Was ist AWS IoT Analytics? - AWS IoT Analytics
Funktionsweise von AWS IoT AnalyticsZugriff auf AWS IoT AnalyticsAnwendungsfälle

AWS IoT Analytics ist für Neukunden nicht mehr verfügbar. Bestandskunden von AWS IoT Analytics können den Service weiterhin wie gewohnt nutzen. Weitere Informationen

Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Was ist AWS IoT Analytics?

AWS IoT Analyticsautomatisiert die Schritte, die zur Analyse von Daten von IoT-Geräten erforderlich sind. AWS IoT Analyticsfiltert, transformiert und reichert IoT-Daten an, bevor sie zur Analyse in einem Zeitreihendatenspeicher gespeichert werden. Sie können den Service so einrichten, dass er nur die Daten sammelt, die Sie von Ihren Geräten benötigen, mathematische Transformationen zur Verarbeitung der Daten anwendet und die Daten mit gerätespezifischen Metadaten wie Gerätetyp und Standort erweitert, bevor Sie sie speichern. Anschließend können Sie Ihre Daten analysieren, indem Sie Abfragen mithilfe der integrierten SQL-Abfrage-Engine ausführen oder komplexere Analysen und Inferenzen für maschinelles Lernen durchführen. AWS IoT Analyticsermöglicht erweiterte Datenexploration durch die Integration mit Jupyter Notebook. AWS IoT Analyticsermöglicht auch die Datenvisualisierung durch die Integration mit Amazon QuickSight. Amazon QuickSight ist in den folgenden -Regionen verfügbar.

Herkömmliche Analyse- und Business-Intelligence-Tools sind für die Verarbeitung strukturierter Daten ausgelegt. IoT-Rohdaten stammen häufig von Geräten, die weniger strukturierte Daten (wie Temperatur, Bewegung oder Ton) aufzeichnen. Die Daten von diesen Geräten können daher erhebliche Lücken, beschädigte Nachrichten und falsche Messwerte aufweisen, die vor der Analyse bereinigt werden müssen. Außerdem sind IoT-Daten oft nur im Kontext mit anderen Daten aus externen Quellen aussagekräftig. AWS IoT Analyticsermöglicht es Ihnen, diese Probleme zu lösen und große Mengen an Gerätedaten zu sammeln, Nachrichten zu verarbeiten und zu speichern. Anschließend können Sie die Daten abfragen und analysieren. AWS IoT Analyticsenthält vorgefertigte Modelle für gängige IoT-Anwendungsfälle, sodass Sie Fragen beantworten können, z. B. welche Geräte kurz vor dem Ausfall stehen oder bei welchen Kunden das Risiko besteht, dass sie ihre tragbaren Geräte aufgeben.

Funktionsweise von AWS IoT Analytics

Die folgende Grafik zeigt einen Überblick über die Verwendung vonAWS IoT Analytics.

Eine Übersicht über die Verwendung vonAWS IoT Analytics

Schlüsselfunktionen

Erfassen

  • Integriert mitAWS IoT Core —AWS IoT Analytics ist vollständig integriert,AWS IoT Core sodass es Nachrichten von verbundenen Geräten empfangen kann, während diese einströmen.

  • Verwenden Sie eine Batch-API, um Daten aus einer beliebigen Quelle hinzuzufügen —AWS IoT Analytics kann Daten aus jeder Quelle über HTTP empfangen. Das bedeutet, dass jedes Gerät oder jeder Dienst, der mit dem Internet verbunden ist, Daten senden kannAWS IoT Analytics. Weitere Informationen finden Sie unter BatchPutMessage in der AWS IoT Analytics-API-Referenz.

  • Erfassen Sie nur die Daten, die Sie speichern und analysieren möchten — Sie können dieAWS IoT Analytics Konsole verwenden, um den Empfang von Nachrichten von Geräten über MQTT-Themenfilter in verschiedenen Formaten und FrequenzenAWS IoT Analytics zu konfigurieren. AWS IoT Analyticsüberprüft, ob sich die Daten innerhalb bestimmter Parameter befinden, die Sie definieren, und erstellt Kanäle. Anschließend leitet der Service die Kanäle zu geeigneten Pipelines für die Verarbeitung, Transformation und Anreicherung von Nachrichten um.

