Référence de table système d'utilisation facturable

Cet article fournit une vue d'ensemble de la table système d'utilisation facturable, y compris le schéma et des exemples de queries. Grâce aux tables système, les données d'utilisation facturable de votre compte sont centralisées et acheminées vers toutes les régions, ce qui vous permet de consulter l'utilisation globale de votre compte depuis la région où se trouve votre Workspace.

Pour obtenir des informations sur l'utilisation de cette table pour surveiller les coûts et les exemples de query, consultez Surveiller les coûts à l'aide des tables système.

**Chemin de la table** : Cette table système est située system.billing.usage à.

Schéma de la table d'utilisation facturable

La table système d'utilisation facturable utilise le schéma suivant :

Nom de colonne	Type de données	Description	Exemple
record_id	chaîne	ID unique pour cet enregistrement d'utilisation	11e22ba4-87b9-4cc2-9770-d10b894b7118
account_id	chaîne	ID du compte pour lequel ce rapport a été généré	23e22ba4-87b9-4cc2-9770-d10b894b7118
workspace_id	chaîne	ID du workspace auquel cette utilisation était associée	1234567890123456
sku_name	chaîne	Nom du SKU	STANDARD_ALL_PURPOSE_COMPUTE
cloud	chaîne	Cloud associé à cette utilisation. Les valeurs possibles sont AWS, AZURE et GCP.	AWS, AZURE, ou GCP
usage_start_time	Horodatage	L’heure de start pertinente pour cet enregistrement d’utilisation. Les informations de fuseau horaire sont enregistrées à la fin de la valeur, +00:00 représentant le fuseau horaire UTC.	2023-01-09 10:00:00.000+00:00
usage_end_time	Horodatage	L'heure de fin pertinente pour cet enregistrement d'utilisation. Les informations de fuseau horaire sont enregistrées à la fin de la valeur, +00:00 représentant le fuseau horaire UTC.	2023-01-09 11:00:00.000+00:00
usage_date	Date	Date de l’enregistrement d’utilisation, ce champ peut être utilisé pour une agrégation plus rapide par date	2023-01-01
custom_tags	Carte	Balises personnalisées associées à l'enregistrement d'utilisation	{ “env”: “production” }
usage_unit	chaîne	Unité de mesure de cette utilisation	DBU
usage_quantity	décimal	Nombre d'unités consommées pour cet enregistrement	259.2958
usage_metadata	structure	Métadonnées fournies par le système concernant l'utilisation, y compris les ID pour les ressources de compute et les jobs (le cas échéant). Voir Métadonnées d'utilisation.	Consultez les métadonnées d'utilisation
identity_metadata	structure	Métadonnées fournies par le système sur les identités impliquées dans l'utilisation. Consultez les métadonnées d'identité.	Consultez les métadonnées d'identité
record_type	chaîne	Si l'enregistrement est original, une rétractation ou une nouvelle déclaration. La valeur est ORIGINAL sauf si l'enregistrement est lié à une correction. Consultez Type d’enregistrement.	ORIGINAL
ingestion_date	Date	Date d'ingestion de l'enregistrement dans la table usage	2024-01-01
billing_origin_product	chaîne	Le produit qui a généré l'utilisation. Certains produits peuvent être facturés sous la forme de SKU différents. Pour les valeurs possibles, consultez Produit.	JOBS
product_features	structure	Détails sur les fonctionnalités spécifiques du produit utilisées. Consultez les fonctionnalités du produit.	Voir les fonctionnalités du produit
usage_type	chaîne	Le type d'utilisation attribué au produit ou à la charge de travail à des fins de facturation. Les valeurs possibles sont COMPUTE_TIME, STORAGE_SPACE, NETWORK_BYTE, NETWORK_HOUR, API_OPERATION, TOKEN, GPU_TIME ou ANSWER.	STORAGE_SPACE

