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.

Schreibt

Sie können Zeitreihendaten von angeschlossenen Geräten, IT-Systemen und Industrieanlagen sammeln und sie in Timestream for Live Analytics schreiben. Timestream for Live Analytics ermöglicht es Ihnen, Datenpunkte aus einer einzelnen Zeitreihe und/oder Datenpunkte aus vielen Serien in einer einzigen Schreibanforderung zu schreiben, wenn die Zeitreihen zu derselben Tabelle gehören. Der Einfachheit halber bietet Ihnen Timestream for Live Analytics ein flexibles Schema, das die Spaltennamen und Datentypen für Ihre Timestream for Live Analytics-Tabellen auf der Grundlage der Dimensionsnamen und der Datentypen der Kennzahlwerte, die Sie beim Aufrufen von Schreibvorgängen in die Datenbank angeben, auto erkennt. Sie können auch Datenstapel in Timestream for Live Analytics schreiben.

Sie können Daten mit AWS SDKs, AWS CLI, oder überAWS Lambda,, AWS IoT CoreAmazon Managed Service für Apache Flink, Amazon KinesisAmazon MSK, und schreibenOpen-Source-Telegraf.

Datentypen

Timestream for Live Analytics unterstützt die folgenden Datentypen für Schreibvorgänge.

Keine Schemadefinition im Voraus

Bevor Sie Daten an Amazon Timestream for Live Analytics senden, müssen Sie mithilfe der AWS Management Console Operationen Timestream for Live Analytics oder Timestream for Live Analytics SDKs eine Datenbank und eine Tabelle erstellen. API Weitere Informationen erhalten Sie unter Erstellen einer -Datenbank und Erstellen einer Tabelle. Beim Erstellen der Tabelle müssen Sie das Schema nicht im Voraus definieren. Amazon Timestream for Live Analytics erkennt das Schema automatisch anhand der Maße und Dimensionen der gesendeten Datenpunkte, sodass Sie Ihr Schema nicht mehr offline ändern müssen, um es an Ihre sich schnell ändernden Zeitreihendaten anzupassen.

Daten schreiben (Einfügungen und Upserts)

Der Schreibvorgang in Amazon Timestream for Live Analytics ermöglicht es Ihnen, Daten einzufügen und zu aktualisieren. Standardmäßig folgen Schreibvorgänge in Amazon Timestream for Live Analytics der Semantik „Der erste Writer gewinnt“. Dabei werden Daten nur als Anhängen gespeichert und doppelte Datensätze werden zurückgewiesen. Während die Semantik mit dem ersten Writer die Anforderungen vieler Zeitreihenanwendungen erfüllt, gibt es Szenarien, in denen Anwendungen bestehende Datensätze idempotent aktualisieren und/oder Daten mit der Semantik des letzten Schreibers schreiben müssen, wobei der Datensatz mit der höchsten Version im Service gespeichert wird. Um diesen Szenarien gerecht zu werden, bietet Amazon Timestream for Live Analytics die Möglichkeit, Daten zu ändern. Upsert ist eine Operation, die einen Datensatz in das System einfügt, wenn der Datensatz nicht existiert, oder den Datensatz aktualisiert, wenn einer existiert. Wenn der Datensatz aktualisiert wird, wird er idempotent aktualisiert.

Es gibt keinen Vorgang zum Löschen auf Datensatzebene. Tabellen und Datenbanken können jedoch gelöscht werden.

Daten in den Speicher und den Magnetspeicher schreiben

Amazon Timestream for Live Analytics bietet die Möglichkeit, Daten direkt in den Speicher und den Magnetspeicher zu schreiben. Der Speicherspeicher ist für Datenschreibvorgänge mit hohem Durchsatz optimiert, und der Magnetspeicher ist für Schreibvorgänge von spät eintreffenden Daten mit niedrigerem Durchsatz optimiert.

Zu spät eintreffende Daten sind Daten, deren Zeitstempel vor der aktuellen Uhrzeit liegt und sich außerhalb der Aufbewahrungsfrist des Speicherspeichers befindet. Sie müssen die Möglichkeit, spät eintreffende Daten in den Magnetspeicher zu schreiben, ausdrücklich aktivieren, indem Sie Magnetspeicher-Schreibvorgänge für die Tabelle aktivieren. MagneticStoreRejectedDataLocationWird auch definiert, wenn eine Tabelle erstellt wird. Um in den Magnetspeicher schreiben zu können, WriteRecords müssen Aufrufer von über S3:PutObject Berechtigungen für den S3-Bucket verfügen, der MagneticStoreRejectedDataLocation bei der Tabellenerstellung angegeben wurde. Weitere Informationen finden Sie unter CreateTableWriteRecords, und PutObject.