Prozess

  • Bereinigen und filtern —AWS IoT Analytics ermöglicht die Definition vonAWS Lambda Funktionen, die ausgelöst werden, wenn fehlende DatenAWS IoT Analytics erkannt werden, sodass Sie Code ausführen können, um Lücken zu schätzen und zu schließen. Sie können auch maximale und minimale Filter sowie Perzentilschwellenwerte definieren, um Ausreißer in Ihren Daten zu entfernen.

  • Transformieren —AWS IoT Analytics kann Nachrichten mithilfe von von Ihnen definierter mathematischer oder bedingter Logik transformieren, sodass Sie gängige Berechnungen wie die Umwandlung von Celsius in Fahrenheit durchführen können.

  • Anreichern —AWS IoT Analytics kann Daten mit externen Datenquellen wie einer Wettervorhersage anreichern und die Daten dann an denAWS IoT Analytics Datenspeicher weiterleiten.

Speichern

  • Zeitreihendatenspeicher —AWS IoT Analytics speichert die Gerätedaten in einem optimierten Zeitreihendatenspeicher für einen schnelleren Abruf und eine schnellere Analyse. Sie können Zugriffsberechtigungen verwalten, Datenaufbewahrungsrichtlinien implementieren und Ihre Daten an externe Zugriffspunkte exportieren.

  • Verarbeitete Daten und Rohdaten speichern —AWS IoT Analytics Speichert die verarbeiteten Daten und speichert auch automatisch die aufgenommenen Rohdaten, sodass Sie sie zu einem späteren Zeitpunkt verarbeiten können.

Analysieren

  • Ad-hoc-SQL-Abfragen ausführen —AWS IoT Analytics stellt eine SQL-Abfrage-Engine bereit, mit der Sie Ad-hoc-Abfragen ausführen und schnell Ergebnisse erzielen können. Mit dem Service können Sie Standard-SQL-Abfragen verwenden, um Daten aus dem Datenspeicher zu extrahieren, um Fragen wie die durchschnittliche zurückgelegte Entfernung einer Flotte vernetzter Fahrzeuge oder die Anzahl der Türen in einem intelligenten Gebäude nach 19 Uhr zu beantworten. Diese Abfragen können auch dann wiederverwendet werden, wenn sich die angeschlossenen Geräte, die Flottengröße und die analytischen Anforderungen ändern.

  • Zeitreihenanalyse —AWS IoT Analytics unterstützt Zeitreihenanalysen, sodass Sie die Leistung von Geräten im Zeitverlauf analysieren und nachvollziehen können, wie und wo sie verwendet werden, kontinuierlich Gerätedaten überwachen, um Wartungsprobleme vorherzusagen, und Sensoren überwachen können, um Umgebungsbedingungen vorherzusagen und darauf zu reagieren.

  • Gehostete Notebooks für anspruchsvolle Analysen und maschinelles Lernen —AWS IoT Analytics beinhaltet Unterstützung für gehostete Notebooks in Jupyter Notebook für statistische Analysen und maschinelles Lernen. Der Service umfasst eine Reihe von Notizbuchvorlagen, die vonAWS uns verfasste Modelle und Visualisierungen für maschinelles Lernen enthalten. Sie können die Vorlagen verwenden, um mit IoT-Anwendungsfällen zu beginnen, die mit der Erstellung von Geräteausfallprofilen, der Prognose von Ereignissen wie geringer Nutzung, die darauf hindeuten könnten, dass der Kunde das Produkt verlässt, oder mit der Segmentierung von Geräten nach Kundennutzungsgrad (z. B. Vielnutzer, Wochenendnutzer) oder Gerätezustand beginnen. Nachdem Sie ein Notizbuch erstellt haben, können Sie es containerisieren und nach einem von Ihnen angegebenen Zeitplan ausführen. Weitere Informationen finden Sie unter Automatisierung Ihres Workflows.