Nom de colonne	Type de données	Description	Exemple
record_id	chaîne	ID unique pour cet enregistrement d'utilisation	11e22ba4-87b9-4cc2-9770-d10b894b7118
account_id	chaîne	ID du compte pour lequel ce rapport a été généré	23e22ba4-87b9-4cc2-9770-d10b894b7118
workspace_id	chaîne	ID du workspace auquel cette utilisation était associée	1234567890123456
sku_name	chaîne	Nom du SKU	STANDARD_ALL_PURPOSE_COMPUTE
cloud	chaîne	Cloud associé à cette utilisation. Les valeurs possibles sont AWS, AZURE et GCP.	AWS, AZURE, ou GCP
usage_start_time	Horodatage	L’heure de start pertinente pour cet enregistrement d’utilisation. Les informations de fuseau horaire sont enregistrées à la fin de la valeur, +00:00 représentant le fuseau horaire UTC.	2023-01-09 10:00:00.000+00:00
usage_end_time	Horodatage	L'heure de fin pertinente pour cet enregistrement d'utilisation. Les informations de fuseau horaire sont enregistrées à la fin de la valeur, +00:00 représentant le fuseau horaire UTC.	2023-01-09 11:00:00.000+00:00
usage_date	Date	Date de l’enregistrement d’utilisation, ce champ peut être utilisé pour une agrégation plus rapide par date	2023-01-01
custom_tags	Carte	Balises personnalisées associées à l'enregistrement d'utilisation	{ “env”: “production” }
usage_unit	chaîne	Unité de mesure de cette utilisation	DBU
usage_quantity	décimal	Nombre d'unités consommées pour cet enregistrement	259.2958
usage_metadata	structure	Métadonnées fournies par le système concernant l'utilisation, y compris les ID pour les ressources de compute et les jobs (le cas échéant). Voir Métadonnées d'utilisation.	Consultez les métadonnées d'utilisation
identity_metadata	structure	Métadonnées fournies par le système sur les identités impliquées dans l'utilisation. Consultez les métadonnées d'identité.	Consultez les métadonnées d'identité
record_type	chaîne	Si l'enregistrement est original, une rétractation ou une nouvelle déclaration. La valeur est ORIGINAL sauf si l'enregistrement est lié à une correction. Consultez Type d’enregistrement.	ORIGINAL
ingestion_date	Date	Date d'ingestion de l'enregistrement dans la table usage	2024-01-01
billing_origin_product	chaîne	Le produit qui a généré l'utilisation. Certains produits peuvent être facturés sous la forme de SKU différents. Pour les valeurs possibles, consultez Produit.	JOBS
product_features	structure	Détails sur les fonctionnalités spécifiques du produit utilisées. Consultez les fonctionnalités du produit.	Voir les fonctionnalités du produit
usage_type	chaîne	Le type d'utilisation attribué au produit ou à la charge de travail à des fins de facturation. Les valeurs possibles sont COMPUTE_TIME, STORAGE_SPACE, NETWORK_BYTE, NETWORK_HOUR, API_OPERATION, TOKEN, GPU_TIME ou ANSWER.	STORAGE_SPACE

Référence des métadonnées d'utilisation

Les valeurs de usage_metadata sont toutes des chaînes qui vous informent sur les objets Workspace et les Ressources impliqués dans l'enregistrement d'utilisation.

Seul un sous-ensemble de ces valeurs est renseigné dans chaque enregistrement d'utilisation, en fonction du type de compute et des fonctionnalités utilisées. La troisième colonne dans le tableau montre quels types d'utilisation remplissent chaque valeur.

