Azure Time Series Insights Gen2 használati esetei

  • Cikk

Megjegyzés

A Time Series Insights (TSI) szolgáltatás 2025 márciusa után már nem támogatott. Fontolja meg a meglévő TSI-környezetek alternatív megoldásokba való migrálását a lehető leghamarabb. Az elavulással és a migrálással kapcsolatos további információkért tekintse meg dokumentációnkat.

Ez a cikk a 2. generációs Azure Time Series Insights számos gyakori használati esetét foglalja össze. A cikkben található javaslatok kiindulópontként szolgálnak az alkalmazások és megoldások Azure Time Series Insights Gen2-vel való fejlesztéséhez.

Ez a cikk a következő kérdésekre ad választ:

A használati forgatókönyvek áttekintését a következő szakaszok ismertetik.

Bevezetés

Azure Time Series Insights Gen2 egy végpontok közötti, szolgáltatásként nyújtott platformajánlat. Nagy mértékben környezetfüggő, idősorozat-optimalizált IoT-skálázási adatok gyűjtésére, feldolgozására, tárolására, elemzésére és lekérdezésére szolgál. Ideális az alkalmi adatfeltáráshoz és a műveleti elemzéshez. Azure Time Series Insights Gen2 egy egyedileg bővíthető, testre szabott szolgáltatásajánlat, amely megfelel az ipari IoT-környezetek széles körű igényeinek.

Adatfeltárás és vizuális anomáliadetektálás

Azonnal feltárhat és elemezhet több milliárd eseményt az anomáliák felderítéséhez és az adatok rejtett trendjeinek felderítéséhez. Azure Time Series Insights Gen2 közel valós idejű teljesítményt nyújt az IoT- és DevOps-elemzési számítási feladatokhoz.

Adatkezelő

A legtöbb ügyfél egyetért abban, hogy a betekintéshez szükséges minimális idő az Azure Time Series Insights Gen2 egyik kiemelkedő funkciója:

  • Azure Time Series Insights Gen2 nem igényel előzetes adat-előkészítést.
  • Gyorsan csatlakoztatható több milliárd eseményhez a Azure IoT Hub vagy Azure Event Hubs példányokban percek alatt.
  • A csatlakozás után több milliárd eseményt vizualizálhat és elemezhet, hogy észlelje az anomáliákat, és felderítse az adatok rejtett trendjeit.

Azure Time Series Insights Gen2 intuitív és egyszerűen használható. Az adatok kezelése egyetlen kódsor megírása nélkül is lehetővé teszi. A tanuláshoz nincs szükség új nyelvre, bár Azure Time Series Insights Gen2 részletes szövegalapú lekérdezési nyelvet biztosít az SQL-t ismerő haladó felhasználóknak. A kezdőknek is kínál kiválasztási és kattintási felfedezést.

Az ügyfelek kihasználhatják az eszközökkel kapcsolatos problémák gyors diagnosztizálásának sebességét. DevOps-elemzést végezhetnek egy IoT-megoldás hibájának kiváltó okának megállapításához. Az adatelemzési kezdeményezéseik részeként azonosíthatják a további vizsgálathoz megjelölendő területeket is.

A Azure Time Series Insights Gen2-ben tárolt adatok három elsődleges módon használhatók:

  • Elsőként és legegyszerűbben a Azure Time Series Insights Gen2 Explorerrel kezdheti meg. Segítségével gyorsan megjelenítheti az összes IoT-adatot egy helyen. Olyan eszközöket biztosít, mint a hőtérkép, amely segít észlelni az adatok rendellenességeit. Emellett perspektívanézetet is biztosít. Segítségével egyetlen irányítópulton egy vagy több Azure Time Series Insights Gen2-környezetből akár négy nézetet is összehasonlíthat. Az irányítópulton megtekintheti az idősorozat-adatokat az összes helyen. További információ a Azure Time Series Insights Gen2 Explorerről. A környezet megtervezéséhez olvassa el Azure Time Series Insights Gen2 tervezés című cikket.

