Referência da tabela do sistema de uso faturável

Este artigo fornece uma visão geral da tabela do sistema de uso faturável, incluindo o esquema e exemplos de consultas. Com as tabelas do sistema, os dados de uso faturável do seu account são centralizados e roteados para todas as regiões, de modo que o senhor pode view o uso global do seu account de qualquer região em que o workspace esteja.

Para obter informações sobre como usar essa tabela para monitorar custos e consultas de amostra, consulte Monitorar custos usando tabelas do sistema.

Caminho da tabela : Essa tabela do sistema está localizada em system.billing.usage.

Esquema da tabela de uso faturável

A tabela do sistema de uso faturável usa o seguinte esquema:

Nome da coluna	Tipo de dados	Descrição	Exemplo
record_id	string	ID exclusivo para esse registro de uso	11e22ba4-87b9-4cc2-9770-d10b894b7118
account_id	string	ID do site account para o qual esse relatório foi gerado	23e22ba4-87b9-4cc2-9770-d10b894b7118
workspace_id	string	ID do site workspace ao qual esse uso estava associado	1234567890123456
sku_name	string	Nome da SKU	STANDARD_ALL_PURPOSE_COMPUTE
cloud	string	Nuvem associada a esse uso. Os valores possíveis são AWS, AZURE e GCP.	AWS, AZURE ou GCP
usage_start_time	carimbo de data/hora	O tempo de início relevante para esse registro de uso. As informações de fuso horário são registradas no final do valor com +00:00 representando o fuso horário UTC.	2023-01-09 10:00:00.000+00:00
usage_end_time	carimbo de data/hora	A hora de término relevante para esse registro de uso. As informações de fuso horário são registradas no final do valor com +00:00 representando o fuso horário UTC.	2023-01-09 11:00:00.000+00:00
usage_date	Data	Data do registro de uso, esse campo pode ser usado para agregar mais rapidamente por data	2023-01-01
custom_tags	map	Tags personalizadas associadas ao registro de uso	{ “env”: “production” }
usage_unit	string	Unidade em que esse uso é medido	DBU
usage_quantity	Decimal	Número de unidades consumidas para esse registro	259.2958
usage_metadata	struct	Metadados fornecidos pelo sistema sobre o uso, incluindo IDs para compute recurso e Job (se aplicável). Consulte Metadados de uso.	Consulte Metadados de uso
identity_metadata	struct	Metadados fornecidos pelo sistema sobre as identidades envolvidas no uso. Consulte Metadados de identidade.	Consulte Metadados de identidade
record_type	string	Se o registro é original, uma retratação ou uma reformulação. O valor é ORIGINAL, a menos que o registro esteja relacionado a uma correção. Consulte Tipo de registro.	ORIGINAL
ingestion_date	Data	Data em que o registro foi inserido na tabela usage	2024-01-01
billing_origin_product	string	O produto que originou o uso. Alguns produtos podem ser faturados como SKUs diferentes. Para obter os valores possíveis, consulte produto.	JOBS
product_features	struct	Detalhes sobre o produto recurso específico usado. Ver produto recurso.	Ver produto recurso
usage_type	string	O tipo de uso atribuído ao produto ou à carga de trabalho para fins de faturamento. Os valores possíveis são COMPUTE_TIME, STORAGE_SPACE, NETWORK_BYTE, NETWORK_HOUR, API_OPERATION, TOKEN ou GPU_TIME.	STORAGE_SPACE

Referência de metadados de uso

Os valores em usage_metadata são todos strings que informam sobre os objetos workspace e os recursos envolvidos no registro de uso.

Apenas um subconjunto desses valores é preenchido em um determinado registro de uso, dependendo do tipo de compute e do recurso usado. A terceira coluna da tabela mostra quais tipos de uso fazem com que cada valor seja preenchido.