Valeur	Description	Renseigné pour (sinon null)
cluster_id	ID du cluster associé à l'enregistrement d'utilisation	Utilisation du compute non serverless, y compris les notebooks, les jobs, les Lakeflow Pipelines et la diffusion de modèles hérités
job_id	ID du Job associé à l'enregistrement d'utilisation	Serverless jobs et jobs exécutés sur le compute de job (ne se remplit pas pour les jobs exécutés sur le compute multifonction)
warehouse_id	ID du SQL Warehouse associé à l'enregistrement d'utilisation	Les workloads s'exécutent sur un SQL Warehouse.
instance_pool_id	ID du Pool d'instances associé à l'enregistrement d'utilisation	Utilisation de compute non Serverless à partir de Pool, y compris les Notebook, les Job, les LakeFlow Pipelines et le service de modèles hérité.
node_type	Le type d'instance compute. Ce champ ne fait pas la distinction entre les nœuds Driver et Worker. Voir Type de nœud.	Utilisation de compute non Serverless, y compris les Notebooks, Jobs, Lakeflow Pipelines et tous les SQL Warehouses
job_run_id	ID de l'exécution du job associé à l'enregistrement d'utilisation	Serverless jobs et jobs exécutés sur le compute de job (ne se remplit pas pour les jobs exécutés sur le compute multifonction)
notebook_id	ID du Notebook associé à l'utilisation	Notebooks Serverless
dlt_pipeline_id	ID du pipeline déclaratif associé à l'enregistrement d'utilisation	LakeFlow Pipelines et fonctionnalités utilisant les LakeFlow Pipelines, telles que les vues matérialisées, les tables en ligne, l'indexation AI Search et Lakeflow Connect
endpoint_name	Le nom de l'Endpoint de service de modèle ou de l'Endpoint de recherche IA associé à l'enregistrement d'utilisation	Service de modèle et recherche IA
endpoint_id	ID de l'endpoint de service de modèle ou de l'endpoint de recherche d'IA associé à l'enregistrement d'utilisation	Service de modèle et recherche IA
dlt_update_id	ID de la mise à jour du pipeline associée à l'enregistrement d'utilisation	LakeFlow Pipelines et fonctionnalités utilisant les LakeFlow Pipelines, telles que les vues matérialisées, les tables en ligne, l'indexation AI Search et Lakeflow Connect
dlt_maintenance_id	ID des tâches de maintenance du pipeline associées à l'enregistrement d'utilisation	LakeFlow Pipelines et fonctionnalités utilisant les LakeFlow Pipelines, telles que les vues matérialisées, les tables en ligne, l'indexation AI Search et Lakeflow Connect
metastore_id	ID du metastore associé au stockage par default.	default storage
run_name	Nom affiché pour l'utilisateur de l'exécution d'affinement du modèle de fondation associée à l'enregistrement d'utilisation	Affinement du modèle de fondation
job_name	Nom donné par l'utilisateur du Job associé à l'enregistrement d'utilisation	Les Jobs Serverless et les jobs s'exécutent sur le compute de Job (disponible pour le compute de Job depuis septembre 2025). Non renseigné pour le compute multifonction.
notebook_path	Chemin de stockage du Workspace du Notebook associé à l'utilisation	Les Notebooks s'exécutent sur le compute Serverless
central_clean_room_id	ID de la salle blanche centrale associée à l'enregistrement d'utilisation.	Salles blanches
source_region	Région où le trafic facturé a été généré. Renvoie une valeur uniquement pour l'utilisation liée au réseau.	Mise en réseau
destination_region	Région où le trafic facturé a été reçu. Renvoie une valeur uniquement pour l'utilisation liée au réseau.	Mise en réseau
recipient_id	ID du destinataire OpenSharing associé à l'enregistrement d'utilisation	Mise en réseau : trafic de données sortant vers les destinataires OpenSharing via OpenSharing SecureConnect
associated_product	Le produit qui a Trigger l'utilisation. Par exemple, des frais de NETWORKING peuvent être déclenchés par une connexion à la BASE DE DONNÉES. Ce champ n'est renseigné que lorsque l'utilisation est entièrement attribuable à un produit source en amont.	Mise en réseau
networking_client	Le client qui a entraîné l'utilisation du réseau. Peut être SERVERLESS_WORKLOAD ou EXTERNAL_CLIENT	Mise en réseau
app_id	ID de l'application associée à l'enregistrement d'utilisation	Databricks Apps
app_name	Nom donné par l'utilisateur de l'application associée à l'enregistrement d'utilisation	Databricks Apps
private_endpoint_name	Cette valeur n'est pas renseignée dans Databricks sur AWS	Toujours null sur Databricks sur AWS
budget_policy_id	Obsolète. Utilisez plutôt usage_policy_id. ID de la politique d’utilisation serverless associée à la charge de travail.	Utilisation du compute Serverless, y compris les notebooks, les jobs, les LakeFlow Pipelines et les Endpoints de déploiement de modèles
storage_api_type	Le type d'Opération effectuée sur le stockage default. Les valeurs possibles sont : TIER_1 (PUT, COPY, POST, LIST) et TIER_2 (autres opérations)	default storage
ai_runtime_workload_id	ID de la charge de travail GPU serverless associée à l'enregistrement d'utilisation	AI Runtime charges de travail
uc_table_catalog	Le nom du catalogue Unity Catalog associé à l’enregistrement d’utilisation	Vues matérialisées
uc_table_schema	Le nom du schéma Unity Catalog associé à l’enregistrement d’utilisation	Vues matérialisées
uc_table_name	Le nom de la table Unity Catalog associé à l’enregistrement d’utilisation	Vues matérialisées
database_instance_id	ID de l'instance de base de données associée à l'enregistrement d'utilisation	Instances de base de données Lakebase
sharing_materialization_id	ID de la matérialisation de partage associée à l'enregistrement d'utilisation	Partage de vues, vues matérialisées et tables de streaming à l'aide d'OpenSharing
usage_policy_id	ID de la politique d'utilisation serverless associée à l'enregistrement d'utilisation	Politiques d'utilisation Serverless
agent_bricks_id	ID de la charge de travail Agent Bricks associée à l'enregistrement d'utilisation	Charges de travail Knowledge Assistant Supervisor Agent
base_environment_id	ID de l'environnement de base associé à l'utilisation	Utilisation provenant de la construction ou de l'actualisation de l'environnement de base serverless d'un Workspace. Rempli lorsque billing_origin_product est BASE_ENVIRONMENTS.
schema_id	ID du schéma associé à l'enregistrement d'utilisation	Détection d'anomalies
table_id	ID de la table associé à l'enregistrement d'utilisation	profilage des données

