Välkommen till Azure Stream Analytics

Azure Stream Analytics är en realtidsanalys och komplex händelsebearbetningsmotor som är utformad för att analysera och bearbeta stora volymer med snabba strömmande data från flera källor samtidigt. Mönster och relationer kan identifieras i information som extraheras från ett antal indatakällor, inklusive enheter, sensorer, klickströmmar, sociala medier och program. Dessa mönster kan användas för att utlösa åtgärder och initiera arbetsflöden, till exempel skapa aviseringar, mata information till ett rapporteringsverktyg eller lagra transformerade data för senare användning. Dessutom är Stream Analytics tillgängligt på Azure IoT Edge, vilket gör det möjligt att bearbeta data på IoT-enheter.

Följande scenarier är exempel på när du kan använda Azure Stream Analytics:

  • Analysera telemetriströmmar i realtid från IoT-enheter
  • Webbloggar/klickströmsanalys
  • Geospatial analys för hantering av vagnpark och förarlösa fordon
  • Fjärrövervakning och förutsägande underhåll av tillgångar med högt värde
  • Realtidsanalys av kassadata för lagerkontroll och avvikelseidentifiering

Du kan prova Azure Stream Analytics med en kostnadsfri Azure-prenumeration.

Hur fungerar Stream Analytics?

Ett Azure Stream Analytics jobb består av indata, fråga och utdata. Stream Analytics in data från Azure Event Hubs (inklusive Azure Event Hubs från Apache Kafka), Azure IoT Hub eller Azure Blob Storage. Frågan, som baseras på SQL frågespråk, kan användas för att enkelt filtrera, sortera, aggregera och koppla strömmande data över en viss tidsperiod. Du kan också utöka SQL språk med JavaScript- och C#-användardefinierade funktioner (UDF: er). Du kan enkelt justera alternativen för händelseordning och tidsperioder när du utför aggregeringsåtgärder via enkla språkkonstruktioner och/eller konfigurationer.

Varje jobb har en eller flera utdata för transformerade data och du kan styra vad som händer som svar på den information som du har analyserat. Du kan till exempel:

  • Skicka data till tjänster som Azure Functions, Service Bus ämnen eller köer för att utlösa kommunikation eller anpassade arbetsflöden nedströms.
  • Skicka data till Power BI instrumentpanel för instrumentpaneler i realtid.
  • Lagra data i andra Azure-lagringstjänster (till exempel Azure Data Lake, Azure Synapse Analytics osv.) för att träna en maskininlärningsmodell baserat på historiska data eller utföra batchanalyser.

Följande bild visar hur data skickas till Stream Analytics, analyseras och skickas för andra åtgärder som lagring eller presentation:

Introduktionspipeline för Stream Analytics

Viktiga funktioner och fördelar

Azure Stream Analytics är avsett att vara enkelt att använda samt flexibelt, tillförlitligt och skalbart för alla jobbstorlekar. Den är tillgänglig i flera Azure-regioner och körs på IoT Edge eller Azure Stack.

Lätt att komma igång

Azure Stream Analytics är enkelt att starta. Det tar bara några klick för att ansluta till flera källor och mottagare, vilket skapar en pipeline från källa till ände. Stream Analytics kan ansluta till Azure Event Hubs och Azure IoT Hub för inmatning av strömmande data samt Azure Blob Storage för att mata in historiska data. Jobbindata kan även innehålla statiska eller långsamt föränderliga referensdata från Azure Blob Storage eller SQL Database som du kan ansluta till strömmande data för att utföra sökningsåtgärder.

Stream Analytics kan dirigera jobbutdata till många lagringssystem som Azure Blob Storage, Azure SQL Database, Azure Data Lake Store och Azure CosmosDB. Du kan också köra batchanalys på strömutdata med Azure Synapse Analytics eller HDInsight, eller så kan du skicka utdata till en annan tjänst, till exempel Event Hubs för förbrukning eller Power BI för visualisering i realtid.

Hela listan över utdata Stream Analytics finns i Förstå utdata från Azure Stream Analytics.

Programmerares produktivitet

Azure Stream Analytics använder ett SQL frågespråk som har förstärkts med kraftfulla temporala begränsningar för att analysera data i rörelse. Du kan också skapa jobb med hjälp av utvecklarverktyg som Azure PowerShell, Azure CLI, Stream Analytics Visual Studio-verktyg, Stream Analytics Visual Studio Code-tilläggeteller Azure Resource Manager mallar. Med hjälp av utvecklarverktyg kan du utveckla transformationsfrågor offline och använda CI/CD-pipelinen för att skicka jobb till Azure.

