Was ist AWS IoT Analytics? - AWS IoT Analytics
Wie benutzt man AWS IoT AnalyticsZugriff 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 Analytics automatisiert die Schritte, die zur Analyse von Daten von IoT-Geräten erforderlich sind. AWS IoT Analytics filtert, 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 aus maschinellem Lernen durchführen. AWS IoT Analytics ermöglicht eine erweiterte Datenexploration durch die Integration mit Jupyter Notebook. AWS IoT Analytics ermöglicht 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 Geräusche) 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 Zusammenhang mit anderen Daten aus externen Quellen aussagekräftig. AWS IoT Analytics ermöglicht 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 Analytics enthält vorgefertigte Modelle für gängige IoT-Anwendungsfälle, mit denen Sie beispielsweise Fragen beantworten können, welche Geräte bald ausfallen werden oder welche Kunden Gefahr laufen, ihre tragbaren Geräte aufzugeben.

Wie benutzt man AWS IoT Analytics

Die folgende Grafik zeigt einen Überblick darüber, wie Sie es verwenden können AWS IoT Analytics.

Ein Überblick über die Verwendung AWS IoT Analytics

Schlüsselfeatures

Erfassen

  • Integriert in AWS IoT Core—AWS IoT Analytics ist vollständig integriert, AWS IoT Core sodass Nachrichten von verbundenen Geräten empfangen werden können, während diese streamen.

  • Verwenden Sie einen StapelAPI, um Daten aus einer beliebigen Quelle hinzuzufügen — über die Sie Daten aus jeder beliebigen Quelle empfangen AWS IoT Analytics könnenHTTP. Das bedeutet, dass jedes Gerät oder jeder Dienst, der mit dem Internet verbunden ist, Daten an diese senden kann AWS 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 die AWS IoT Analytics Konsole verwenden, um den Empfang von Nachrichten von Geräten über MQTT Themenfilter in verschiedenen Formaten und Frequenzen AWS IoT Analytics zu konfigurieren. AWS IoT Analytics überprüft, ob die Daten innerhalb bestimmter von Ihnen definierter Parameter liegen, 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 von AWS Lambda Funktionen, die ausgelöst werden, wenn fehlende Daten AWS IoT Analytics erkannt werden, sodass Sie Code ausführen können, um Lücken zu schätzen und zu schließen. Sie können auch Maximal- und Minimalfilter sowie Perzentilschwellenwerte definieren, um Ausreißer in Ihren Daten zu entfernen.

  • Transformieren —AWS IoT Analytics kann Nachrichten mithilfe der von Ihnen definierten mathematischen oder bedingten Logik transformieren, sodass Sie allgemeine Berechnungen wie die Umrechnung von Celsius in Fahrenheit durchführen können.

  • Anreichern —AWS IoT Analytics kann Daten mit externen Datenquellen wie Wettervorhersagen anreichern und die Daten anschließend an den AWS 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

  • SQLAd-hoc-Abfragen ausführen —AWS IoT Analytics stellt eine SQL Abfrage-Engine bereit, mit der Sie Ad-hoc-Abfragen ausführen und schnell Ergebnisse erhalten können. Mit diesem Dienst können Sie mithilfe von SQL Standardabfragen Daten aus dem Datenspeicher 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 die Zeitreihenanalyse, sodass Sie die Leistung von Geräten im Laufe der Zeit analysieren und verstehen können, wie und wo sie verwendet werden, Gerätedaten kontinuierlich 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 von Experten AWS erstellte 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 signalisieren könnten, dass der Kunde das Produkt abbestellen wird, oder mit der Segmentierung von Geräten nach Kundennutzungsgrad (z. B. Vielnutzer, Wochenendnutzer) oder Gerätestatus. Nachdem Sie ein Notizbuch erstellt haben, können Sie es in Containern zusammenfassen und nach einem von Ihnen festgelegten Zeitplan ausführen. Weitere Informationen finden Sie unter Automatisieren Ihres Workflows.