Valeur	Description	Renseigné pour (sinon null)
cluster_id	ID du cluster associé à l'enregistrement d'utilisation	Utilisation du compute non serverless, y compris les notebooks, les jobs, les Lakeflow Pipelines et la diffusion de modèles hérités
job_id	ID du Job associé à l'enregistrement d'utilisation	Serverless jobs et jobs exécutés sur le compute de job (ne se remplit pas pour les jobs exécutés sur le compute multifonction)
warehouse_id	ID du SQL Warehouse associé à l'enregistrement d'utilisation	Les workloads s'exécutent sur un SQL Warehouse.
instance_pool_id	ID du Pool d'instances associé à l'enregistrement d'utilisation	Utilisation de compute non Serverless à partir de Pool, y compris les Notebook, les Job, les LakeFlow Pipelines et le service de modèles hérité.
node_type	Le type d'instance compute. Ce champ ne fait pas la distinction entre les nœuds Driver et Worker. Voir Type de nœud.	Utilisation de compute non Serverless, y compris les Notebooks, Jobs, Lakeflow Pipelines et tous les SQL Warehouses
job_run_id	ID de l'exécution du job associé à l'enregistrement d'utilisation	Serverless jobs et jobs exécutés sur le compute de job (ne se remplit pas pour les jobs exécutés sur le compute multifonction)
notebook_id	ID du Notebook associé à l'utilisation	Notebooks Serverless
dlt_pipeline_id	ID du pipeline déclaratif associé à l'enregistrement d'utilisation	LakeFlow Pipelines et fonctionnalités utilisant les LakeFlow Pipelines, telles que les vues matérialisées, les tables en ligne, l'indexation AI Search et Lakeflow Connect
endpoint_name	Le nom de l'Endpoint de service de modèle ou de l'Endpoint de recherche IA associé à l'enregistrement d'utilisation	Service de modèle et recherche IA
endpoint_id	ID de l'endpoint de service de modèle ou de l'endpoint de recherche d'IA associé à l'enregistrement d'utilisation	Service de modèle et recherche IA
dlt_update_id	ID de la mise à jour du pipeline associée à l'enregistrement d'utilisation	LakeFlow Pipelines et fonctionnalités utilisant les LakeFlow Pipelines, telles que les vues matérialisées, les tables en ligne, l'indexation AI Search et Lakeflow Connect
dlt_maintenance_id	ID des tâches de maintenance du pipeline associées à l'enregistrement d'utilisation	LakeFlow Pipelines et fonctionnalités utilisant les LakeFlow Pipelines, telles que les vues matérialisées, les tables en ligne, l'indexation AI Search et Lakeflow Connect
metastore_id	ID du metastore associé au stockage par default.	default storage
run_name	Nom affiché pour l'utilisateur de l'exécution d'affinement du modèle de fondation associée à l'enregistrement d'utilisation	Affinement du modèle de fondation
job_name	Nom donné par l'utilisateur du Job associé à l'enregistrement d'utilisation	Les Jobs Serverless et les jobs s'exécutent sur le compute de Job (disponible pour le compute de Job depuis septembre 2025). Non renseigné pour le compute multifonction.
notebook_path	Chemin de stockage du Workspace du Notebook associé à l'utilisation	Les Notebooks s'exécutent sur le compute Serverless
central_clean_room_id	ID de la salle blanche centrale associée à l'enregistrement d'utilisation.	Salles blanches
source_region	Région où le trafic facturé a été généré. Renvoie une valeur uniquement pour l'utilisation liée au réseau.	Mise en réseau
destination_region	Région où le trafic facturé a été reçu. Renvoie une valeur uniquement pour l'utilisation liée au réseau.	Mise en réseau
recipient_id	ID du destinataire OpenSharing associé à l'enregistrement d'utilisation	Mise en réseau : trafic de données sortant vers les destinataires OpenSharing via OpenSharing SecureConnect
associated_product	Le produit qui a Trigger l'utilisation. Par exemple, des frais de NETWORKING peuvent être déclenchés par une connexion à la BASE DE DONNÉES. Ce champ n'est renseigné que lorsque l'utilisation est entièrement attribuable à un produit source en amont.	Mise en réseau
networking_client	Le client qui a entraîné l'utilisation du réseau. Peut être SERVERLESS_WORKLOAD ou EXTERNAL_CLIENT	Mise en réseau
app_id	ID de l'application associée à l'enregistrement d'utilisation	Databricks Apps
app_name	Nom donné par l'utilisateur de l'application associée à l'enregistrement d'utilisation	Databricks Apps
private_endpoint_name	Cette valeur n'est pas renseignée dans Databricks sur AWS	Toujours null sur Databricks sur AWS
budget_policy_id	Obsolète. Utilisez plutôt usage_policy_id. ID de la politique d’utilisation serverless associée à la charge de travail.	Utilisation du compute Serverless, y compris les notebooks, les jobs, les LakeFlow Pipelines et les Endpoints de déploiement de modèles
storage_api_type	Le type d'Opération effectuée sur le stockage default. Les valeurs possibles sont : TIER_1 (PUT, COPY, POST, LIST) et TIER_2 (autres opérations)	default storage
ai_runtime_workload_id	ID de la charge de travail GPU serverless associée à l'enregistrement d'utilisation	AI Runtime charges de travail
uc_table_catalog	Le nom du catalogue Unity Catalog associé à l’enregistrement d’utilisation	Vues matérialisées
uc_table_schema	Le nom du schéma Unity Catalog associé à l’enregistrement d’utilisation	Vues matérialisées
uc_table_name	Le nom de la table Unity Catalog associé à l’enregistrement d’utilisation	Vues matérialisées
database_instance_id	ID de l'instance de base de données associée à l'enregistrement d'utilisation	Instances de base de données Lakebase
sharing_materialization_id	ID de la matérialisation de partage associée à l'enregistrement d'utilisation	Partage de vues, vues matérialisées et tables de streaming à l'aide d'OpenSharing
usage_policy_id	ID de la politique d'utilisation serverless associée à l'enregistrement d'utilisation	Politiques d'utilisation Serverless
agent_bricks_id	ID de la charge de travail Agent Bricks associée à l'enregistrement d'utilisation	Charges de travail Knowledge Assistant Supervisor Agent
base_environment_id	ID de l'environnement de base associé à l'utilisation	Utilisation provenant de la construction ou de l'actualisation de l'environnement de base serverless d'un Workspace. Rempli lorsque billing_origin_product est BASE_ENVIRONMENTS.
schema_id	ID du schéma associé à l'enregistrement d'utilisation	Détection d'anomalies
table_id	ID de la table associé à l'enregistrement d'utilisation	profilage des données