Valor	Descrição	Preenchido para (caso contrário, null)
cluster_id	ID do clustering associado ao registro de uso	Nãoserverless compute uso, incluindo Notebook, Job, LakeFlow Declarative pipeline e legacy servindo modelo
job_id	ID do trabalho associado ao registro de uso	Trabalho sem servidor e execução de trabalho no site compute (não é preenchido para execução de trabalho no site compute)
warehouse_id	ID do site SQL warehouse associado ao registro de uso	Execução de cargas de trabalho em um SQL warehouse
instance_pool_id	ID do pool de instâncias associado ao registro de uso	Nãoserverless compute uso do pool, incluindo Notebook, Job, LakeFlow Declarative pipeline e modelo de serviço legado
node_type	O tipo de instância do recurso compute	Nãoserverless compute uso, incluindo Notebook, Job, LakeFlow Declarative pipeline e todos os SQL warehouse
job_run_id	ID da execução do trabalho associado ao registro de uso	Trabalho sem servidor e execução de trabalho no site compute (não é preenchido para execução de trabalho no site compute)
notebook_id	ID do Notebook associado ao uso	Notebook sem servidor
dlt_pipeline_id	ID do pipeline declarativo associado ao registro de uso	LakeFlow Pipeline declarativo e recurso que usam LakeFlow Pipeline declarativo, como visualização materializada, tabelas on-line, indexação de pesquisa vetorial e LakeFlow Connect
endpoint_name	O nome do modelo de serviço endpoint ou pesquisa vetorial endpoint associado ao registro de uso	servindo modelo e Vector Search
endpoint_id	ID do modelo de serviço endpoint ou pesquisa vetorial endpoint associado ao registro de uso	servindo modelo e Vector Search
dlt_update_id	ID da atualização do pipeline associada ao registro de uso	LakeFlow Pipeline declarativo e recurso que usam LakeFlow Pipeline declarativo, como visualização materializada, tabelas on-line, indexação de pesquisa vetorial e LakeFlow Connect
dlt_maintenance_id	ID da tarefa de manutenção do site pipeline associada ao registro de uso	LakeFlow Pipeline declarativo e recurso que usam LakeFlow Pipeline declarativo, como visualização materializada, tabelas on-line, indexação de pesquisa vetorial e LakeFlow Connect
metastore_id	ID do metastore associado ao armazenamento default	armazenamento padrão
run_name	Nome exclusivo para o usuário da execução do ajuste fino do modelo básico associado ao registro de utilização	Ajuste fino do modelo básico
job_name	Nome dado pelo usuário do trabalho associado ao registro de uso	Job sem servidor e execução de Job no Job compute (preenchido para Job compute desde setembro de 2025). Não preenchido para compute geral.
notebook_path	caminho de armazenamento do espaço de trabalho do Notebook associado ao uso	Execução do notebook em serverless compute
central_clean_room_id	ID da sala limpa central associada ao registro de uso	Clean Rooms
source_region	Região de origem do tráfego faturado. Retorna um valor apenas para uso relacionado à rede d serverless.	rede sem servidor
destination_region	Região onde o tráfego faturado foi recebido. Retorna um valor apenas para uso relacionado à rede d serverless.	rede sem servidor
app_id	ID do aplicativo associado ao registro de uso	Databricks Apps
app_name	Nome dado pelo usuário do aplicativo associado ao registro de uso	Databricks Apps
private_endpoint_name	Esse valor não é preenchido no Databricks on AWS	Sempre null no Databricks on AWS
budget_policy_id	ID da política orçamentária serverless anexada à carga de trabalho	uso do serverless compute, incluindo Notebook, Job, LakeFlow Declarative pipeline e endpoint servindo modelo
storage_api_type	O tipo de operações realizadas no armazenamento default . Os valores possíveis são TIER_1 (PUT, COPY, POST, LIST) e TIER_2 (outras operações).	armazenamento padrão
ai_runtime_workload_id	ID da carga de trabalho de GPU serverless associada ao registro de uso	cargas de trabalho de GPU sem servidor
uc_table_catalog	O nome do catálogo Unity Catalog associado ao registro de uso.	Visualizações materializadas
uc_table_schema	O nome do esquema Unity Catalog associado ao registro de uso.	Visualizações materializadas
uc_table_name	O nome da tabela Unity Catalog associada ao registro de uso.	Visualizações materializadas
database_instance_id	ID da instância do banco de dados associada ao registro de uso.	Instâncias de banco de dados Lakebase
sharing_materialization_id	ID da materialização de compartilhamento associada ao registro de uso	visualizar tabelas de compartilhamento, visualização materializada e transmissão usando Delta Sharing
usage_policy_id	ID da política de uso associada ao registro de uso	Políticas de utilização
agent_bricks_id	ID da carga de trabalho do agente associada ao registro de uso	Cargas de trabalho do Agent Bricks
base_environment_id	ID do ambiente base associado ao uso	Uso da criação ou atualização do ambiente base serverless de um workspace. Preenchido quando billing_origin_product é BASE_ENVIRONMENTS.

