Databricks-Support-Lebenszyklus

Im Rahmen des Engagements von Azure Databricks für Innovation, Plattform- und Laufzeitfeatures könnten eingestellt und durch neue Features ersetzt werden. Databricks Runtime-Versionen werden ebenfalls in regelmäßigen Abständen eingestellt und ersetzt. Auf dieser Seite werden die Auslaufphasen und Details zur entsprechenden Unterstützung für Plattformfeatures und Databricks-Runtime-Versionen aufgeführt. Es enthält auch SQL-Abfragen zum Erkennen von Clustern und Aufträgen mit älteren Databricks-Runtime-Versionen.

Informationen zu Vorschau- und Versionstypen finden Sie unter Azure Databricks Preview-Versionen.

Lebenszyklus von Plattform-Features

Die Phasen der Einstellung von Funktionen der Azure Databricks-Plattform werden in der folgenden Tabelle beschrieben.

Support-Lebenszyklen für Databricks Runtime

Jede Databricks-Runtime-Version verfügt über eine erste Betaversion für eine frühe Auswertung und startet dann als allgemein verfügbar (GA). Während der GA-Feature-Entwicklungsphase (etwa sechs Monate) veröffentlicht Azure Databricks neue Features und Fehlerbehebungen unter derselben Versionsnummer. Cluster erhalten Updates, wenn sie neu gestartet werden. Nach der Featureentwicklungsphase wechselt die Version für drei Jahre zu long-term support (LTS). Informationen zu den unterstützten Versionen finden Sie unter Versionshinweise zu Databricks Runtime: Versionen und Kompatibilität.

Workloads für nicht unterstützte Databricks-Runtime-Versionen können weiterhin ausgeführt werden, aber Azure Databricks bietet keine Unterstützung oder Korrekturen.

Veraltete Databricks-Runtime-Cluster erkennen

Diese temporäre Ansicht enthält eine Zusammenfassung der Datenbricks-Runtime-Clusterverwendung für Cluster, die Databricks-Runtime-Versionen 10.4 oder früher ausführen. Sie aggregiert die Nutzung in den letzten 90 Tagen und umfasst Arbeitsbereichsinformationen, Cluster-IDs, Databricks-Runtime-Versionen, Verwendungseinheiten und gesamter Einsatz in Databricks Units (DBUs).

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;

Um die Legacy-Databricks-Laufzeitnutzung pro Cluster anzuzeigen, fragen Sie die soeben erstellte Ansicht ab.

SELECT * FROM legacy_dbrs;

Verwenden Sie die folgende Abfrage, um die aggregierte Clusternutzung für Arbeitsbereiche und Databricks-Runtime-Versionen anzuzeigen. Auf diese Weise können Sie ermitteln, welche Databricks-Runtime-Versionen noch verwendet werden, die Anzahl der Cluster, die jede Version ausführen, und die Gesamtnutzung in DBUs.

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

Erkennen von Legacy-Databricks-Runtime-Aufträgen

Verwenden Sie diese Abfrage, um alle Aufträge abzurufen, die in den letzten 90 Tagen ausgeführt wurden, in denen die letzte Ausführung eine Databricks-Runtime-Version vor 10.4 verwendet hat. Dadurch können Arbeitslasten identifiziert werden, die ein Upgrade erfordern.

%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]\\.)'