  • Prognose — Sie können die statistische Klassifizierung mithilfe einer Methode durchführen, die als logistische Regression bezeichnet wird. Sie können auch LSTM (Long-Short-Term Memory) verwenden, eine leistungsfähige neuronale Netzwerktechnik zur Prognose der Ausgabe oder des Zustands eines Prozesses, der im Laufe der Zeit variiert. Die vorkonfigurierten Notebook-Vorlagen unterstützen auch den K-Means-Clustering-Algorithmus für die Gerätesegmentierung, der Ihre Geräte in Gruppen ähnlicher Geräte einordnet. Diese Vorlagen werden typischerweise verwendet, um den Gerätezustand und den Gerätestatus zu erfassen, wie z. B. für HLK-Einheiten in einer Schokoladenfabrik oder die Abnutzung der Blätter an einer Windkraftanlage. Auch diese Notizbuchvorlagen können enthalten und nach einem Zeitplan ausgeführt werden.

Baue und visualisiere

  • QuickSight Amazon-Integration —AWS IoT Analytics stellt einen Konnektor zu Amazon bereit, QuickSight sodass Sie Ihre Datensätze in einem QuickSight Dashboard visualisieren können.

  • Konsolenintegration — Sie können die Ergebnisse Ihrer Ad-hoc-Analyse auch im eingebetteten Jupyter Notebook in der KonsoleAWS IoT Analytics visualisieren.

AWS IoT AnalyticsKomponenten und Konzepte

Channel

Ein Channel erfasst Daten aus einem MQTT-Thema und archiviert die unformatierten, nicht verarbeiteten Nachrichten vor der Veröffentlichung der Daten in einer Pipeline. Sie können Nachrichten auch direkt über die BatchPutMessageAPI an einen Channel senden. Sie werden die unverarbeiteten Nachrichten in einem Amazon Simple Storage Service (Amazon S3) -Bucket gespeichert, den Sie oder SieAWS IoT Analytics verwalten.

Pipeline

Eine Pipeline nimmt Nachrichten aus einem Channel auf und ermöglicht Ihnen, die Nachrichten vor dem Speichern in einem Datastore zu verarbeiten. Die Verarbeitungsschritte, die als Aktivitäten (Pipeline-Aktivitäten) bezeichnet werden, führen Transformationen für Ihre Nachrichten durch, z. B. das Entfernen, Umbenennen oder Hinzufügen von Nachrichtenattributen, das Filtern von Nachrichten basierend auf Attributwerten, das Aufrufen Ihrer Lambda-Funktionen für Nachrichten für eine erweiterte Verarbeitung oder mathematische Transformationen für die Normalisierung von Gerätedaten.

Datastore

Pipelines speichern ihre verarbeiteten Nachrichten in einem Datenspeicher. Ein Datenspeicher ist keine Datenbank, sondern ein skalierbares und abfragbares Repository für Ihre Nachrichten. Sie können mehrere Datenspeicher für Nachrichten von verschiedenen Geräten oder Standorten haben oder für nach Nachrichtenattributen gefilterte Nachrichten, abhängig von der jeweiligen Pipeline-Konfiguration und Ihren Anforderungen. Wie bei unverarbeiteten Kanalnachrichten werden die verarbeiteten Nachrichten eines Datenspeichers in einem Amazon S3 S3-Bucket gespeichert, den Sie oder SieAWS IoT Analytics verwalten.

Dataset

Sie rufen Daten aus einem Datenspeicher ab, indem Sie einen Datensatz erstellen. AWS IoT Analyticsermöglicht es Ihnen, einen SQL-Datensatz oder einen Container-Datensatz zu erstellen.

Nachdem Sie über einen Datensatz verfügen, können Sie Ihre Daten untersuchen und durch die Integration mit Amazon Einblicke in sie gewinnen QuickSight. Durch die Integration mit Jupyter Notebook können Sie auch erweiterte Analysefunktionen ausführen. Jupyter Notebook bietet leistungsstarke datenwissenschaftliche Tools, mit denen maschinelles Lernen und eine Reihe statistischer Analysen durchgeführt werden können. Weitere Informationen finden Sie unter Notebook-Vorlagen.

Sie können Datensatzinhalte an einen Amazon S3 S3-Bucket senden und so die Integration mit Ihren vorhandenen Data Lakes oder den Zugriff über interne Anwendungen und Visualisierungstools ermöglichen. Sie können auch Datensatzinhalte als Eingabe an einen Dienst senden AWS IoT Events, der es Ihnen ermöglicht, Geräte oder Prozesse auf Fehler oder Betriebsänderungen zu überwachen und zusätzliche Aktionen auszulösen, wenn solche Ereignisse eintreten.