Type de nœud

Lorsqu'un driver et des workers de ressources compute classiques utilisent le même type d'instance, leur utilisation est combinée en un seul enregistrement. Lorsque les nœuds driver et worker du compute utilisent des types d'instances différents, leur utilisation apparaît sous forme d'enregistrements distincts : un pour le type d'instance du driver et un pour celui du worker.

Pour attribuer l'utilisation à un rôle de nœud spécifique, vous pouvez recouper usage_metadata.cluster_id dans la table d'utilisation avec les données des tables système du compute. La table system.compute.clusters enregistre les driver_node_type et worker_node_type de chaque cluster, et la table system.compute.node_timeline inclut une colonne booléenne driver qui identifie le rôle de chaque nœud.

Référence des métadonnées d'identité

La colonne identity_metadata fournit plus d'informations sur les identités impliquées dans l'utilisation.

• Le champ run_as Logs qui a exécuté la charge de travail. Voir le tableau suivant pour savoir comment cette valeur est renseignée pour chaque type de charge de travail.

• Le champ owned_by ne s'applique qu'à l'utilisation des SQL Warehouse et logs l'utilisateur ou le Service Principal propriétaire du SQL Warehouse responsable de l'utilisation.

• Le champ created_by s'applique aux Databricks Apps, Knowledge Assistant et Agent superviseur. Le champ Logs l'e-mail de l'utilisateur qui a créé l'application ou l'agent.

identités run_as

L'identité enregistrée dans identity_metadata.run_as dépend du produit associé à l'utilisation. Reportez-vous au tableau suivant pour le comportement identity_metadata.run_as :

Type de Workload	Identité de run_as
Jobs compute	L'utilisateur ou le Service Principal défini dans le paramètre run_as. Par default, les Jobs s'exécutent avec l'identité du propriétaire du Job, mais les administrateurs peuvent modifier cela pour qu'il s'agisse d'un autre utilisateur ou Service Principal.
Serverless compute pour les jobs	L'utilisateur ou le Service Principal défini dans le paramètre run_as. Par default, les Jobs s'exécutent avec l'identité du propriétaire du Job, mais les administrateurs peuvent modifier cela pour qu'il s'agisse d'un autre utilisateur ou Service Principal.
Compute serverless pour les Notebooks	L’utilisateur qui a exécuté les commandes du Notebook (plus précisément, l’utilisateur qui a créé la session du Notebook). Pour les Notebooks partagés, cela inclut l’utilisation par d’autres utilisateurs partageant la même session de Notebook.
Compute polyvalent	L'identité qui a créé la ressource de compute. Ce n'est pas nécessairement le propriétaire du compute. Pour attribuer l'utilisation au propriétaire, joignez-vous à system.compute.clusters.owned_by en utilisant usage_metadata.cluster_id.
LakeFlow Pipelines	L'utilisateur ou le Service Principal dont les autorisations sont utilisées pour exécuter le pipeline. Cela peut être modifié en transférant la propriété du pipeline.
Affinement du modèle de fondation	L'utilisateur ou le Service Principal qui a lancé l'exécution d'entraînement de l'affinement.
Optimisation prédictive	Le service principal appartenant à Databricks qui exécute les opérations d'optimisation prédictive.
Contrôle qualité des données	L'utilisateur qui a créé le profil.

