Composants Microsoft.Insights

Définition de ressource Bicep

Le type de ressource composants peut être déployé avec des opérations qui ciblent :

• groupes de ressources - Consultez commandes de déploiement de groupes de ressources

Pour obtenir la liste des propriétés modifiées dans chaque version de l’API, consultez journal des modifications.

Format de ressource

Pour créer une ressource Microsoft.Insights/components, ajoutez le bicep suivant à votre modèle.

resource symbolicname 'Microsoft.Insights/components@2020-02-02' = {
  etag: 'string'
  kind: 'string'
  location: 'string'
  name: 'string'
  properties: {
    Application_Type: 'string'
    DisableIpMasking: bool
    DisableLocalAuth: bool
    Flow_Type: 'string'
    ForceCustomerStorageForProfiler: bool
    HockeyAppId: 'string'
    ImmediatePurgeDataOn30Days: bool
    IngestionMode: 'string'
    publicNetworkAccessForIngestion: 'string'
    publicNetworkAccessForQuery: 'string'
    Request_Source: 'string'
    RetentionInDays: int
    SamplingPercentage: int
    WorkspaceResourceId: 'string'
  }
  tags: {
    {customized property}: 'string'
  }
}

Valeurs de propriété

ApplicationInsightsComponentProperties

ComponentsResourceTags

Microsoft.Insights/components

Exemples de démarrage rapide

Les exemples de démarrage rapide suivants déploient ce type de ressource.

Définition de ressource de modèle ARM

Le type de ressource composants peut être déployé avec des opérations qui ciblent :

• groupes de ressources - Consultez commandes de déploiement de groupes de ressources

Pour obtenir la liste des propriétés modifiées dans chaque version de l’API, consultez journal des modifications.

Format de ressource

Pour créer une ressource Microsoft.Insights/components, ajoutez le code JSON suivant à votre modèle.

{
  "type": "Microsoft.Insights/components",
  "apiVersion": "2020-02-02",
  "name": "string",
  "etag": "string",
  "kind": "string",
  "location": "string",
  "properties": {
    "Application_Type": "string",
    "DisableIpMasking": "bool",
    "DisableLocalAuth": "bool",
    "Flow_Type": "string",
    "ForceCustomerStorageForProfiler": "bool",
    "HockeyAppId": "string",
    "ImmediatePurgeDataOn30Days": "bool",
    "IngestionMode": "string",
    "publicNetworkAccessForIngestion": "string",
    "publicNetworkAccessForQuery": "string",
    "Request_Source": "string",
    "RetentionInDays": "int",
    "SamplingPercentage": "int",
    "WorkspaceResourceId": "string"
  },
  "tags": {
    "{customized property}": "string"
  }
}

Valeurs de propriété

ApplicationInsightsComponentProperties

ComponentsResourceTags

Microsoft.Insights/components

Modèles de démarrage rapide

Les modèles de démarrage rapide suivants déploient ce type de ressource.