SQL-Dataset

Ein SQL-Dataset ist vergleichbar mit einer materialisierten Ansicht aus einer SQL-Datenbank. Sie können einen SQL-Datensatz erstellen, indem Sie eine SQL-Aktion anwenden. SQL-Datasets können im Rahmen eines sich wiederholenden Zeitplans durch Angeben eines Auslösers automatisch generiert werden.

Container-Dataset

Ein Container-Datensatz ermöglicht es Ihnen, Ihre Analysetools automatisch auszuführen und Ergebnisse zu generieren. Weitere Informationen finden Sie unter Automatisierung Ihres Workflows. Darin werden ein SQL-Dataset als Eingabe, ein Docker-Container mit Ihren Analyse-Tools und erforderlichen Bibliotheksdateien, Eingabe- und Ausgabevariablen und ein optionaler Zeitplanauslöser kombiniert. Die Eingabe- und Ausgabevariablen informieren das ausführbare Abbild darüber, wo die Daten abgerufen und die Ergebnisse gespeichert werden sollen. Der Auslöser kann Ihre Analyse entsprechend eines Zeitplanausdrucks ausführen oder wenn ein SQL-Dataset das Erstellen seiner Inhalte beendet. Die Ausführung, Erstellung und Speicherung der Ergebnisse des Analysetools erfolgt mit Container-Datasets automatisch.

Auslöser

Sie können automatisch ein Dataset erstellen, indem Sie einen Auslöser festlegen. Der Trigger kann ein Zeitintervall sein (z. B. diesen Datensatz alle zwei Stunden erstellen) oder der Zeitpunkt, an dem der Inhalt eines anderen Datensatzes erstellt wurde (erstellen Sie diesen Datensatz beispielsweise, wenn die Erstellung seines InhaltsmyOtherDataset abgeschlossen ist). Oder Sie können Datensatzinhalte manuell mithilfe der CreateDatasetContentAPI generieren.

Docker-Container

Sie können Ihren eigenen Docker-Container erstellen, um Ihre Analysetools zu verpacken, oder die verfügbaren Optionen SageMaker verwenden. Weitere Informationen finden Sie unter Docker-Container. Sie können Ihren eigenen Docker-Container erstellen, um Ihre Analysetools zu verpacken, oder die von bereitgestellten Optionen verwenden SageMaker. Sie können einen Container in einer Amazon ECR-Registry speichern, die Sie angeben, sodass er für die Installation auf der gewünschten Plattform verfügbar ist. Docker-Container können Ihren benutzerdefinierten Analysecode ausführen, der mit Matlab, Octave, Wise.io, SPSS, R, Fortran, Python, Scala, Java, C++ usw. vorbereitet wurde. Weitere Informationen finden Sie unter Containerisieren von Notebooks.

Delta-Fenster

Delta-Fenster sind eine Reihe von benutzerdefinierten, nicht überschneidenden und zusammenhängenden Zeitintervallen. Delta-Fenster ermöglichen Ihnen, den Dataset-Inhalt mit neuen Daten, die seit der letzten Analyse im Datenspeicher eingetroffen sind, zu erstellen und Analysen für diese Daten durchzuführen. Sie erstellen ein Delta-Fenster, indem Sie dasdeltaTime in denfilters TeilqueryAction eines Datensatzes setzen. Weitere Informationen finden Sie in der CreateDataset-API. Normalerweise sollten Sie den Datensatzinhalt automatisch erstellen, indem Sie auch einen Zeitintervall-Trigger (triggers:schedule:expression) einrichten. Auf diese Weise können Sie Nachrichten filtern, die in einem bestimmten Zeitfenster eingegangen sind, sodass die in Nachrichten aus früheren Zeitfenstern enthaltenen Daten nicht zweimal gezählt werden. Weitere Informationen finden Sie unter Beispiel 6 — Erstellen eines SQL-Datensatzes mit einem Delta-Fenster (CLI).

Zugriff auf AWS IoT Analytics

AWS IoT AnalyticsStellt als Teil von die folgenden Schnittstellen bereitAWS IoT, über die Ihre Geräte Daten generieren und Ihre Anwendungen mit den von ihnen generierten Daten interagieren können:

AWS Command Line Interface (AWS CLI)

Führen Sie Befehle fürAWS IoT Analytics Windows, OS X und Linux aus. Mit diesen Befehlen können Sie Dinge, Zertifikate, Regeln und Richtlinien erstellen und verwalten. Informationen zu den ersten Schritten finden Sie im AWS Command Line Interface-Benutzerhandbuch. Weitere Informationen zu den Befehlen fürAWS IoT finden Sie unter iot in der AWS Command Line InterfaceReferenz.