  • A második módszer, hogy a JavaScript SDK használatával gyorsan beágyazhat hatékony diagramokat és grafikonokat a webalkalmazásba. Mindössze néhány sornyi kóddal hatékony lekérdezéseket hozhat létre. Ezek segítségével vonaldiagramokat, tortadiagramokat, sávdiagramokat, hőtérképeket, adatrácsokat és egyebeket tölthet fel. Az SDK-val ezek az elemek nem használhatók. Az SDK Azure Time Series Insights Gen2 lekérdezési API-kat is absztrahált. Ezekkel SQL-szerű predikátumokat hozhat létre az irányítópulton megjeleníteni kívánt adatok lekérdezéséhez. A hibrid bemutatórétegbeli megoldásokhoz Azure Time Series Insights Gen2 paraméteres URL-címeket kínál. Zökkenőmentes csatlakozási pontokat biztosítanak a Azure Time Series Insights Gen2 Explorerrel az adatok részletes elemzéséhez.

  • A harmadik módszer a hatékony API-k használata Azure Time Series Insights Gen2-ben tárolt adatok lekérdezésére. Azure Time Series Insights Gen2 időbeli operátorokkal rendelkezik, például from, to, firstés last. Olyan összesítésekkel és átalakításokkal rendelkezik, mint averagea , sum, min, max, time-weighted average, stb time-weighted sum. Emellett szűrést, számtani és logikai operátorokat, skaláris függvényeket stb. is lehetővé tesz. Ezek az operátorok lehetővé teszik az alárendelt alkalmazások számára, hogy gyorsan érdekes trendeket és mintákat találjanak az adatokban. Ezekkel feltölthet házi vizualizációkat az anomáliák észlelése érdekében.

Működési elemzés és a folyamat hatékonyságának növelése

A Azure Time Series Insights Gen2 használatával nagy léptékben monitorozza a berendezések állapotát, használatát és teljesítményét, és mérje a működési hatékonyságot. Azure Time Series Insights Gen2 segít a változatos és kiszámíthatatlan IoT-számítási feladatok kezelésében anélkül, hogy feláldozná a betöltési vagy lekérdezési teljesítményt.

Képernyőkép az I o T-eszközökről / alkalmazásadatokról, a streamfeldolgozásról, a működési hatékonyságról, az intelligencia / elemzések és a fejlett elemzések Azure Time Series Insights Gen2-ben.

A működési folyamatokból származó adatok streamelése és folyamatos feldolgozása sikeresen átalakíthat minden vállalkozást, ha a megfelelő technológiával vagy megoldással van kombinálva. Ezek a megoldások gyakran több rendszer kombinációjából állnak. Lehetővé teszik a folyamatosan változó adatok feltárását és elemzését, különösen az IoT-területen, és közös mintát használnak.

Ezek a minták gyakran IoT-kompatibilis platformokkal kezdődnek, amelyek több milliárd eseményt fogadnak különböző területi beállításokra kiterjedő eszközökről és érzékelőkről. Ezek a rendszerek feldolgozzák és elemzik a streamelési adatokat, hogy valós idejű elemzéseket és műveleteket nyerjenek. Az adatokat általában meleg és ritka elérésű tárolóba archiválják közel valós idejű és kötegelt elemzések céljából.

Az összegyűjtött adatok feldolgozása során megtisztítják és kontextusba helyezik az alsóbb rétegbeli lekérdezési és elemzési forgatókönyvekben. Az Azure gazdag szolgáltatásokat kínál, amelyek IoT-forgatókönyvekhez, például az eszközkarbantartáshoz és a gyártáshoz alkalmazhatók. Ezek közé a szolgáltatások közé tartozik a Azure Time Series Insights Gen2, a IoT Hub, az Event Hubs, az Azure Stream Analytics, a Azure Functions, az Azure Logic Apps, az Azure Databricks, az Azure Machine Learning és a Power BI.