Type de Workload	Identité de run_as
Jobs compute	L'utilisateur ou le Service Principal défini dans le paramètre run_as. Par default, les Jobs s'exécutent avec l'identité du propriétaire du Job, mais les administrateurs peuvent modifier cela pour qu'il s'agisse d'un autre utilisateur ou Service Principal.
Serverless compute pour les jobs	L'utilisateur ou le Service Principal défini dans le paramètre run_as. Par default, les Jobs s'exécutent avec l'identité du propriétaire du Job, mais les administrateurs peuvent modifier cela pour qu'il s'agisse d'un autre utilisateur ou Service Principal.
Compute serverless pour les Notebooks	L’utilisateur qui a exécuté les commandes du Notebook (plus précisément, l’utilisateur qui a créé la session du Notebook). Pour les Notebooks partagés, cela inclut l’utilisation par d’autres utilisateurs partageant la même session de Notebook.
Compute polyvalent	L'identité qui a créé la ressource de compute. Ce n'est pas nécessairement le propriétaire du compute. Pour attribuer l'utilisation au propriétaire, joignez-vous à system.compute.clusters.owned_by en utilisant usage_metadata.cluster_id.
LakeFlow Pipelines	L'utilisateur ou le Service Principal dont les autorisations sont utilisées pour exécuter le pipeline. Cela peut être modifié en transférant la propriété du pipeline.
Affinement du modèle de fondation	L'utilisateur ou le Service Principal qui a lancé l'exécution d'entraînement de l'affinement.
Optimisation prédictive	Le service principal appartenant à Databricks qui exécute les opérations d'optimisation prédictive.
Contrôle qualité des données	L'utilisateur qui a créé le profil.

remarque

Dans les workspaces activés pour la norme de conformité FedRamp, toutes les valeurs non nulles de la colonne identity_metadata seront remplacées par __REDACTED__.

Référence de type d'enregistrement

La table billing.usage prend en charge les corrections. Des corrections ont lieu lorsqu'un champ de l'enregistrement d'utilisation est incorrect et doit être corrigé.

Lorsqu'une correction se produit, Databricks ajoute deux nouveaux enregistrements à la table. Un enregistrement de rétractation annule l'enregistrement incorrect original, puis un enregistrement de rectification inclut les informations corrigées. Les enregistrements de correction sont identifiés à l'aide du champ record_type :

• RETRACTION: Sert à annuler l'utilisation incorrecte originale. Tous les champs sont identiques à l'enregistrement ORIGINAL à l'exception de usage_quantity, qui est une valeur négative qui annule la quantité d'utilisation originale. Par exemple, si la quantité d'utilisation de l'enregistrement original était 259.4356, l'enregistrement de rétractation aurait une quantité d'utilisation de -259.4356.
• RESTATEMENT: L'enregistrement qui inclut les champs corrects et la quantité d'utilisation.

Par exemple, la query suivante renvoie la quantité d'utilisation horaire correcte liée à un job_id, même si des corrections ont été apportées. En agrégeant la quantité d'utilisation, l'enregistrement de rétractation annule l'enregistrement original et seules les valeurs de la nouvelle déclaration sont renvoyées.

SQL

SELECT
  usage_metadata.job_id, usage_start_time, usage_end_time,
  SUM(usage_quantity) as usage_quantity
FROM system.billing.usage
GROUP BY ALL
HAVING usage_quantity != 0

remarque

Pour les corrections où l'enregistrement d'utilisation d'origine n'aurait pas dû être écrit, une correction ne peut qu'ajouter un enregistrement de rétractation et aucun enregistrement de redéclaration.

Référence du produit d'origine de facturation

Certains produits Databricks sont facturés sous la même SKU partagée. Par exemple, le monitoring de la qualité des données, l'optimisation prédictive et les workflows Serverless sont tous facturés sous la même SKU de Jobs Serverless.

Pour vous aider à différencier l'utilisation, les colonnes billing_origin_product et product_features fournissent plus d'informations sur le produit et les fonctionnalités spécifiques associés à l'utilisation.