  • Prognose — Sie können die statistische Klassifizierung mithilfe einer Methode durchführen, die als logistische Regression bezeichnet wird. Sie können auch Long-Short-Term Memory (LSTM) verwenden, eine leistungsstarke neuronale Netzwerktechnik zur Vorhersage der Leistung oder des Zustands eines Prozesses, der sich im Laufe der Zeit ändert. 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 in der Regel verwendet, um den Zustand und den Zustand von Geräten zu profilieren, z. B. von HVAC Einheiten in einer Schokoladenfabrik oder dem Verschleiß von Rotorblättern an einer Windkraftanlage. Auch hier können diese Notizbuchvorlagen gespeichert und nach einem bestimmten Zeitplan ausgeführt werden.

Erstellen und visualisieren

  • QuickSight Amazon-Integration —AWS IoT Analytics bietet eine Verbindung zu Amazon, 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 „Konsole“ visualisieren. AWS IoT Analytics

AWS IoT Analytics Komponenten und Konzepte

Kanal

Ein Channel sammelt Daten zu einem MQTT Thema und archiviert die unverarbeiteten Rohnachrichten, bevor sie in einer Pipeline veröffentlicht werden. Sie können Nachrichten auch direkt mit dem an einen Kanal senden. BatchPutMessageAPI Die unverarbeiteten Nachrichten werden in einem Amazon Simple Storage Service (Amazon S3) -Bucket gespeichert, den Sie oder Sie AWS IoT Analytics verwalten.

Pipeline

Eine Pipeline verarbeitet Nachrichten aus einem Kanal und ermöglicht es Ihnen, die Nachrichten zu verarbeiten, bevor sie in einem Datenspeicher gespeichert werden. Die Verarbeitungsschritte, die als Aktivitäten (Pipeline-Aktivitäten) bezeichnet werden, führen Transformationen an Ihren Nachrichten durch, z. B. das Entfernen, Umbenennen oder Hinzufügen von Nachrichtenattributen, das Filtern von Nachrichten auf der Grundlage von Attributwerten, das Aufrufen Ihrer Lambda-Funktionen für Nachrichten zur erweiterten Verarbeitung oder das Durchführen mathematischer Transformationen zur 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 Sie AWS IoT Analytics verwalten.

Dataset

Sie rufen Daten aus einem Datenspeicher ab, indem Sie einen Datensatz erstellen. AWS IoT Analytics ermöglicht es Ihnen, einen SQL Datensatz oder einen Containerdatensatz zu erstellen.

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

Sie können den Inhalt von Datensätzen 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 den Inhalt von Datensätzen auch 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.

SQLDatensatz

Ein SQL Datensatz ähnelt einer materialisierten Ansicht aus einer SQL Datenbank. Sie können einen SQL Datensatz erstellen, indem Sie eine SQL Aktion anwenden. SQLDatensätze können automatisch nach einem wiederkehrenden Zeitplan generiert werden, indem ein Trigger angegeben wird.

Container-Dataset

Ein Container-Datensatz ermöglicht es Ihnen, Ihre Analysetools automatisch auszuführen und Ergebnisse zu generieren. Weitere Informationen finden Sie unter Automatisieren Ihres Workflows. Es umfasst einen SQL Datensatz als Eingabe, einen Docker-Container mit Ihren Analysetools und benötigten Bibliotheksdateien, Eingabe- und Ausgabevariablen sowie einen optionalen Zeitplan-Trigger. Die Eingabe- und Ausgabevariablen informieren das ausführbare Abbild darüber, wo die Daten abgerufen und die Ergebnisse gespeichert werden sollen. Der Trigger kann Ihre Analyse ausführen, wenn ein SQL Datensatz die Erstellung seines Inhalts abgeschlossen hat, oder gemäß einem Zeitplanausdruck. 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 Auslöser kann ein Zeitintervall sein (erstellen Sie diesen Datensatz beispielsweise alle zwei Stunden) oder wenn der Inhalt eines anderen Datensatzes erstellt wurde (erstellen Sie diesen Datensatz beispielsweise, wenn die Erstellung seines Inhalts myOtherDataset abgeschlossen ist). Sie können den Inhalt des Datensatzes auch manuell generieren, indem Sie CreateDatasetContentAPI

Docker-Container

Sie können Ihren eigenen Docker-Container erstellen, um Ihre Analysetools zu verpacken, oder die von SageMaker KI bereitgestellten Optionen verwenden. Weitere Informationen finden Sie unter Docker-Container. Sie können Ihren eigenen Docker-Container erstellen, um Ihre Analysetools zu verpacken, oder die von KI bereitgestellten SageMaker Optionen verwenden. Sie können einen Container in einer von Ihnen angegebenen ECRAmazon-Registrierung speichern, damit er auf Ihrer gewünschten Plattform installiert werden kann. Docker-Container können Ihren benutzerdefinierten Analysecode ausführen, der mit Matlab, Octave, Wise.io, R, FortranSPSS, Python, Scala, Java, C++ usw. erstellt wurde. Weitere Informationen finden Sie unter Containerisierung eines Notebooks.