A megoldásarchitektúra a következő módon érhető el:

  • Adatok betöltése IoT Hub vagy Event Hubs használatával a legjobb osztályon belüli biztonság, átviteli sebesség és késés érdekében.
  • Adatfeldolgozás és számítások végrehajtása. Tölcsérbe betöltött adatok olyan szolgáltatásokon keresztül, mint a Stream Analytics, a Logic Apps és a Azure Functions. A használt szolgáltatás a konkrét adatfeldolgozási igényektől függ.
  • A feldolgozási folyamatból származó számított jeleket a rendszer a Azure Time Series Insights Gen2-be küldi el tárolás és elemzés céljából.

Azure Time Series Insights Gen2 közel valós idejű adatfeltárást és objektumalapú elemzéseket kínál az előzményadatokhoz. Az üzleti igényeitől függően a MapReduce- és Hive-feladatok az Azure Time Series Insights Gen2-ben tárolt adatokon is futtathatók, ha Azure Time Series Insights Gen2-t csatlakoztatják az Azure HDInsighthoz. A Azure Time Series Insights Gen2-ben tárolt adatok a Power BI és más ügyfélalkalmazások számára érhetők el a Azure Time Series Insights Gen2 nyilvános felületi lekérdezési API-kkal. Ezek az adatok az üzleti és működési intelligencia mély forgatókönyveihez használhatók.

Bővített analitika

Integrálható olyan fejlett elemzési szolgáltatásokkal, mint a Machine Learning és az Azure Databricks. Azure Time Series Insights Gen2 több millió eszközről bejövő nyers adatokat. Környezetfüggő adatokat ad hozzá, amelyeket zökkenőmentesen használhat fel egy Azure Analytics-szolgáltatáscsomag.

Elemzés

A fejlett elemzések és gépi tanulás nagy mennyiségű adatot használ fel és dolgoz fel. Ezek az adatok adatvezérelt döntések meghozatalára és prediktív elemzés végrehajtására szolgálnak. IoT-használati esetekben a fejlett elemzési algoritmusok több millió eszközről gyűjtött adatokból tanulnak. Ezek az eszközök másodpercenként többször továbbítják az adatokat. Az IoT-eszközökről gyűjtött adatok nyersek. Nem rendelkezik olyan környezetfüggő információkkal, mint az eszköz helye és az érzékelő olvasási egysége. Ennek eredményeképpen a nyers adatok nehezen használhatóak fel közvetlenül a fejlett elemzésekhez.

Azure Time Series Insights Gen2 két egyszerű és költséghatékony módon hidat képez az IoT-adatok és a fejlett elemzések között:

  • Először Azure Time Series Insights Gen2 több millió eszközről gyűjt nyers telemetriai adatokat IoT Hub használatával. Környezetfüggő információkkal bővíti az adatokat, és parquet formátumúvá alakítja az adatokat. Ez a formátum könnyen integrálható más fejlett elemzési szolgáltatásokkal, például a Machine Learninggel, az Azure Databricksszel és külső alkalmazásokkal.

    Azure Time Series Insights Gen2 a szervezet összes adatának igazságforrása lehet. Létrehoz egy központi adattárat a lefelé irányuló elemzési számítási feladatok számára. Mivel Azure Time Series Insights Gen2 egy közel valós idejű tárolási szolgáltatás, a fejlett elemzési modellek folyamatosan tanulhatnak a bejövő IoT-telemetriai adatokból. Ennek eredményeképpen a modellek pontosabb előrejelzéseket készíthetnek.

  • Másodszor, a gépi tanulási és előrejelzési modellek kimenete Azure Time Series Insights Gen2-be táplálható az eredmények megjelenítéséhez és tárolásához. Ez az eljárás segít a szervezeteknek a modellek optimalizálásában és finomhangolásában. Azure Time Series Insights Gen2 egyszerűvé teszi a streamelt telemetriai adatok vizualizációját ugyanazon a síkon, mint a betanított modell kimenetei. Ily módon segít az adatelemzési csapatoknak észlelni az anomáliákat és azonosítani a mintákat.

Következő lépések