La colonne billing_origin_product indique le produit Databricks associé à l'enregistrement d'utilisation. Les valeurs incluent :

Valeur	Description
JOBS	Coûts associés aux charges de travail Lakeflow Jobs
DLT	Coûts associés aux charges de travail des LakeFlow Pipelines
SQL	Coûts associés à Databricks SQL, y compris les charges de travail exécutées sur des SQL warehouses et les vues matérialisées
ALL_PURPOSE	Coûts associés au compute classique polyvalent
MODEL_SERVING	Coûts associés au Model Serving
INTERACTIVE	Coûts associés aux charges de travail interactives serverless
DEFAULT_STORAGE	Coûts associés au default storage
VECTOR_SEARCH	Coûts associés à la Recherche IA
LAKEHOUSE_MONITORING	Coûts associés au Contrôle qualité des données
PREDICTIVE_OPTIMIZATION	Coûts associés à l'optimisation prédictive
ONLINE_TABLES	Coûts associés aux tables en ligne (Hérité)
FOUNDATION_MODEL_TRAINING	Coûts associés à l'affinement de modèle de fondation
AGENT_EVALUATION	Coûts associés à l'évaluation des agents
FINE_GRAINED_ACCESS_CONTROL	Utilisation Serverless à partir d'un contrôle d'accès précis sur un compute dédié
EXTERNAL_COMPATIBILITY	Utilisation Serverless de l'ABAC inter-moteur
BASE_ENVIRONMENTS	Utilisation associée à la création ou à l’actualisation de l’ environnement de base Serverlessd’un Workspace
DATA_CLASSIFICATION	Coûts associés aux opérations de classification des données
DATA_QUALITY_MONITORING	Coûts associés au monitoring de la qualité des données, y compris la détection d'anomalies et le profilage des données
DATA_SHARING	Coûts associés à OpenSharing
AI_GATEWAY	Coûts associés à l'AI Gateway utilisation
AI_RUNTIME	Coûts associés aux charges de travail GPU Serverless
NETWORKING	Coûts associés à la connexion du compute serverless à vos ressources, et à l'égression vers les clients pour les produits gourmands en performances.
APPS	Coûts associés à la création et à l'exécution de Databricks Apps
DATABASE	Coûts associés aux instances de base de données Lakebase provisionnées
LAKEBASE	Coûts associés à Lakebase Postgres
AI_FUNCTIONS	Coûts associés à l'utilisation des AI Functions. Ce produit enregistre l'utilisation pour AI_PARSE_DOCUMENT, AI_EXTRACT, AI_CLASSIFY.
AGENT_BRICKS	Coûts associés aux charges de travail Knowledge Assistant Agent Superviseur
CLEAN_ROOM	Coûts associés aux charges de travail des Clean Rooms.
LAKEFLOW_CONNECT	Coûts associés aux connecteurs gérés Lakeflow Connect

Valeur	Description
JOBS	Coûts associés aux charges de travail Lakeflow Jobs
DLT	Coûts associés aux charges de travail des LakeFlow Pipelines
SQL	Coûts associés à Databricks SQL, y compris les charges de travail exécutées sur des SQL warehouses et les vues matérialisées
ALL_PURPOSE	Coûts associés au compute classique polyvalent
MODEL_SERVING	Coûts associés au Model Serving
INTERACTIVE	Coûts associés aux charges de travail interactives serverless
DEFAULT_STORAGE	Coûts associés au default storage
VECTOR_SEARCH	Coûts associés à la Recherche IA
LAKEHOUSE_MONITORING	Coûts associés au Contrôle qualité des données
PREDICTIVE_OPTIMIZATION	Coûts associés à l'optimisation prédictive
ONLINE_TABLES	Coûts associés aux tables en ligne (Hérité)
FOUNDATION_MODEL_TRAINING	Coûts associés à l'affinement de modèle de fondation
AGENT_EVALUATION	Coûts associés à l'évaluation des agents
FINE_GRAINED_ACCESS_CONTROL	Utilisation Serverless à partir d'un contrôle d'accès précis sur un compute dédié
EXTERNAL_COMPATIBILITY	Utilisation Serverless de l'ABAC inter-moteur
BASE_ENVIRONMENTS	Utilisation associée à la création ou à l’actualisation de l’ environnement de base Serverlessd’un Workspace
DATA_CLASSIFICATION	Coûts associés aux opérations de classification des données
DATA_QUALITY_MONITORING	Coûts associés au monitoring de la qualité des données, y compris la détection d'anomalies et le profilage des données
DATA_SHARING	Coûts associés à OpenSharing
AI_GATEWAY	Coûts associés à l'AI Gateway utilisation
AI_RUNTIME	Coûts associés aux charges de travail GPU Serverless
NETWORKING	Coûts associés à la connexion du compute serverless à vos ressources, et à l'égression vers les clients pour les produits gourmands en performances.
APPS	Coûts associés à la création et à l'exécution de Databricks Apps
DATABASE	Coûts associés aux instances de base de données Lakebase provisionnées
LAKEBASE	Coûts associés à Lakebase Postgres
AI_FUNCTIONS	Coûts associés à l'utilisation des AI Functions. Ce produit enregistre l'utilisation pour AI_PARSE_DOCUMENT, AI_EXTRACT, AI_CLASSIFY.
AGENT_BRICKS	Coûts associés aux charges de travail Knowledge Assistant Agent Superviseur
CLEAN_ROOM	Coûts associés aux charges de travail des Clean Rooms.
LAKEFLOW_CONNECT	Coûts associés aux connecteurs gérés Lakeflow Connect

