général : l’administration de l’instance se réduit, l’exploitation de la plateforme grandit. Superviser les pipelines et notebooks Microsoft Fabric est un bon point de départ côté exploitation.

Les compétences qui se transfèrent directement

L’expérience SQL Server est une base solide pour Fabric. L’implémentation change ; le jugement d’ingénieur se transfère.

  • SQL. T-SQL est de premier plan dans le Warehouse et le point de terminaison d’analytique SQL ; Spark SQL en est proche.
  • Modélisation des données. Schémas en étoile, grain, dimensions à évolution lente et clés comptent autant que jamais.
  • Dépannage des performances. Mesurer, trouver l’opération coûteuse, changer une chose, mesurer à nouveau.
  • Plans de requête. Les plans du Warehouse sont distribués, mais lire les opérateurs et les estimations reste la même compétence.
  • Raisonnement transactionnel. Des chargements atomiques et des nouvelles tentatives idempotentes décident si un pipeline peut être relancé sans risque.
  • Principes de sécurité. Moindre privilège, groupes plutôt qu’individus, séparation des tâches.
  • L’indexation comme intuition des performances. « Lire moins de données » reste la règle ; cela veut désormais dire partitionnement, clustering et élimination de fichiers.
  • Concepts d’ETL et d’orchestration. Dépendances, capacité de reprise, chargements incrémentiels et gestion des erreurs.
  • Supervision et planification de capacité. Références, pics et marge ; les CU sont une nouvelle unité pour le même raisonnement.
  • Exploitation en production et analyse d’incidents. Chronologies, éléments de preuve, cause racine et runbooks.

Que doit apprendre en premier un DBA SQL Server ?

Apprenez dans l’ordre où la plateforme prend ses décisions : d’abord les conteneurs et le calcul, puis les données, puis le code qui les déplace, puis l’exploitation. Chaque étape s’appuie sur la précédente :

# Apprendre Pourquoi à cette place Par où commencer
1 Le modèle des espaces de travail et des éléments Toutes les autres décisions se prennent à l’intérieur Créer votre premier espace de travail Microsoft Fabric
2 Capacité et CU La nouvelle unité pour le calcul, le coût, l’isolation et la limitation La capacité Microsoft Fabric expliquée (en anglais)
3 OneLake Où vit chaque table, et pourquoi les moteurs partagent une seule copie Qu’est-ce que Microsoft Fabric ? (en anglais)
4 Warehouse Le chemin le plus court depuis ce que vous savez Créer votre premier Fabric Warehouse en T-SQL (en anglais)
5 Lakehouse et Delta Là où le modèle de stockage change vraiment Les tables Delta pour les ingénieurs SQL Server (en anglais)
6 Pipelines Ce qui remplace SQL Agent et une bonne partie de SSIS Pipelines vs notebooks dans Fabric (en anglais)
7 Notebooks et bases de Spark Assez de PySpark pour lire, relire et déboguer les chargements du Lakehouse Explorer les données avec PySpark (en anglais)
8 Supervision Capacity Metrics, hub de supervision, Query Insights, votre propre journal d’exécution Superviser les pipelines et notebooks Fabric
9 Sécurité et gouvernance Contrôles au niveau du tenant, de l’espace de travail, de l’élément et des données La gouvernance Microsoft Fabric avec Purview
10 CI/CD Définitions dans Git, promues d’un environnement à l’autre L’intégration Git et le CI/CD avec fabric-cicd

En chemin, découvrez l’architecture médaillon, la façon courante d’organiser en couches les données brutes, nettoyées et prêtes à servir, et les modèles sémantiques, la façon dont Power BI consomme vos tables. Le parcours d’apprentissage Microsoft Fabric met le tout dans un ordre pratique, d’un espace de travail vide à une plateforme prête pour la production.

Référence rapide

Correspondances approximatives uniquement. Servez-vous-en pour vous orienter, puis lisez la section du concept sur lequel vous travaillez.

SQL Server Microsoft Fabric (approximatif) Correspondance
Instance Capacité Fabric Correspondance partielle
Base de données Warehouse, Lakehouse ou base de données SQL dans Fabric Modèle différent
Schéma Schéma Correspondance proche
Table Table du Warehouse ou table Delta du Lakehouse Proche / partielle
MDF/NDF Fichiers Delta et Parquet dans OneLake Modèle différent
CPU et mémoire Capacity Units Correspondance partielle
SQL Agent Pipeline et planification Correspondance partielle
SSIS Data Factory, notebooks, Dataflow Gen2, T-SQL du Warehouse, ou Invoke SSIS Package (préversion) Modèle différent
Query Store Query Insights plus la supervision Correspondance partielle
PerfMon Application Capacity Metrics Correspondance partielle
Sauvegarde/restauration Récupération gérée par la plateforme, propre à chaque élément Modèle différent
Groupe de disponibilité Disponibilité gérée par le service Pas d’équivalent net
tempdb Géré par le moteur Pas d’équivalent net
(rien) Espace de travail : un conteneur de projet, d’équipe ou d’environnement, pas une base de données Pas d’équivalent net

Ce que vous avez appris

  • Les concepts de Fabric ne correspondent à ceux de SQL Server qu’approximativement ; vérifiez la qualité de la correspondance avant de vous y fier.
  • Une capacité est ce qui ressemble le plus à une instance, en termes de calcul partagé uniquement. Un espace de travail est un conteneur organisationnel, pas une base de données. Warehouse, Lakehouse et base de données SQL sont les éléments de niveau base de données.
  • SQL Agent correspond aux pipelines et aux planifications, SSIS n’a pas de remplacement unique, et Query Store est réparti entre Query Insights et la supervision de la capacité. tempdb, les groupes de disponibilité et les sauvegardes .bak n’ont pas d’équivalent net.
  • Vos compétences en SQL, en modélisation, en dépannage et en exploitation se transfèrent. OneLake, Delta, PySpark, les pipelines, la capacité et Git sont ce que vous ajoutez.

L’étape suivante consiste à construire quelque chose. Créer votre premier espace de travail Microsoft Fabric, puis Créer votre premier Fabric Warehouse en T-SQL (en anglais) : le Warehouse est le chemin le plus court entre ce que vous savez et ce que fait Fabric.

Sources

Le comportement documenté par Microsoft dans cet article provient de ces pages Microsoft Learn :

Les étiquettes de qualité de correspondance, la liste « à ne pas transposer littéralement », l’ordre d’apprentissage et les comparaisons d’exploitation relèvent des conseils de Javi Builds, pas de la documentation Microsoft.

Comportement de Fabric vérifié sur Microsoft Learn en novembre 2026. Les fonctionnalités en préversion (data clustering, Invoke SSIS Package) peuvent changer avant la disponibilité générale.

Étiquettes

  • Microsoft Fabric
  • SQL Server
  • Fabric Warehouse
  • Fabric Lakehouse
  • Architecture de données