Schreiben von Daten mit Einzelmesswerten und Datensätzen mit mehreren Messwerten

Amazon Timestream for Live Analytics bietet die Möglichkeit, Daten mithilfe von zwei Arten von Datensätzen zu schreiben, nämlich Einzelmessdatensätzen und Datensätzen mit mehreren Messwerten.

Datensätze mit einer einzigen Messung

Einzelmessdatensätze ermöglichen es Ihnen, eine einzelne Messgröße pro Datensatz zu senden. Wenn Daten mit diesem Format an Timestream for Live Analytics gesendet werden, erstellt Timestream for Live Analytics eine Tabellenzeile pro Datensatz. Das heißt, wenn ein Gerät 4 Messwerte ausgibt und jede Metrik als Einzelmessdatensatz gesendet wird, erstellt Timestream for Live Analytics 4 Zeilen in der Tabelle, um diese Daten zu speichern, und die Geräteattribute werden für jede Zeile wiederholt. Dieses Format wird in Fällen empfohlen, in denen Sie eine einzelne Metrik von einer Anwendung aus überwachen möchten oder wenn Ihre Anwendung nicht mehrere Metriken gleichzeitig ausgibt.

Datensätze mit mehreren Messwerten

Bei Datensätzen mit mehreren Kennzahlen können Sie mehrere Kennzahlen in einer einzigen Tabellenzeile speichern, anstatt eine Kennzahl pro Tabellenzeile zu speichern. Multi-Measure-Aufzeichnungen ermöglichen es Ihnen daher, Ihre vorhandenen Daten mit minimalen Änderungen aus relationalen Datenbanken zu Amazon Timestream for Live Analytics zu migrieren.

Sie können auch mehr Daten in einer einzigen Schreibanforderung stapeln als Einzeldatensätze. Dies erhöht den Durchsatz und die Leistung beim Schreiben von Daten und senkt auch die Kosten für Datenschreibvorgänge. Das liegt daran, dass Amazon Timestream for Live Analytics durch die Bündelung von mehr Daten in einer einzigen Schreibanforderung (falls zutreffend) mehr wiederholbare Daten identifizieren kann und für wiederholte Daten nur einmal Gebühren berechnet werden.

Datensätze mit mehreren Messwerten

Bei Datensätzen mit mehreren Messwerten können Sie Ihre Zeitreihendaten in einem kompakteren Format im Speicher und Magnetspeicher speichern, wodurch die Kosten für die Datenspeicherung gesenkt werden. Außerdem eignet sich der kompakte Datenspeicher für das Schreiben einfacherer Abfragen für den Datenabruf, verbessert die Abfrageleistung und senkt die Kosten von Abfragen.

Darüber hinaus unterstützen Datensätze mit mehreren Messwerten auch den TIMESTAMP Datentyp zum Speichern von mehr als einem Zeitstempel in einem Zeitreihendatensatz. TIMESTAMPAttribute in einem Datensatz mit mehreren Kennzahlen unterstützen Zeitstempel in der future oder Vergangenheit. Datensätze mit mehreren Kennzahlen tragen somit zur Verbesserung der Leistung, der Kosten und der Einfachheit von Abfragen bei und bieten mehr Flexibilität beim Speichern verschiedener Arten von korrelierten Kennzahlen.

Beispiel: Überwachung der Leistung und des Zustands einer Video-Streaming-Anwendung

Stellen Sie sich eine Videostreaming-Anwendung vor, die auf 200 EC2 Instanzen ausgeführt wird. Sie möchten Amazon Timestream for Live Analytics verwenden, um die von der Anwendung ausgegebenen Metriken zu speichern und zu analysieren, damit Sie die Leistung und den Zustand Ihrer Anwendung verstehen, Anomalien schnell identifizieren, Probleme lösen und Optimierungsmöglichkeiten entdecken können.

Wir werden dieses Szenario mit Datensätzen mit Einzelkennzahlen und Datensätzen mit mehreren Messwerten modellieren und dann beide Ansätze vergleichen/gegenüberstellen. Für jeden Ansatz gehen wir von den folgenden Annahmen aus.

Verwendung von Datensätzen für einzelne Messwerte

Datenmodellierung: Bei Einzelmessdatensätzen erstellen wir einen Datensatz für jede der vier Messungen (Videostartzeit, Pufferrate, Fehler bei der Videowiedergabe und durchschnittliche Bildrate). Jeder Datensatz wird die vier Dimensionen (device_id, device_type, os_version und region) und einen Zeitstempel haben.

Schreibvorgänge: Wenn Sie Daten in Amazon Timestream for Live Analytics schreiben, werden die Datensätze wie folgt aufgebaut.

public void writeRecords() {
    System.out.println("Writing records");
    // Specify repeated values for all records
    List<Record> records = new ArrayList<>();
    final long time = System.currentTimeMillis();
 
    List<Dimension> dimensions = new ArrayList<>();
    
    final Dimension device_id = new Dimension().withName("device_id").withValue("12345678");
    final Dimension device_type = new Dimension().withName("device_type").withValue("iPhone 11");
    final Dimension os_version = new Dimension().withName("os_version").withValue("14.8");
    final Dimension region = new Dimension().withName("region").withValue("us-east-1");
 
    dimensions.add(device_id);
    dimensions.add(device_type);
    dimensions.add(os_version);
    dimensions.add(region);
 
    Record videoStartupTime = new Record()
        .withDimensions(dimensions)
        .withMeasureName("video_startup_time")
        .withMeasureValue("200")
        .withMeasureValueType(MeasureValueType.BIGINT)
        .withTime(String.valueOf(time));
    Record rebufferingRatio = new Record()
        .withDimensions(dimensions)
        .withMeasureName("rebuffering_ratio")
        .withMeasureValue("0.5")
        .withMeasureValueType(MeasureValueType.DOUBLE)
        .withTime(String.valueOf(time));
    Record videoPlaybackFailures = new Record()
        .withDimensions(dimensions)
        .withMeasureName("video_playback_failures")
        .withMeasureValue("0")
        .withMeasureValueType(MeasureValueType.BIGINT)
        .withTime(String.valueOf(time));
    Record averageFrameRate = new Record()
        .withDimensions(dimensions)
        .withMeasureName("average_frame_rate")
        .withMeasureValue("0.5")
        .withMeasureValueType(MeasureValueType.DOUBLE)
        .withTime(String.valueOf(time));

    records.add(videoStartupTime);
    records.add(rebufferingRatio); 
    records.add(videoPlaybackFailures);
    records.add(averageFrameRate);
 
    WriteRecordsRequest writeRecordsRequest = new WriteRecordsRequest()
        .withDatabaseName(DATABASE_NAME)
        .withTableName(TABLE_NAME)
        .withRecords(records);
 
    try {
      WriteRecordsResult writeRecordsResult = amazonTimestreamWrite.writeRecords(writeRecordsRequest);
      System.out.println("WriteRecords Status: " + writeRecordsResult.getSdkHttpMetadata().getHttpStatusCode());
    } catch (RejectedRecordsException e) {
      System.out.println("RejectedRecords: " + e);
      for (RejectedRecord rejectedRecord : e.getRejectedRecords()) {
        System.out.println("Rejected Index " + rejectedRecord.getRecordIndex() + ": "
            + rejectedRecord.getReason());
      }
      System.out.println("Other records were written successfully. ");
    } catch (Exception e) {
      System.out.println("Error: " + e);
    }
  }

Wenn Sie Einzelmessdatensätze speichern, werden die Daten logisch wie folgt dargestellt.

Abfragen: Sie können wie folgt eine Abfrage schreiben, die alle Datenpunkte mit demselben Zeitstempel abruft, die in den letzten 15 Minuten empfangen wurden.

with cte_video_startup_time as ( SELECT time, device_id, device_type, os_version, region, measure_value::bigint as video_startup_time FROM table where time >= ago(15m) and measure_name=”video_startup_time”),
cte_rebuffering_ratio as ( SELECT time, device_id, device_type, os_version, region, measure_value::double as rebuffering_ratio FROM table where time >= ago(15m) and measure_name=”rebuffering_ratio”),
cte_video_playback_failures as ( SELECT time, device_id, device_type, os_version, region, measure_value::bigint as video_playback_failures FROM table where time >= ago(15m) and measure_name=”video_playback_failures”),
cte_average_frame_rate as ( SELECT time, device_id, device_type, os_version, region, measure_value::double as average_frame_rate FROM table where time >= ago(15m) and measure_name=”average_frame_rate”)
SELECT a.time, a.device_id, a.os_version, a.region, a.video_startup_time, b.rebuffering_ratio, c.video_playback_failures, d.average_frame_rate FROM cte_video_startup_time a, cte_buffering_ratio b, cte_video_playback_failures c, cte_average_frame_rate d WHERE
a.time = b.time AND a.device_id = b.device_id AND a.os_version = b.os_version AND a.region=b.region AND
a.time = c.time AND a.device_id = c.device_id AND a.os_version = c.os_version AND a.region=c.region AND
a.time = d.time AND a.device_id = d.device_id AND a.os_version = d.os_version AND a.region=d.region

Workload-Kosten: Die Kosten für diesen Workload werden auf 373,23$ pro Monat bei Datensätzen mit nur einer Kennzahl geschätzt

Verwendung von Datensätzen mit mehreren Kennzahlen

Datenmodellierung: Bei Datensätzen mit mehreren Messwerten erstellen wir einen Datensatz, der alle vier Kennzahlen (Videostartzeit, Pufferrate, Fehler bei der Videowiedergabe und durchschnittliche Bildrate), alle vier Dimensionen (device_id, device_type, os_version und Region) und einen Zeitstempel enthält.

