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.
Som en del av Azure Databricks engagemang för innovation kan plattforms- och körningsfunktioner dras tillbaka och ersättas av nya funktioner. Databricks Runtime-versioner dras också tillbaka och ersätts enligt ett regelbundet schema. På den här sidan visas pensionsfaser och information om motsvarande stöd för plattformsfunktioner och Databricks Runtime-versioner. Den innehåller även SQL-frågor för att identifiera kluster och jobb med äldre Databricks Runtime-versioner.
Information om förhandsversioner och versionstyper finns i Azure Databricks förhandsversioner.
Livscykel för plattformsfunktioner
Azure Databricks plattformens funktionsavvecklingsfaser beskrivs i följande tabell:
| Fas | beskrivning | Stöd | Migreringsanteckningar |
|---|---|---|---|
| Arv | Funktionen är fortfarande tillgänglig, men det finns en nyare, bättre funktion eller ett sätt att utföra de uppgifter som den här funktionen tillhandahåller. Den här etiketten är ett tecken på ett framtida pensionsdatum. | Fullständig. Support och dokumentation är tillgängliga. | Migrering till en ny ersättningsfunktion eller ett nytt sätt att utföra uppgiften uppmuntras, men inte omedelbart nödvändigt. |
| Inaktuell | Funktionen är inte längre i aktiv utveckling. Uppdateringar släpps inte längre. Funktionen kommer snart att dras tillbaka, så du måste utveckla en plan för att sluta använda funktionen och övergå till ett alternativ. | Fullständig. Funktionen uppdateras inte längre, men support och dokumentation är fortfarande tillgängliga. | Migrering till en ny ersättningsfunktion eller ett nytt sätt att utföra uppgiften uppmuntras starkt eftersom viktiga uppdateringar inte längre tillämpas. |
| Slut på support (EoS) | Funktionen är inte längre i aktiv utveckling och supporten är officiellt otillgänglig. | Inga. Dokumentationen kanske fortfarande finns, men den har arkiverats och underhålls inte längre. | Migrering till en ny ersättningsfunktion eller ett nytt sätt att utföra uppgiften är brådskande, eftersom viktiga uppdateringar inte längre tillämpas och stöd för problem som kan uppstå inte längre är tillgängligt. |
| Livets slut (EoL) | Funktionen har tagits bort helt från Databricks-produkten. | Ingen | Migrering till en ny ersättningsfunktion eller ett nytt sätt att utföra uppgiften krävs, eftersom funktionen inte längre kan användas. I det här läget kan det vara mycket svårt att migrera. |
Databricks Runtime stöder livscykeler
Varje Databricks Runtime-version har en första betaversion för tidig utvärdering och lanseras sedan som allmänt tillgänglig (GA). Under utvecklingsfasen för ga-funktioner (cirka sex månader) släpper Azure Databricks nya funktioner och korrigeringar under samma versionsnummer. Kluster får uppdateringar när de startas om. Efter funktionsutvecklingsfasen övergår versionen till långsiktigt stöd (LTS) i tre år. Information om vilka versioner som stöds finns i Databricks Runtime versionsinformation och kompatibilitet.
Arbetsbelastningar på Databricks Runtime-versioner som inte stöds kan fortsätta att köras, men Azure Databricks ger inte stöd eller korrigeringar.
Note
Före Databricks Runtime 19 släppte Azure Databricks runtime-versioner som mindre funktionsversionsutgåvor (till exempel 18.0, 18.1 och 18.2), var och en med en egen betaversion och GA-version.
| Fas | beskrivning |
|---|---|
| Beta-version | Tillgänglig för tidig utvärdering före GA-lanseringen. Rekommenderas inte för produktionsanvändning. Inget serviceavtal för support. |
| GA (funktionsutveckling) | Viktiga stabilitets- och säkerhetskorrigeringar tillhandahålls. Azure Databricks släpper nya funktioner och korrigeringar under samma versionsnummer under hela funktionsutvecklingsfasen, som varar ungefär sex månader. Versioner som stöds publiceras i Databricks Runtime-versioner som stöds. |
| Långsiktigt stöd | När funktionsutvecklingsfasen är slut övergår versionen till långsiktigt stöd (LTS). Stora stabilitets- och säkerhetskorrigeringar är bakåtporterade i tre år. LTS-versioner som stöds publiceras på Databricks Runtime-versioner som stöds. |
| Slut på support (EoS) | Om en version inte stöds:
Slutdatumet för support är tre år efter publiceringsdatumet för allmän tillgänglighet. Versioner som inte stöds publiceras under Viktig information om End-of-support Databricks Runtime-release. |
| Livets slut (EoL) | När en version når Slutet av livet tas den bort från den Azure Databricks miljön och blir oanvändbar. Du kan inte starta nya arbetsbelastningar och befintliga arbetsbelastningar som körs på dessa versioner misslyckas. Du måste migrera dina arbetslaster till en körningsversion som stöds. Azure Databricks gör sitt bästa för att fastställa slutdatumet sex månader efter slutdatumet för supporten. Databricks förbehåller sig dock rätten att ta bort en version när som helst när supporten har upphört, utan föregående notis. |
Identifiera äldre Databricks Runtime-kluster
Den här tillfälliga vyn ger en sammanfattning av Databricks Runtime-klusteranvändning för kluster som kör Databricks Runtime version 10.4 eller tidigare. Den sammanställer användningen under de senaste 90 dagarna och innehåller information om arbetsytor, klusteridentifierare, Databricks Runtime-versioner, användningsenheter och total användning i Databricks-enheter (DBUs).