Modèle	Description
App Service Environment avec le serveur principal Azure SQL	Ce modèle crée un environnement App Service avec un back-end Azure SQL, ainsi que des points de terminaison privés, ainsi que des ressources associées généralement utilisées dans un environnement privé/isolé.
Application Gateway avec gestion des API internes et d’application web	Application Gateway achemine le trafic Internet vers une instance de gestion des API de réseau virtuel (mode interne) qui services une API web hébergée dans une application web Azure.
ASP.NET d’application	Ce modèle vous permet de créer un App Service pour le déploiement d’une application ASP.NET.
configuration de base d’Azure AI Studio	Cet ensemble de modèles montre comment configurer Azure AI Studio avec l’installation de base, ce qui signifie que l’accès à Internet public est activé, les clés gérées par Microsoft pour le chiffrement et la configuration d’identité managée par Microsoft pour la ressource IA.
configuration de base d’Azure AI Studio	Cet ensemble de modèles montre comment configurer Azure AI Studio avec l’installation de base, ce qui signifie que l’accès à Internet public est activé, les clés gérées par Microsoft pour le chiffrement et la configuration d’identité managée par Microsoft pour la ressource IA.
configuration de base d’Azure AI Studio	Cet ensemble de modèles montre comment configurer Azure AI Studio avec l’installation de base, ce qui signifie que l’accès à Internet public est activé, les clés gérées par Microsoft pour le chiffrement et la configuration d’identité managée par Microsoft pour la ressource IA.
restreint réseau Azure AI Studio	Cet ensemble de modèles montre comment configurer Azure AI Studio avec une liaison privée et une sortie désactivées, à l’aide de clés gérées par Microsoft pour le chiffrement et la configuration d’identité managée par Microsoft pour la ressource IA.
restreint réseau Azure AI Studio	Cet ensemble de modèles montre comment configurer Azure AI Studio avec une liaison privée et une sortie désactivées, à l’aide de clés gérées par Microsoft pour le chiffrement et la configuration d’identité managée par Microsoft pour la ressource IA.
Azure AI Studio avec microsoft Entra ID Authentication	Cet ensemble de modèles montre comment configurer Azure AI Studio avec l’authentification Microsoft Entra ID pour les ressources dépendantes, telles qu’Azure AI Services et Stockage Azure.
Azure Digital Twins avec le service Function et Private Link	Ce modèle crée un service Azure Digital Twins configuré avec une fonction Azure connectée au réseau virtuel qui peut communiquer via un point de terminaison Private Link vers Digital Twins. Il crée également une zone DNS privée pour autoriser la résolution transparente du nom d’hôte du point de terminaison Digital Twins du réseau virtuel vers l’adresse IP du sous-réseau interne du point de terminaison privé. Le nom d’hôte est stocké en tant que paramètre pour la fonction Azure avec le nom « ADT_ENDPOINT ».
application de fonction Azure et une fonction déclenchée par HTTP	Cet exemple déploie une application de fonction Azure et une fonction déclenchée par HTTP inline dans le modèle. Il déploie également un coffre de clés et remplit un secret avec la clé hôte de l’application de fonction.
application de fonction Azure hébergée sur un plan dédié	Ce modèle provisionne une application de fonction sur un plan d’hébergement dédié, ce qui signifie qu’il sera exécuté et facturé comme n’importe quel site App Service.
application de fonction Azure hébergée sur le plan de consommation Linux	Ce modèle provisionne une application de fonction sur un plan de consommation Linux, qui est un plan d’hébergement dynamique. L’application s’exécute à la demande et vous êtes facturé par exécution, sans engagement de ressource permanent.
application de fonction Azure hébergée sur un plan Premium	Ce modèle provisionne une application de fonction sur un plan Premium.
application de fonction Azure hébergée sur le plan de consommation Windows	Ce modèle provisionne une application de fonction sur un plan de consommation Windows, qui est un plan d’hébergement dynamique. L’application s’exécute à la demande et vous êtes facturé par exécution, sans engagement de ressource permanent.
application de fonction Azure avec un d’emplacement de déploiement	Ce modèle provisionne une application de fonction sur un plan Premium avec un emplacement de production et un emplacement de déploiement supplémentaire.
Application de fonction Azure avec Event Hub et Managed Identity	son modèle provisionne une application de fonction Azure sur un plan de consommation Linux, ainsi qu’un hub d’événements, stockage Azure et Application Insights. L’application de fonction est en mesure d’utiliser l’identité managée pour se connecter au hub d’événements et au compte de stockage
Application de fonction Azure avec d’intégration de réseau virtuel	Ce modèle provisionne une application de fonction sur un plan Premium avec l’intégration de réseau virtuel régional activée pour un réseau virtuel nouvellement créé.
configuration sécurisée de bout en bout d’Azure Machine Learning	Cet ensemble de modèles Bicep montre comment configurer Azure Machine Learning de bout en bout dans une configuration sécurisée. Cette implémentation de référence inclut l’espace de travail, un cluster de calcul, une instance de calcul et un cluster AKS privé attaché.
configuration sécurisée de bout en bout Azure Machine Learning (hérité)	Cet ensemble de modèles Bicep montre comment configurer Azure Machine Learning de bout en bout dans une configuration sécurisée. Cette implémentation de référence inclut l’espace de travail, un cluster de calcul, une instance de calcul et un cluster AKS privé attaché.
espace de travail Azure Machine Learning	Ce modèle crée un espace de travail Azure Machine Learning, ainsi qu’un compte de stockage chiffré, un coffre de clés et une journalisation Applications Insights
BrowserBox Édition Azure	Ce modèle déploie BrowserBox sur une machine virtuelle LVM Azure Ubuntu Server 22.04, Debian 11 ou RHEL 8.7 LVM.
Créer un espace de travail AML avec plusieurs jeux de données & magasins de données	Ce modèle crée un espace de travail Azure Machine Learning avec plusieurs jeux de données & magasins de données.
Créer une cible de calcul AKS avec une adresse IP privée	Ce modèle crée une cible de calcul AKS dans un espace de travail azure Machine Learning service donné avec une adresse IP privée.
Créer un espace de travail du service Azure Machine Learning	Ce modèle de déploiement spécifie un espace de travail Azure Machine Learning et ses ressources associées, notamment Azure Key Vault, Stockage Azure, Azure Application Insights et Azure Container Registry. Cette configuration décrit l’ensemble minimal de ressources dont vous avez besoin pour commencer à utiliser Azure Machine Learning.
Créer un espace de travail du service Azure Machine Learning (CMK)	Ce modèle de déploiement spécifie comment créer un espace de travail Azure Machine Learning avec chiffrement côté service à l’aide de vos clés de chiffrement.
Créer un espace de travail du service Azure Machine Learning (CMK)	Ce modèle de déploiement spécifie un espace de travail Azure Machine Learning et ses ressources associées, notamment Azure Key Vault, Stockage Azure, Azure Application Insights et Azure Container Registry. L’exemple montre comment configurer Azure Machine Learning pour le chiffrement avec une clé de chiffrement gérée par le client.