Schreibvorgänge: Wenn Sie Daten in Amazon Timestream for Live Analytics schreiben, werden die Datensätze wie folgt aufgebaut.

public void writeRecords() {
    System.out.println("Writing records");
    // Specify repeated values for all records
    List<Record> records = new ArrayList<>();
    final long time = System.currentTimeMillis();
 
    List<Dimension> dimensions = new ArrayList<>();
    
    final Dimension device_id = new Dimension().withName("device_id").withValue("12345678");
    final Dimension device_type = new Dimension().withName("device_type").withValue("iPhone 11");
    final Dimension os_version = new Dimension().withName("os_version").withValue("14.8");
    final Dimension region = new Dimension().withName("region").withValue("us-east-1");
 
    dimensions.add(device_id);
    dimensions.add(device_type);
    dimensions.add(os_version);
    dimensions.add(region);
 
    Record videoMetrics = new Record()
        .withDimensions(dimensions)
        .withMeasureName("video_metrics")
        .withTime(String.valueOf(time));
        .withMeasureValueType(MeasureValueType.MULTI)
        .withMeasureValues(
          new MeasureValue()
        	.withName("video_startup_time")
        	.withValue("0")
        	.withValueType(MeasureValueType.BIGINT),
        	new MeasureValue()
		.withName("rebuffering_ratio")
        	.withValue("0.5")
        	.withType(MeasureValueType.DOUBLE),
          new MeasureValue()
        	.withName("video_playback_failures")
        	.withValue("0")
        	.withValueType(MeasureValueType.BIGINT),
		 new MeasureValue()
         	.withName("average_frame_rate")
        	.withValue("0.5")
        	.withValueType(MeasureValueType.DOUBLE))
 
    records.add(videoMetrics);
 
    WriteRecordsRequest writeRecordsRequest = new WriteRecordsRequest()
        .withDatabaseName(DATABASE_NAME)
        .withTableName(TABLE_NAME)
        .withRecords(records);
 
    try {
      WriteRecordsResult writeRecordsResult = amazonTimestreamWrite.writeRecords(writeRecordsRequest);
      System.out.println("WriteRecords Status: " + writeRecordsResult.getSdkHttpMetadata().getHttpStatusCode());
    } catch (RejectedRecordsException e) {
      System.out.println("RejectedRecords: " + e);
      for (RejectedRecord rejectedRecord : e.getRejectedRecords()) {
        System.out.println("Rejected Index " + rejectedRecord.getRecordIndex() + ": "
            + rejectedRecord.getReason());
      }
      System.out.println("Other records were written successfully. ");
    } catch (Exception e) {
      System.out.println("Error: " + e);
    }
  }

Wenn Sie Datensätze mit mehreren Kennzahlen speichern, werden die Daten logisch wie folgt dargestellt.

Abfragen: Sie können wie folgt eine Abfrage schreiben, die alle Datenpunkte mit demselben Zeitstempel abruft, die in den letzten 15 Minuten empfangen wurden.

SELECT time, device_id, device_type, os_version, region, video_startup_time, rebuffering_ratio, video_playback_failures, average_frame_rate FROM table where time >= ago(15m)

Workload-Kosten: Bei Datensätzen mit mehreren Kennzahlen werden die Workload-Kosten auf 127,43$ geschätzt.

Daten mit einem Zeitstempel schreiben, der in der Vergangenheit oder in der future existiert

Timestream for Live Analytics bietet mithilfe verschiedener Mechanismen die Möglichkeit, Daten mit einem Zeitstempel zu schreiben, der außerhalb des Aufbewahrungszeitfensters für den Speicherspeicher liegt.

Eventuelle Konsistenz bei Lesevorgängen

Timestream for Live Analytics unterstützt die Semantik der eventuellen Konsistenz bei Lesevorgängen. Wenn Sie also Daten unmittelbar nach dem Schreiben eines Datenstapels in Timestream for Live Analytics abfragen, spiegeln die Abfrageergebnisse möglicherweise nicht die Ergebnisse eines kürzlich abgeschlossenen Schreibvorgangs wider. Wenn Sie diese Abfrageanfragen nach kurzer Zeit wiederholen, sollten die Ergebnisse die neuesten Daten zurückgeben.