Untuk kemampuan serupa dengan Amazon Timestream LiveAnalytics, pertimbangkan Amazon Timestream untuk InfluxDB. