Streaming des données IoT instantané avec AKSInstant IoT data streaming with AKS

Vue d’ensembleOverview

Cet exemple de scénario montre comment ingérer et analyser de grands volumes de données IoT, et générer des suggestions et des aperçus en temps réel.This example scenario demonstrates how to ingest and analyze high volumes of IoT data and generate real-time recommendations and insights.

Cet exemple utilise :This example utilizes:

  • Un pipeline d’ingestion et de traitement des données en temps réel, apte à la détection et à la notification en quelques secondesReal-time data ingestion and processing pipeline capable of detection and notification within seconds
  • Une passerelle d’API sécurisée qui se connecte aux principaux services en cours d’exécution n’importe oùA secure API gateway that connects to back-end services running anywhere
  • Un approvisionnement élastique de la capacité de calcul sans nécessité de gérer l’infrastructureElastic provisioning of compute capacity without the need to manage the infrastructure

ArchitectureArchitecture

Diagramme d’architecture Télécharger un SVGArchitecture Diagram Download an SVG

Data FlowData Flow

Les données circulent dans la solution comme suit :The data flows through the solution as follows:

  1. Les données de capteur sont générées puis transmises à la gestion des API AzureSensor data is generated and streamed to Azure API Management
  2. Le cluster AKS exécute les microservices déployés en tant que conteneurs derrière un maillage de service ; les conteneurs sont générés à l’aide d’un processus DevOps et stockés dans Azure Container RegistryAKS cluster runs microservices that are deployed as containers behind a service mesh; containers are built using a DevOps process and stored in Azure Container Registry
  3. Le service d’ingestion stocke les données dans un Azure Cosmos DBIngest service stores data in an Azure Cosmos DB
  4. Le service d’analyse reçoit les données et les diffuse à Apache Kafka et Azure HDInsight de manière asynchroneAsynchronously, the analysis service receives the data and streams it to Apache Kafka and Azure HDInsight
  5. Les spécialistes des données peuvent analyser les Big Data pour une utilisation dans les modèles de Machine Learning à l’aide de SplunkData scientists can analyze the big data for use in machine learning models using Splunk
  6. Les données sont traitées par le service de traitement, qui stocke le résultat dans Azure Database pour PostgreSQL et met en cache les données dans un Azure Cache pour RedisData is processed by the processing service, which stores the result in Azure Database for PostgreSQL and caches the data in an Azure Cache for Redis
  7. Une application web en cours d’exécution dans Azure App Service est utilisée pour visualiser les résultatsA web app running in Azure App Service is used to visualize the results

ComponentsComponents

Cet exemple de scénario utilise plusieurs composants Azure :This example scenario uses several Azure components:

  • Azure Pipelines : Automatiser les images de génération et de push dans le registre de conteneurs, et le déploiement de conteneurs sur KubernetesAzure Pipelines: Automate build and push images to container registry and deployment of containers to Kubernetes
  • Gestion des API Azure : Exposer de manière sélective des données et des services au monde extérieur et gérer les appels d’API entrantsAzure API Management: Selectively expose data and services to the outside world and manage incoming API calls
  • Azure Container Registry : Créer, stocker, sécuriser, analyser, répliquer et gérer des images conteneur et des artefactsAzure Container Registry: Build, store, secure, scan, replicate, and manage container images and artifacts
  • Azure Kubernetes Service : Azure Kubernetes Service (AKS) entièrement géré facilite le déploiement et la gestion des applications en conteneursAzure Kubernetes Service: The fully managed Azure Kubernetes Service (AKS) makes deploying and managing containerized applications easy
  • Azure Key Vault : Protéger les clés de chiffrement et autres secrets utilisés par les applications et services cloudAzure Key Vault: Safeguard cryptographic keys and other secrets used by cloud apps and services
  • Azure Cosmos DB : Service de base de données entièrement géré avec une distribution mondiale et une réplication multimaître transparente clé en main.Azure Cosmos DB: A fully managed database service with turnkey global distribution and transparent multi-primary replication.
  • Azure HDInsights : Un service économique d’analytique open source pour les grandes entreprisesAzure HDInsights: A cost-effective, enterprise-grade service for open-source analytics
  • Applications web Azure : Créer et héberger des applications web, des back-ends mobiles et des API RESTful sans gérer l’infrastructure.Azure Web Apps: Build and host web apps, mobile back ends, and RESTful APIs without managing infrastructure.
  • Azure Database pour PostgreSQL: service de base de données relationnelle entièrement géré basé sur le moteur de base de données open source Postgres.Azure Database for PosgreSQL: a fully managed relational database service based on the open-source Postgres database engine.
  • Azure Databricks : Plateforme d’analyse basée sur Apache Spark optimisée pour la plateforme de services cloud Microsoft Azure.Azure Databricks: An Apache Spark-based analytics platform optimized for the Microsoft Azure cloud services platform.
  • Azure Cache pour Redis : Banque de données en mémoire entièrement gérée et compatible avec les solutions open source, conçue pour gérer des applications rapides et évolutives.Azure Cache for Redis: A fully managed, open source–compatible in-memory data store to power fast, scalable applications.

Étapes suivantesNext Steps