Skapa legacy_dbrs-vy
CREATE OR REPLACE TEMP VIEW legacy_dbrs AS
WITH clusters_dbr_versions AS (
SELECT
account_id,
workspace_id,
cluster_id,
cluster_name,
owned_by,
dbr_version,
TRY_CAST(regexp_extract(dbr_version, '(\\d+)\\.(\\w+)?(?:\\.(\\w+))?', 1) AS INT) AS major_version,
TRY_CAST(regexp_extract(dbr_version, '(\\d+)\\.(\\w+)?(?:\\.(\\w+))?', 2) AS INT) AS minor_version,
ROW_NUMBER() OVER(PARTITION BY account_id, workspace_id, cluster_id ORDER BY change_time DESC) AS rnk
FROM
system.compute.clusters
QUALIFY rnk=1
),
usage AS (
SELECT
account_id,
workspace_id,
usage_metadata.cluster_id AS cluster_id,
usage_unit,
ROUND(SUM(usage_quantity), 2) AS total_usage_dbu,
MAX(usage_date) as last_seen_date
FROM
system.billing.usage
WHERE
usage_metadata.cluster_id IS NOT NULL AND
usage_date > CURRENT_DATE() - INTERVAL 90 DAYS
GROUP BY ALL
),
workspace_info AS (
SELECT
account_id,
workspace_id,
workspace_name,
workspace_url
FROM
system.access.workspaces_latest
)
SELECT
cdv.workspace_id,
wi.workspace_name,
wi.workspace_url,
cdv.cluster_name,
cdv.cluster_id,
cdv.owned_by,
cdv.dbr_version,
total_usage_dbu,
usage_unit,
last_seen_date
FROM
clusters_dbr_versions cdv
INNER JOIN usage u USING (workspace_id, cluster_id)
LEFT JOIN workspace_info wi USING (workspace_id)
WHERE
major_version < 10 OR (major_version = 10 AND minor_version < 4)
GROUP BY ALL
ORDER BY
workspace_id, total_usage_dbu DESC;
Om du vill se äldre Databricks Runtime-användning per kluster, kör du en fråga mot vyn som precis skapades.
SELECT * FROM legacy_dbrs;
Om du vill se den aggregerade klusteranvändningen mellan arbetsytor och Databricks Runtime-versioner använder du följande fråga. Detta hjälper dig att identifiera vilka Databricks Runtime-versioner som fortfarande används, antalet kluster som kör varje version och den totala användningen i DBU:er.
SELECT
dbr_version,
workspace_id,
COUNT(DISTINCT cluster_id) total_clusters,
SUM(total_usage_dbu) AS total_usage_dbu
FROM legacy_dbrs
GROUP BY dbr_version, workspace_id
ORDER BY dbr_version, workspace_id
Upptäck jobb som använder äldre versioner av Databricks Runtime
Använd den här frågan för att hämta alla jobb som har körts under de senaste 90 dagarna där den senaste körningen använde en Databricks Runtime-version tidigare än 10.4. Detta hjälper dig att identifiera arbetsbelastningar som kräver uppgradering.
Fråga efter jobb med äldre DBR-versioner
%sql
with latest_jobs AS (
SELECT
*,
ROW_NUMBER() OVER(PARTITION BY workspace_id, job_id ORDER BY change_time DESC) as rn
FROM system.lakeflow.jobs
QUALIFY rn=1
),
latest_clusters AS (
SELECT
*,
ROW_NUMBER() OVER(PARTITION BY workspace_id, cluster_id ORDER BY change_time DESC) as rn
FROM system.compute.clusters
QUALIFY rn=1
),
job_tasks_exploded AS (
SELECT
workspace_id,
job_id,
EXPLODE(compute_ids) as cluster_id
FROM system.lakeflow.job_task_run_timeline
WHERE period_start_time >= CURRENT_DATE() - INTERVAL 90 DAY AND ARRAY_SIZE(compute_ids) > 0
GROUP BY ALL
),
workspace_info AS (
SELECT
account_id,
workspace_id,
workspace_name,
workspace_url
FROM
system.access.workspaces_latest
),
clusters_with_dbr AS (
SELECT
t1.*,
t2.cluster_name,
t2.owned_by,
t2.dbr_version
FROM job_tasks_exploded t1
INNER JOIN latest_clusters t2 USING (workspace_id, cluster_id)
)
SELECT
wi.account_id,
wi.workspace_id,
wi.workspace_name,
wi.workspace_url,
latest_jobs.name,
cwd.job_id,
cwd.cluster_id,
cwd.cluster_name,
cwd.dbr_version
FROM clusters_with_dbr cwd
JOIN workspace_info wi ON cwd.workspace_id = wi.workspace_id
LEFT JOIN latest_jobs USING (workspace_id, job_id)
WHERE dbr_version RLIKE '^([1-9]\\.|10\\.[0-3]\\.)'