Frågespråket Stream Analytics kan utföra CEP (komplex händelsebearbetning) genom att erbjuda en mängd olika funktioner för att analysera strömmande data. Det här frågespråket stöder enkel datamanipulering, aggregerings- och analysfunktioner, geospatiala funktioner, mönstermatchning och avvikelseidentifiering. Du kan redigera frågor i portalen eller med våra utvecklingsverktyg och testa dem med hjälp av exempeldata som extraheras från en liveström.

Du kan utöka funktionerna i frågespråket genom att definiera och anropa ytterligare funktioner. Du kan definiera funktionsanrop i Azure Machine Learning för att dra nytta av Azure Machine Learning-lösningar och integrera JavaScript- eller C#-användardefinierade funktioner (UDF) eller användardefinierade aggregeringar för att utföra komplexa beräkningar som en Stream Analytics-fråga.

Fullständigt hanterad

Azure Stream Analytics är ett fullständigt hanterat (PaaS) erbjudande i Azure. Du behöver inte etablera någon maskinvara eller infrastruktur, uppdatera operativsystem eller programvara. Azure Stream Analytics hanterar jobbet fullständigt så att du kan fokusera på affärslogiken och inte på infrastrukturen.

Köra i molnet eller på den intelligenta nätverkskanten

Azure Stream Analytics kan köras i molnet, för storskalig analys eller köras på IoT Edge eller Azure Stack för analys med extremt låg latens. Azure Stream Analytics använder samma verktyg och frågespråk både i molnet och på gränsen, vilket gör det möjligt för utvecklare att skapa verkligt hybridarkitekturer för bearbetning av dataströmmar.

Låg total ägandekostnad

Som en molntjänst är Stream Analytics optimerad för kostnad. Det finns inga startkostnader – du betalar bara för de strömningsenheter som du förbrukar. Det krävs inget åtagande eller klusteretablering, och du kan skala upp eller ned jobbet baserat på dina affärsbehov.

Redo för verksamhetskritiskt

Azure Stream Analytics är tillgängligt i flera regioner över hela världen och är utformat för att köra verksamhetskritiska arbetsbelastningar genom att stödja krav på tillförlitlighet, säkerhet och efterlevnad.

Tillförlitlighet

Azure Stream Analytics garanterar händelsebearbetning exakt en gång och leverans av händelser minst en gång, så händelser går aldrig förlorade. Bearbetning exakt en gång garanteras med valda utdata enligt beskrivningen i Garantier för händelseleverans.

Azure Stream Analytics har inbyggda återställningsfunktioner om det inte går att leverera en händelse. Stream Analytics också inbyggda kontrollpunkter för att upprätthålla jobbets tillstånd och ger upprepningsbara resultat.

Som en hanterad Stream Analytics händelsebearbetning med 99,9 % tillgänglighet på minutnivå.

Säkerhet

När det gäller säkerhet krypterar Azure Stream Analytics all inkommande och utgående kommunikation och har stöd för TLS 1.2. Inbyggda kontrollpunkter krypteras också. Stream Analytics lagrar inte inkommande data eftersom all bearbetning sker i minnet. Stream Analytics också stöd för virtuella Azure-nätverk (VNET) när du kör ett jobb i ett Stream Analytics kluster.

Efterlevnad

Azure Stream Analytics följer flera efterlevnadscertifieringar enligt beskrivningen i översikten över Azure-efterlevnad.

Prestanda

Stream Analytics kan bearbeta miljontals händelser varje sekund och leverera resultat med extremt korta svarstider. Det gör att du kan skala ut för att anpassa dig till dina arbetsbelastningar. Stream Analytics har stöd för högre prestanda genom partitionering, vilket gör att komplexa frågor kan parallelliseras och köras på flera strömmande noder. Azure Stream Analytics är byggt på Trill, en högpresterande minnesintern analysmotor för direktuppspelning som har utvecklats i samarbete med Microsoft Research.

Nästa steg

Nu har du en överblick av Azure Stream Analytics. Härnäst kan du gå på djupet och skapa ditt första Stream Analytics-jobb: