Zaman serisi çözümleriTime series solutions

Zaman serisi verileri, zamana göre düzenlenmiş bir değerler kümesidir.Time series data is a set of values organized by time. Algılayıcı verileri, hisse senedi fiyatlarına serisi verileri içeren zaman örnekler, akış verileri ve uygulama telemetrisini tıklatın.Examples of time series data include sensor data, stock prices, click stream data, and application telemetry. Zaman serisi verileri, geçmiş eğilimleri, gerçek zamanlı uyarılar veya Tahmine dayalı modelleme için çözümlenebilir.Time series data can be analyzed for historical trends, real-time alerts, or predictive modeling.

Time Series Insights

Zaman serisi verileri bir varlığın veya işlemin zaman içindeki değişimini gösterir.Time series data represents how an asset or process changes over time. Verileri bir zaman damgası var, ancak daha da önemlisi, saat görüntülemek veya veri çözümleme için en anlamlı ekseni.The data has a timestamp, but more importantly, time is the most meaningful axis for viewing or analyzing the data. Zaman serisi verileri, genellikle zaman sırasına göre ulaştığında ve genellikle bir güncelleştirme veritabanınıza yerine INSERT olarak kabul edilir.Time series data typically arrives in order of time and is usually treated as an insert rather than an update to your database. Bu nedenle, zaman içinde değişiklik sağlayarak geriye doğru bakın ve gelecekteki değişiklik tahmin etmek için ölçülür.Because of this, change is measured over time, enabling you to look backward and to predict future change. Bu nedenle, zaman serisi verilerini dağılım veya çizgi grafikler ile en iyi şekilde görselleştirilir.As such, time series data is best visualized with scatter or line charts.

Zaman serisi verileri çizgi grafikte görselleştirilir.

Zaman serisi verilerini bazı örnekleri şunlardır:Some examples of time series data are:

  • Hisse senedi fiyatlarına eğilimlerini algılamak için zaman içinde yakalanır.Stock prices captured over time to detect trends.
  • CPU kullanımı, g/ç yük, bellek kullanımı ve ağ bant genişliği tüketimi gibi sunucu performans.Server performance, such as CPU usage, I/O load, memory usage, and network bandwidth consumption.
  • Bekleyen bir donanım hatası ve tetikleyici uyarı bildirimleri algılamak için kullanılan endüstriyel ekipmanları üzerinde sensörlerden alınan telemetri.Telemetry from sensors on industrial equipment, which can be used to detect pending equipment failure and trigger alert notifications.
  • Hız, braking ve Hızlandırma birleşik bir risk üretmek için bir zaman aralığına dahil olmak üzere gerçek zamanlı araç telemetri verilerini sürücüsünü puan.Real-time car telemetry data including speed, braking, and acceleration over a time window to produce an aggregate risk score for the driver.

Her durumda, ne zaman bir eksen en anlamlı görebilirsiniz.In each of these cases, you can see how time is most meaningful as an axis. Zamana bağlı bir doğal sıralama olduğundan geldikleri sırayla olayları görüntüleyen bir anahtar zaman serisi verileri, özelliğidir.Displaying the events in the order in which they arrived is a key characteristic of time series data, as there is a natural temporal ordering. Bu, burada veriler herhangi bir sırada girilen ve herhangi bir zamanda güncelleştirilen standart OLTP veri işlem hatları için Yakalanan veriler farklıdır.This differs from data captured for standard OLTP data pipelines where data can be entered in any order, and updated at any time.

Bu çözümü kullanmak ne zamanWhen to use this solution

Varsa stratejik değeri değişiklikleri bir süre içinde ortalanır veri almak gereken ve öncelikle yeni verileri eklerken ve nadiren güncelleştirme, zaman serisi çözümünü seçin.Choose a time series solution when you need to ingest data whose strategic value is centered around changes over a period of time, and you are primarily inserting new data and rarely updating, if at all. Bu bilgiler, anomalileri algılayın, eğilimleri görselleştirmek ve diğer özelliklerin yanı sıra, geçmiş verileri geçerli verileri karşılaştırın kullanabilirsiniz.You can use this information to detect anomalies, visualize trends, and compare current data to historical data, among other things. Değişikliklerin geçmiş kaydını tahmin modellerinin, herhangi bir sayıya uygulanabilir, zaman içinde olduğundan bu tür bir mimari ayrıca Tahmine dayalı modelleme ve sonuçları tahmin için idealdir.This type of architecture is also best suited for predictive modeling and forecasting results, because you have the historical record of changes over time, which can be applied to any number of forecasting models.