Wichtig

Verwenden Sie denaws iotanalytics Befehl, um mit zu interagierenAWS IoT Analytics. Verwenden Sie denaws iot Befehl, um mit anderen Teilen des IoT-Systems zu interagieren.

AWS IoT-API

Erstellen Ihrer IoT-Anwendungen mithilfe von HTTP- oder HTTPS-Anfragen. Mit diesen API-Aktionen können Sie Dinge, Zertifikate, Regeln und Richtlinien erstellen und verwalten. Weitere Informationen finden Sie unter -Aktionen in der AWS IoT-API-Referenz.

AWS-SDKs

Erstellen Sie IhreAWS IoT Analytics Anwendungen mit sprachspezifischen APIs. Diese SDKs umfassen die HTTP- und HTTPS-API und ermöglichen es Ihnen, in jeder der unterstützten Sprachen zu programmieren. Weitere Informationen finden Sie unter AWS SDKs und Tools.

AWS IoTGeräte-SDKs

Erstellen Sie Anwendungen, die auf Ihren Geräten ausgeführt werden und an die Nachrichten gesendetAWS IoT Analytics werden. Weitere Informationen finden Sie unter AWS IoT-SDKs.

AWS IoT Analytics-Konsole

Sie können die Komponenten erstellen, um die Ergebnisse in der AWS IoT AnalyticsKonsole zu visualisieren.

Anwendungsfälle

Prädiktive Wartung

AWS IoT Analyticsbietet Vorlagen zum Erstellen von Modellen für die vorausschauende Wartung und deren Anwendung auf Ihre Geräte. Sie könnenAWS IoT Analytics damit beispielsweise vorhersagen, wann Heiz- und Kühlsysteme bei vernetzten Frachtfahrzeugen voraussichtlich ausfallen werden, sodass die Fahrzeuge umgeleitet werden können, um Transportschäden zu vermeiden. Oder ein Automobilhersteller kann erkennen, welche seiner Kunden abgenutzte Bremsbeläge haben, und sie darauf hinweisen, dass sie sich um die Wartung ihrer Fahrzeuge kümmern sollten.

Proaktive Wiederauffüllung von Vorräten

AWS IoT Analyticsermöglicht die Erstellung von IoT-Anwendungen, mit denen Bestände in Echtzeit überwacht werden können. Beispielsweise kann ein Lebensmittel- und Getränkeunternehmen Daten von Lebensmittelautomaten analysieren und proaktiv Waren nachbestellen, wenn der Vorrat knapp wird.

Bewertung der Prozesseffizienz

MitAWS IoT Analytics können Sie IoT-Anwendungen erstellen, die die Effizienz verschiedener Prozesse ständig überwachen und Maßnahmen ergreifen, um den Prozess zu verbessern. Beispielsweise kann ein Bergbauunternehmen die Effizienz seiner Erztransporter steigern, indem es die Ladung für jede Fahrt maximiert. DamitAWS IoT Analytics kann das Unternehmen die effizienteste Ladung für einen Standort oder einen Lkw im Zeitverlauf ermitteln und dann etwaige Abweichungen von der Ziellast in Echtzeit vergleichen und die wichtigsten Richtlinien zur Verbesserung der Effizienz besser planen.

Intelligente Landwirtschaft

AWS IoT Analyticskann IoT-Gerätedaten mithilfe vonAWS IoT Registrierungsdaten oder öffentlichen Datenquellen mit kontextbezogenen Metadaten anreichern, sodass Ihre Analyse Zeit, Ort, Temperatur, Höhe und andere Umgebungsbedingungen berücksichtigt. Mit dieser Analyse können Sie Modelle erstellen, die empfohlene Aktionen für Ihre Geräte im Feld ausgeben. Um beispielsweise zu bestimmen, wann bewässert werden muss, könnten Bewässerungssysteme die Daten von Feuchtigkeitssensoren mit Daten über Niederschläge anreichern, was eine effizientere Wassernutzung ermöglicht.