Créer un espace de travail du service Azure Machine Learning (hérité)	Ce modèle de déploiement spécifie un espace de travail Azure Machine Learning et ses ressources associées, notamment Azure Key Vault, Stockage Azure, Azure Application Insights et Azure Container Registry. Cette configuration décrit l’ensemble des ressources dont vous avez besoin pour commencer à utiliser Azure Machine Learning dans une configuration isolée du réseau.
Créer un espace de travail du service Azure Machine Learning (réseau virtuel)	Ce modèle de déploiement spécifie un espace de travail Azure Machine Learning et ses ressources associées, notamment Azure Key Vault, Stockage Azure, Azure Application Insights et Azure Container Registry. Cette configuration décrit l’ensemble des ressources dont vous avez besoin pour commencer à utiliser Azure Machine Learning dans une configuration isolée du réseau.
Créer une gestion des API dans un réseau virtuel interne avec app Gateway	Ce modèle montre comment créer une instance de Gestion des API Azure sur un réseau privé protégé par Azure Application Gateway.
Créer Azure Front Door devant la Gestion des API Azure	Cet exemple montre comment utiliser Azure Front Door comme équilibreur de charge global devant Gestion des API Azure.
Créer une application de fonction et un de stockage sécurisé par un point de terminaison privé	Ce modèle vous permet de déployer une application de fonction Azure qui communique avec stockage Azure sur des points de terminaison privés.
crée une application de microservices Dapr à l’aide de Container Apps	Créez une application de microservices Dapr à l’aide de Container Apps.
Crée une application Dapr pub-sub servicebus à l’aide de Container Apps	Créez une application Dapr pub-sub servicebus à l’aide de Container Apps.
Crée une application de fonction avec une identité de service managée	Crée une application de fonction avec une identité de service managée activée avec Application Insights configuré pour les journaux et les métriques.
Déployer une application de microservice Azure Spring Apps simple	Ce modèle déploie une application de microservice Azure Spring Apps simple à exécuter sur Azure.
Déployer un plan Azure Function Premium avec AZ	Ce modèle vous permet de déployer un plan Azure Function Premium avec prise en charge des zones de disponibilité, y compris un compte de stockage avec zones de disponibilité activé.
Déployer un plan Azure Function Premium avec d’intégration de réseau virtuel	Ce modèle vous permet de déployer un plan Azure Function Premium avec l’intégration de réseau virtuel régional activée sur un réseau virtuel nouvellement créé.
Déployer Application Insight et créer une alerte dans celle-ci	Ce modèle vous permet de déployer Application Insight et de créer une alerte dans celui-ci
Déployer Secure Azure AI Studio avec un réseau virtuel managé	Ce modèle crée un environnement Azure AI Studio sécurisé avec des restrictions de sécurité réseau et d’identité robustes.
application Django	Ce modèle vous permet de créer un App Service pour le déploiement d’une application Django.
Enterprise Governance-AppService, SQL DB, AD, OMS, Runbooks	L’adoption du cloud pour une entreprise, petite ou grande, nécessite des modèles de gouvernance responsables et efficaces pour tirer une valeur de leurs déploiements cloud. CloudWise (un nom de code pour la solution), est une solution composite disponible à partir de Démarrages rapides azure Partner, est un outil d’adoption pour les clients, les intégrateurs système et les partenaires, qui fournit une solution de gouvernance et d’exploitation libre-service, axée sur l’optimisation de vos coûts, améliorer la fiabilité de vos applications, réduire les risques métier. La solution met en évidence les principaux piliers de gouvernance de La visibilité et du contrôle.
site web eShop avec ILB ASE	Un environnement App Service est une option de plan de service Premium d’Azure App Service qui fournit un environnement entièrement isolé et dédié pour exécuter en toute sécurité des applications Azure App Service à grande échelle, notamment Web Apps, Mobile Apps et API Apps.
Front Door Standard/Premium avec l’origine Azure Functions	Ce modèle crée une application Front Door Standard/Premium, une application Azure Functions et configure l’application de fonction pour vérifier que le trafic est passé par l’origine Front Door.
application de fonction sur plan de consommation Linux avec de build à distance	Ce modèle provisionne une application de fonction sur un plan de consommation Linux et effectue une build distante pendant le déploiement du code. L’application s’exécute à la demande et vous êtes facturé par exécution, sans engagement de ressource permanent.
application de fonction sécurisée par Azure Frontdoor	Ce modèle vous permet de déployer une fonction Azure Premium protégée et publiée par Azure Frontdoor Premium. La conenction entre Azure Frontdoor et Azure Functions est protégée par Azure Private Link.
environnement App Service ILB avec le pare-feu Azure	Modèles et paramètres Resource Manager montrant comment déployer un environnement App Service avec l’intégration du Pare-feu Azure
CI/CD Java à l’aide de Jenkins et d’Azure Web Apps	Il s’agit d’un exemple pour java CI/CD à l’aide de Jenkins et d’Azure Web Apps.
Kentico Xperience	Ce modèle facilite le déploiement des ressources requises pour héberger des environnements Kentico Xperience dans Microsoft Azure.
application de fonction privée et de stockage sécurisé par un point de terminaison privé	Ce modèle provisionne une application de fonction sur un plan Premium qui a des points de terminaison privés et communique avec Stockage Azure sur des points de terminaison privés.
Provisionner une application de fonction sur un plan Consommation	Ce modèle provisionne une application de fonction sur un plan Consommation, qui est un plan d’hébergement dynamique. L’application s’exécute à la demande et vous êtes facturé par exécution, sans engagement de ressource permanent. Il existe d’autres modèles disponibles pour l’approvisionnement sur un plan d’hébergement dédié.
Provisionner une application de fonction s’exécutant sur un plan App Service	Ce modèle provisionne une application de fonction sur un plan d’hébergement dédié, ce qui signifie qu’il sera exécuté et facturé comme n’importe quel site App Service.
provisionner une application web avec un SQL Database	Ce modèle provisionne une application web, une base de données SQL, des paramètres de mise à l’échelle automatique, des règles d’alerte et App Insights. Il configure une chaîne de connexion dans l’application web pour la base de données.
fonction de plan De consommation d’approvisionnement avec un emplacement de déploiement	Ce modèle provisionne une application de fonction sur un plan Consommation, qui est un plan d’hébergement dynamique. L’application s’exécute à la demande et vous êtes facturé par exécution, sans engagement de ressource permanent. Il existe d’autres modèles disponibles pour l’approvisionnement sur un plan d’hébergement dédié.
Simple Umbraco CMS Web App	Ce modèle offre un moyen simple de déployer une application web umbraco CMS sur Azure App Service Web Apps.
Application web w/ Application Insights envoyant à Log Analytics	Ce modèle permet de prendre en charge les nouvelles versions d’API de microsoft.insights/components. À compter de 2020-02-02-preview WorkspaceID, vous devrez créer application Inisghts.Ce modèle déploie le plan App Service, App Service, Application Insights, l’espace de travail Log Analytics et le raccorde tous ensemble.
Application web avec une base de données SQL, Azure Cosmos DB, azure Search	Ce modèle provisionne une application web, une base de données SQL, Azure Cosmos DB, Azure Search et Application Insights.
Web App avec Managed Identity, SQL Server et ΑΙ	Exemple simple pour déployer l’infrastructure Azure pour l’application + données + identité managée + surveillance