Zaman serisi kullanarak aşağıdaki avantajları sunar:Using time series offers the following benefits:

  • Açıkça bir varlık veya işlem zamanla nasıl değiştiğini gösterir.Clearly represents how an asset or process changes over time.
  • İlgili kaynakları bir dizi değişiklikleri hızla algılayabilmeniz yardımcı olur, anomalileri yapma ve eğilimleri Gelişmekte olan açıkça göze çarpın.Helps you quickly detect changes to a number of related sources, making anomalies and emerging trends clearly stand out.
  • Tahmine dayalı modelleme ve tahmin için en uygun.Best suited for predictive modeling and forecasting.

Nesnelerin İnterneti (IoT)Internet of Things (IoT)

IOT cihazlar tarafından toplanan verileri zaman serisi depolama ve analiz için doğal bir çözümdür.Data collected by IoT devices is a natural fit for time series storage and analysis. Gelen veri eklenen ve nadiren de olsa, şimdiye kadar güncelleştirildi.The incoming data is inserted and rarely, if ever, updated. Verileri zaman damgalıdır ve sıraya alındığı ve bu veriler genellikle eğilimleri anormallikleri keşfetmenize ve Tahmine dayalı analiz için bilgileri kullanmak kullanıcıların kronolojik sırada görüntülenir.The data is timestamped and inserted in the order it was received, and this data is typically displayed in chronological order, enabling users to discover trends, spot anomalies, and use the information for predictive analysis.

Daha fazla bilgi için nesnelerin interneti.For more information, see Internet of Things.

Gerçek zamanlı analizReal-time analytics

Zaman serisi verilerdir genellikle zaman hassas — diğer bir deyişle, hızlı bir şekilde, gerçek zamanlı eğilimleri etkilediği gerekir veya uyarılar oluşturur.Time series data is often time sensitive — that is, it must be acted on quickly, to spot trends in real time or generate alerts. Bu senaryolarda, kapalı kalma süresi ve iş öngörüleri kurtarmadaki gecikmeyi neden olabilir etkisi.In these scenarios, any delay in insights can cause downtime and business impact. Ayrıca, yoktur genellikle çeşitli algılayıcılar gibi farklı kaynaklardan gelen verilerin bağıntısını gerekmez.In addition, there is often a need to correlate data from a variety of different sources, such as sensors.

İdeal olarak, gelen verileri gerçek zamanlı olarak işler ve bunları Yüksek duyarlılık ve yüksek ayrıntı düzeyi ile işleyen bir akış işleme katmanı gerekir.Ideally, you would have a stream processing layer that can handle the incoming data in real time and process all of it with high precision and high granularity. Bu her zaman, akış mimarisi ve bileşenleri akışı arabelleğe alma ve akış işleme katmanları bağlı olarak mümkün değildir.This isn't always possible, depending on your streaming architecture and the components of your stream buffering and stream processing layers. Zaman serisi verilerini bazı duyarlığını, azaltarak özelliğinden faydalanmasına gerekebilir.You may need to sacrifice some precision of the time series data by reducing it. Kayan zaman pencereleri (örneğin birkaç saniye) işleyerek yapıldığını zamanında hesaplamalar gerçekleştirmek işleme katmanında izin verme.This is done by processing sliding time windows (several seconds, for example), allowing the processing layer to perform calculations in a timely manner. Ayrıca, uzun süreler gibi birkaç ay içinde yakalanan verileri görüntülemek için yakınlaştırma, görüntülerken, verilerinizi toplamak düşür gerekir ve.You may also need to downsample and aggregate your data when displaying longer periods of time, such as zooming to display data captured over several months.