Référence des fonctionnalités du produit

La colonne product_features est un objet contenant des informations sur les fonctionnalités spécifiques du produit utilisées et comprend les paires clé/valeur suivantes :

Champ	Description
jobs_tier	Les valeurs incluent LIGHT, CLASSIC, ou null
sql_tier	Les valeurs incluent CLASSIC, PRO, ou null
dlt_tier	Les valeurs incluent CORE, PRO, ADVANCED ou null
is_serverless	Les valeurs incluent true ou false, ou null (la valeur est true ou false lorsque vous pouvez choisir entre Serverless et le compute classique, sinon c'est null)
is_photon	Les valeurs incluent true ou false, ou null
serving_type	Les valeurs possibles sont MODEL, GPU_MODEL, FOUNDATION_MODEL ou FEATURE null
offering_type	Les valeurs incluent BATCH_INFERENCE ou null
performance_target	Indique le mode de performance du Job Serverless ou du pipeline. Les valeurs comprennent PERFORMANCE_OPTIMIZED, STANDARD, ou null. Les workloads non-Serverless ont une valeur null.
ai_runtime.compute_type	Indique le type de compute pour les charges de travail GPU serverless ou null
model_serving.offering_type	Indique le type d'offre pour la mise à disposition de modèles ou null
ai_gateway.feature_type	Indique le type de fonctionnalité pour les charges de travail AI Gateway ou null
serverless_gpu.workload_type	Indique le type de charge de travail pour AI Runtime (GPU serverless) ou null
ai_functions.ai_function	Indique le type de fonction IA ou null
networking.connectivity_type	Les valeurs incluent PUBLIC_IP et PRIVATE_IP
agent_bricks.problem_type	Indique le type de problème pour les charges de travail de l'Assistant de connaissances. Les valeurs incluent AGENT_BRICKS_KNOWLEDGE_ASSISTANT ou null.
agent_bricks.workload_type	Indique le type de charge de travail pour Knowledge Assistant . Les valeurs incluent AGENT_BRICKS_REAL_TIME_INFERENCE ou null

Champ	Description
jobs_tier	Les valeurs incluent LIGHT, CLASSIC, ou null
sql_tier	Les valeurs incluent CLASSIC, PRO, ou null
dlt_tier	Les valeurs incluent CORE, PRO, ADVANCED ou null
is_serverless	Les valeurs incluent true ou false, ou null (la valeur est true ou false lorsque vous pouvez choisir entre Serverless et le compute classique, sinon c'est null)
is_photon	Les valeurs incluent true ou false, ou null
serving_type	Les valeurs possibles sont MODEL, GPU_MODEL, FOUNDATION_MODEL ou FEATURE null
offering_type	Les valeurs incluent BATCH_INFERENCE ou null
performance_target	Indique le mode de performance du Job Serverless ou du pipeline. Les valeurs comprennent PERFORMANCE_OPTIMIZED, STANDARD, ou null. Les workloads non-Serverless ont une valeur null.
ai_runtime.compute_type	Indique le type de compute pour les charges de travail GPU serverless ou null
model_serving.offering_type	Indique le type d'offre pour la mise à disposition de modèles ou null
ai_gateway.feature_type	Indique le type de fonctionnalité pour les charges de travail AI Gateway ou null
serverless_gpu.workload_type	Indique le type de charge de travail pour AI Runtime (GPU serverless) ou null
ai_functions.ai_function	Indique le type de fonction IA ou null
networking.connectivity_type	Les valeurs incluent PUBLIC_IP et PRIVATE_IP
agent_bricks.problem_type	Indique le type de problème pour les charges de travail de l'Assistant de connaissances. Les valeurs incluent AGENT_BRICKS_KNOWLEDGE_ASSISTANT ou null.
agent_bricks.workload_type	Indique le type de charge de travail pour Knowledge Assistant . Les valeurs incluent AGENT_BRICKS_REAL_TIME_INFERENCE ou null