Referência de metadados de identidade

A coluna identity_metadata fornece mais informações sobre as identidades envolvidas no uso.

• O campo run_as logs que executa a carga de trabalho. Esses valores são preenchidos apenas para determinados tipos de carga de trabalho listados na tabela abaixo.

• O campo owned_by aplica-se apenas ao uso SQL warehouse e logs ao usuário ou entidade de serviço que possui o SQL warehouse responsável pelo uso.

• O campo created_by se aplica aos aplicativos Databricks e logs ao email do usuário que criou o aplicativo.

identidades de execução

A identidade registrada em identity_metadata.run_as depende do produto associado ao uso. Consulte a tabela a seguir para ver o comportamento identity_metadata.run_as:

Tipo de carga de trabalho	Identidade de run_as
Empregos compute	O usuário ou entidade de serviço definido na configuração run_as. Em default, a execução do trabalho é a identidade do proprietário do trabalho, mas os administradores podem alterá-la para outro usuário ou entidade de serviço.
sem servidor compute para o trabalho	O usuário ou entidade de serviço definido na configuração run_as. Em default, a execução do trabalho é a identidade do proprietário do trabalho, mas os administradores podem alterá-la para outro usuário ou entidade de serviço.
Compute serverless para notebooks	O usuário que executou o comando do Notebook (especificamente, o usuário que criou a sessão do Notebook). Para o Notebook compartilhado, isso inclui o uso por outros usuários que compartilham a mesma sessão do Notebook.
Pipelines Declarativos do LakeFlow	O usuário ou entidade de serviço cujas permissões são usadas para executar o pipeline. Isso pode ser alterado com a transferência da propriedade do pipeline.
Ajuste fino do modelo básico	O usuário ou a entidade de serviço que iniciou a execução do treinamento de ajuste fino.
Otimização preditiva	A Databricks- entidade de serviço de propriedade do senhor que executa operações de otimização preditiva.
Qualidade de dados	O usuário que criou o perfil.

nota

No espaço de trabalho habilitado para o padrão FedRamp compliance, todos os valores não nulos na coluna identity_metadata serão substituídos por __REDACTED__.

Referência do tipo de registro

A tabela billing.usage suporta correções. As correções ocorrem quando qualquer campo do registro de uso está incorreto e deve ser corrigido.

Quando ocorre uma correção, o Databricks adiciona dois novos registros à tabela. Um registro de retratação nega o registro incorreto original e, em seguida, um registro de reafirmação inclui as informações corrigidas. Os registros de correção são identificados usando o campo record_type:

• RETRACTION: usado para negar o uso incorreto original. Todos os campos são idênticos ao registro ORIGINAL, exceto usage_quantity, que é um valor negativo que cancela a quantidade de uso original. Por exemplo, se a quantidade de uso do registro original fosse 259.4356, o registro de retração teria uma quantidade de uso de -259.4356.
• RESTATEMENT: o registro que inclui os campos e a quantidade de uso corretos.

Por exemplo, a consulta a seguir retorna a quantidade correta de uso por hora relacionada a um job_id, mesmo que tenham sido feitas correções. Ao agregar a quantidade de uso, o registro de retração nega o registro original e somente os valores da atualização são retornados.

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

nota

Para correções em que o registro de uso original não deveria ter sido escrito, uma correção só pode adicionar um registro de retração e nenhum registro de atualização.

