白杨商业智能工作室
#技术分享#Power BI#最佳实践

Fabric数据保护终于不靠猜

· 白杨BI工作室

在 Power BI 里做敏感数据保护,你是不是也经历过这些: - 明明设了行级安全,导出到 Excel 就全裸奔了 - 报表发布到 Workspace,同事一复制数据就走漏了

Fabric数据保护终于不靠猜

在 Power BI 里做敏感数据保护,你是不是也经历过这些:

  • 明明设了行级安全,导出到 Excel 就全裸奔了
  • 报表发布到 Workspace,同事一复制数据就走漏了
  • 想给不同部门看不同字段,只能硬生生做多个报表

这些痛点的根源,在于 Power BI 本身的安全机制只覆盖报表层,一旦数据离开报表,就管不住了。

而 Microsoft Fabric 的出现,把数据保护提升到了新的高度——通过 Purview 信息保护策略,你可以直接在 Fabric 的数据源头上做敏感度标记和权限控制,让数据从源头到消费端全程受控。

今天我们就来拆解 Fabric 中的 Purview 保护策略,看看它到底怎么用,能解决哪些实际问题。

为什么说 Purview 策略是 Fabric 的“安全地基” 🛡️

在 Fabric 中,数据不是孤立的,它可能被用于湖仓、数据集、报表、甚至 AI 模型。如果只在报表层做安全控制,数据一旦被复制或导出,就失去了保护。

Purview 保护策略的核心思路是:给数据本身打上敏感度标签,并附加权限策略。这样,无论数据流转到哪里,标签和策略都会跟随,持续生效。

这就好比给文件盖了“机密”章,不管它被复印、转发还是上传,接收方都能看到标识,并受相应权限约束。

Fabric 中 Purview 策略的三种主要类型 📋

根据官方文档和社区实践,Fabric 里常用的 Purview 策略主要有三种:

  • 敏感度标签策略:自动或手动给数据项(如表、列、文件)打上“公开/内部/机密/高度机密”等标签
  • 数据丢失防护(DLP)策略:监控并阻止敏感数据被异常传输或导出
  • 访问控制策略:基于标签对数据的访问权限进行限制,比如“机密”数据只能由特定安全组访问

这三种策略可以组合使用,形成纵深防御。

实操:如何在 Fabric 中配置 Purview 策略 🔧

配置过程并不复杂,但需要先具备一些前置条件:

  1. 确保你的组织有 Purview 信息保护许可证(通常包含在 M365 E5 或合规版中)
  2. 在 Microsoft Purview 门户中创建好敏感度标签,并发布到 Fabric 租户
  3. 在 Fabric 管理门户中启用“允许将 Purview 标签应用于 Fabric 数据项”

完成这些前置步骤后,你就可以在 Fabric 的 Workspace 中,对数据项(比如 Lakehouse 的表)直接应用敏感度标签了。

具体步骤

  1. 打开 Fabric 中的 Lakehouse,进入“表”列表
  2. 右键点击目标表,选择“管理敏感度标签”
  3. 从下拉列表中选择合适的标签(如“机密”),保存即可

之后,你还可以为这个标签配置权限策略,指定哪些用户或组可以访问、哪些只能查看、哪些禁止访问。

实战场景:让销售数据只对销售总监可见 🎯

假设你有一个包含全国销售数据的表,你希望:

  • 销售总监(VP Sales)可以查看所有数据
  • 区域经理只能查看自己区域的数据
  • 其他员工完全看不到

你可以这样做:

  1. 在 Purview 中创建“销售机密”标签,并添加访问控制策略:只有“销售领导组”可以读取
  2. 在 Fabric 中给销售表打上“销售机密”标签
  3. 在 Fabric 中设置行级安全,按区域过滤数据(这步在 Power BI 中也能做,但 Purview 策略是额外的防线)

这样,即使区域经理导出了数据到 Excel,他看到的也只是自己区域的数据,因为 Purview 策略会在导出时强制生效。

国内用户怎么看? 🇨🇳

对于国内企业,数据安全合规越来越受重视(比如等保、个保法),Purview 策略可以帮你更好地满足“最小权限”和“数据分类分级”的要求。

不过要注意:

  • Purview 信息保护功能依赖于微软 365 合规中心,国内版(由世纪互联运营)的功能可能略有差异,建议先测试验证
  • 如果你的数据源在本地或混合云,需要先通过 Fabric 网关打通,再做标签应用
  • 策略生效需要一些时间(通常几分钟),测试时要有耐心

总结:保护数据,从源头开始 🔒

Purview 保护策略在 Fabric 中扮演的角色,就像是为你的数据资产上了一道“保险锁”。它不仅能防止敏感数据泄露,还能让你的数据治理更规范。

下次当你再遇到“数据导出就失控”的烦恼时,不妨试试在 Fabric 中给数据打上标签——或许,这正是你告别“裸奔”的开始。

如果你已经在 Fabric 中使用了 Purview 策略,欢迎在评论区分享你的经验或踩坑记录,一起让数据安全之路走得更稳。

相关文章

Power BI 和 Microsoft Fabric 的 Databricks ADBC 连接器正式发布

Power BI 和 Microsoft Fabric 的 Databricks ADBC 连接器正式发布

微软正在把 Power Query 连接器的底层驱动从 ODBC 迁到 ADBC,这次轮到 Databricks。适用于 Power BI 和 Microsoft Fabric 的 Databricks ADBC 连接器已正式 GA(Generally Available,正式发布)。

#技术分享#Power BI#Fabric#语义模型
Power BI 2026 年 10 月功能摘要

Power BI 2026 年 10 月功能摘要

距离上一次九月更新才过去没多久,而且当时还赶上了欧洲 Microsoft Fabric + SQL 社区大会,更新量已经不小。

#技术分享#Power BI#Fabric#Copilot
Microsoft Data Factory 的 Amazon Redshift V2 连接器

Microsoft Data Factory 的 Amazon Redshift V2 连接器

微软正在对 Amazon Redshift 连接器进行重要升级,底层驱动将从旧版切换至全新的 Amazon Redshift ODBC 2.x。

#技术分享#Power BI#Fabric
F2容量跑通完整报表方案

F2容量跑通完整报表方案

很多团队一提到 Microsoft Fabric,第一反应就是:F2 这种小容量能干嘛? 跑个 Demo 都嫌卡,更别说承载一套完整的报表解决方案了。

#技术分享#Power BI#最佳实践
近似去重反而更慢?

近似去重反而更慢?

做 DAX 性能优化的人,看到 `APPROXIMATEDISTINCTCOUNT` 这个新函数,第一反应多半是:终于有办法治 `DISTINCTCOUNT` 这个性能杀手了。 但最近一轮实测下来,结论有点打脸——在某些场景下,近似去重反而比精确去重更慢。

#Power BI#最佳实践
近似去重计数:快但准吗?

近似去重计数:快但准吗?

9 月 Power BI 更新后,Import 模式和 Direct Lake 模式的语义模型开始支持 `ApproximateDistinctCount()` 这个 DAX 函数。 我在一个 14 亿行的 Direct Lake 语义模型上做了测试,数据来自纽约出租车样本。

#Power BI#最佳实践
有问题?加企业微信 1 对 1 交流 👇
➕ 添加企业微信
备注「白杨」优先通过 · 数据洞察与智能决策
企业微信
企业微信
备注「白杨」优先通过