Delta-Fenster

Delta-Fenster sind eine Reihe von benutzerdefinierten, nicht überschneidenden und zusammenhängenden Zeitintervallen. Mithilfe von Delta-Fenstern können Sie den Inhalt des Datensatzes mit neuen Daten erstellen und Analysen durchführen, die seit der letzten Analyse im Datenspeicher eingegangen sind. Sie erstellen ein Delta-Fenster, indem Sie das deltaTime in einem filters Teil queryAction eines Datensatzes festlegen. Weitere Informationen hierzu finden Sie im CreateDatasetAPI. Normalerweise möchten Sie den Inhalt des Datensatzes automatisch erstellen, indem Sie auch einen Zeitintervall-Trigger (triggers:schedule:expression) einrichten. Auf diese Weise können Sie Nachrichten filtern, die während eines bestimmten Zeitfensters 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 AWS IoT Analytics

Im Rahmen von AWS IoT Analytics bietet es die folgenden Schnittstellen AWS IoT, damit Ihre Geräte Daten generieren und Ihre Anwendungen mit den von ihnen generierten Daten interagieren können:

AWS Command Line Interface (AWS CLI)

Befehle für AWS IoT Analytics Windows, OS X und Linux ausführen. 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 für AWS IoT finden Sie unter iot in der AWS Command Line Interface Referenz.

Wichtig

Verwenden Sie den aws iotanalytics Befehl, um mit zu interagieren AWS IoT Analytics. Verwenden Sie den aws iot Befehl, um mit anderen Teilen des IoT-Systems zu interagieren.

AWS IoT API

Erstellen Sie Ihre IoT-Anwendungen mithilfe HTTP unserer 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 APIReferenz.

AWS SDKs

Erstellen Sie Ihre AWS IoT Analytics Anwendungen sprachspezifischAPIs. Diese SDKs schließen das HTTP und ab HTTPS API und ermöglichen es Ihnen, in jeder der unterstützten Sprachen zu programmieren. Weitere Informationen finden Sie unter AWS SDKsund Tools.

AWS IoT Gerät SDKs

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

AWS IoT Analytics Konsole

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

Anwendungsfälle

Prädiktive Wartung

AWS IoT Analytics bietet Vorlagen für die Erstellung von Modellen zur vorausschauenden Wartung und deren Anwendung auf Ihre Geräte. Sie können AWS IoT Analytics damit beispielsweise vorhersagen, wann Heiz- und Kühlsysteme verbundener Frachtfahrzeuge 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.

Proaktives Nachfüllen von Vorräten

AWS IoT Analytics ermöglicht es Ihnen, IoT-Anwendungen zu erstellen, 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

Mit AWS IoT Analytics können Sie IoT-Anwendungen erstellen, die ständig die Effizienz verschiedener Prozesse überwachen und Maßnahmen zur Verbesserung des Prozesses ergreifen. Beispielsweise kann ein Bergbauunternehmen die Effizienz seiner Erztransporter steigern, indem es die Ladung für jede Fahrt maximiert. Mit AWS IoT Analytics dieser Funktion kann das Unternehmen die effizienteste Ladung für einen Standort oder einen Lkw im Laufe der Zeit ermitteln und dann alle Abweichungen von der Zielladung in Echtzeit vergleichen und die wichtigsten Richtlinien zur Steigerung der Effizienz besser planen.

Intelligente Landwirtschaft

AWS IoT Analytics kann IoT-Gerätedaten mithilfe von AWS IoT Registrierungsdaten oder öffentlichen Datenquellen mit kontextuellen 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 Feuchtesensordaten mit Niederschlagsdaten anreichern und so eine effizientere Wassernutzung ermöglichen.