ZorluklarChallenges

  • Zaman serisi verilerini genellikle IOT senaryolarında özellikle çok yüksek hacimli dir.Time series data is often very high volume, especially in IoT scenarios. Depolama, dizin oluşturma, sorgulama, çözümleme ve görselleştirildiği zaman serisi verilerini zor olabilir.Storing, indexing, querying, analyzing, and visualizing time series data can be challenging.

  • Hızlı depolama doğru birleşimini bulabilir ve işlemleri en aza indirerek pazarlama ve genel zaman gerçek zamanlı analiz işleme için güçlü işlem zor yatırım maliyeti.It can be challenging to find the right combination of high-speed storage and powerful compute operations for handling real-time analytics, while minimizing time to market and overall cost investment.

MimariArchitecture

IOT gibi zaman serisi verileri içeren birçok senaryoda verileri gerçek zamanlı olarak yakalanır.In many scenarios that involve time series data, such as IoT, the data is captured in real time. Bu nedenle, bir gerçek zamanlı işleme mimaridir uygun.As such, a real-time processing architecture is appropriate.

Bir veya daha fazla veri kaynaklarından alınan verileri katmanı tarafından arabelleğe alma akışının içine alınan IOT hub'ı, Event Hubs, veya HDInsight üzerinde Kafka.Data from one or more data sources is ingested into the stream buffering layer by IoT Hub, Event Hubs, or Kafka on HDInsight. Ardından, isteğe bağlı olarak işlenen verileri bir machine learning hizmeti için Tahmine dayalı analiz için devre dışı dağıtabilir akış işleme katmanındaki veriler işlenir.Next, the data is processed in the stream processing layer that can optionally hand off the processed data to a machine learning service for predictive analytics. İşlenen verileri bir analitik veri deposunda gibi depolandığı HBase, Azure Cosmos DB, Azure Data Lake veya Blob Depolama.The processed data is stored in an analytical data store, such as HBase, Azure Cosmos DB, Azure Data Lake, or Blob Storage. Bir analiz ve uygulama veya hizmet, Power BI veya OpenTSDB gibi (Hbase'de depolanırsa) raporlama, analiz için zaman serisi verilerini görüntülemek için kullanılabilir.An analytics and reporting application or service, like Power BI or OpenTSDB (if stored in HBase) can be used to display the time series data for analysis.

Başka bir seçenek kullanmaktır Azure Time Series Insights.Another option is to use Azure Time Series Insights. Time Series Insights, zaman serisi verilerinin tam olarak yönetilen bir hizmettir.Time Series Insights is a fully managed service for time series data. Bu mimaride, zaman serisi görüşleri işleme, veri deposunu ve analiz ve raporlama stream rollerini gerçekleştirir.In this architecture, Time Series Insights performs the roles of stream processing, data store, and analytics and reporting. IOT hub'ı veya olay hub'ları ve depoları, işlemler, veri akışını analiz eder ve neredeyse gerçek zamanlı verileri görüntüler kabul eder.It accepts streaming data from either IoT Hub or Event Hubs and stores, processes, analyzes, and displays the data in near real time. Verileri önceden toplama değil, ancak ham olaylar depolar.It does not pre-aggregate the data, but stores the raw events.

Time Series Insights içgörüler elde başlatmak için herhangi bir veri hazırlama adımlarına gerekmez anlamına gelir Uyarlamalı, şema ' dir.Time Series Insights is schema adaptive, which means that you do not have to do any data preparation to start deriving insights. Bu, keşfedin, karşılaştırma ve sorunsuz bir şekilde çeşitli veri kaynaklarından ilişkilendirmenize olanak sağlar.This enables you to explore, compare, and correlate a variety of data sources seamlessly. SQL benzeri filtreler de sağlar ve toplama yeteneği oluşturmak için görselleştirin, karşılaştırma ve çeşitli zaman serisi desenlerini ve ısı haritaları kaydetme ve sorguları paylaşma olanağı yer.It also provides SQL-like filters and aggregates, ability to construct, visualize, compare, and overlay various time series patterns, heat maps, and the ability to save and share queries.

Teknoloji seçimleriTechnology choices