Définition de ressource Terraform (fournisseur AzAPI)

Le type de ressource composants peut être déployé avec des opérations qui ciblent :

• groupes de ressources

Pour obtenir la liste des propriétés modifiées dans chaque version de l’API, consultez journal des modifications.

Format de ressource

Pour créer une ressource Microsoft.Insights/components, ajoutez terraform suivant à votre modèle.

resource "azapi_resource" "symbolicname" {
  type = "Microsoft.Insights/components@2020-02-02"
  name = "string"
  etag = "string"
  kind = "string"
  location = "string"
  tags = {
    {customized property} = "string"
  }
  body = jsonencode({
    properties = {
      Application_Type = "string"
      DisableIpMasking = bool
      DisableLocalAuth = bool
      Flow_Type = "string"
      ForceCustomerStorageForProfiler = bool
      HockeyAppId = "string"
      ImmediatePurgeDataOn30Days = bool
      IngestionMode = "string"
      publicNetworkAccessForIngestion = "string"
      publicNetworkAccessForQuery = "string"
      Request_Source = "string"
      RetentionInDays = int
      SamplingPercentage = int
      WorkspaceResourceId = "string"
    }
  })
}

Valeurs de propriété

ApplicationInsightsComponentProperties

ComponentsResourceTags

Microsoft.Insights/components