Referência do produto de origem do faturamento

Alguns produtos Databricks são faturados sob o mesmo SKU compartilhado. Por exemplo, monitoramento da qualidade dos dados, otimização preditiva e fluxo de trabalho serverless são todos cobrados sob o mesmo SKU de trabalho serverless .

Para ajudar o senhor a diferenciar o uso, as colunas billing_origin_product e product_features fornecem mais entendimento sobre o produto e o recurso específicos associados ao uso.

A coluna billing_origin_product mostra o produto Databricks associado ao registro de uso. Os valores incluem:

Valor	Descrição
JOBS	Custos associados às cargas de trabalho LakeFlow Jobs
DLT	Custos associados às cargas de trabalho do pipeline declarativoLakeFlow
SQL	Custos associados ao Databricks SQL, incluindo a execução de cargas de trabalho no SQL Warehouse e na visualização materializada.
ALL_PURPOSE	Custos associados à computeclássica de uso geral
MODEL_SERVING	Custos associados à Mosaic AI Model Serving
INTERACTIVE	Custos associados a cargas de trabalho interativasserverless
DEFAULT_STORAGE	Custos associados ao armazenamentodefault
VECTOR_SEARCH	Custos associados à Busca Vetorial
LAKEHOUSE_MONITORING	Custos associados ao monitoramento da qualidade dos dados
PREDICTIVE_OPTIMIZATION	Custos associados à otimização preditiva
ONLINE_TABLES	Custos associados a tabelas online (Legado)
FOUNDATION_MODEL_TRAINING	Custos associados ao ajuste fino do modelo Foundation
AGENT_EVALUATION	Custos associados à avaliação de agentes
FINE_GRAINED_ACCESS_CONTROL	Utilização sem servidor a partir de controle de acesso granular em computededicada.
BASE_ENVIRONMENTS	Uso associado à criação ou atualização do ambiente baseserverlessde um workspace
DATA_CLASSIFICATION	Custos associados às operações de classificação de dados
AI_GATEWAY	Custos associados à utilização do AI Gateway
AI_RUNTIME	Custos associados a cargas de trabalho de GPU serverless
NETWORKING	Custos associados à conexão compute serverless ao seu recurso
APPS	Custos associados à criação e operação de aplicativos Databricks
DATABASE	Custos associados às instâncias do banco de dados Lakebase

produto recurso referência

A coluna product_features é um objeto que contém informações sobre o produto recurso específico usado e inclui o seguinte par key-value:

campo	Descrição
jobs_tier	Os valores incluem LIGHT, CLASSIC ou null
sql_tier	Os valores incluem CLASSIC, PRO ou null
dlt_tier	Os valores incluem CORE, PRO, ADVANCED ou null
is_serverless	Os valores incluem true ou false ou null (o valor é true ou false quando você pode escolher entre computação serverless e compute clássica, caso contrário é null)
is_photon	Os valores incluem true ou false, ou null
serving_type	Os valores incluem MODEL, GPU_MODEL, FOUNDATION_MODEL, FEATURE ou null
offering_type	Os valores incluem BATCH_INFERENCE ou null
performance_target	Indica o modo de desempenho do Job ou pipeline serverless . Os valores incluem PERFORMANCE_OPTIMIZED, STANDARD ou null. As cargas de trabalho não serverless têm um valor null .
ai_runtime.compute_type	Indica o tipo compute para cargas de trabalho de GPU serverless ou null
model_serving.offering_type	Indica o tipo de oferta para servir modelo ou null
ai_gateway.feature_type	Indica o tipo de recurso para cargas de trabalho do AI Gateway ou null
serverless_gpu.workload_type	Indica o tipo de carga de trabalho para compute de GPU serverless ou null
ai_functions.ai_function	Indica o tipo de função AI ou null
networking.connectivity_type	Os valores incluem PUBLIC_IP e PRIVATE_IP
agent_bricks.problem_type	Indica o tipo de problema para cargas de trabalho do Agent Bricks ou null
agent_bricks.workload_type	Indica o tipo de carga de trabalho para Agent Bricks ou null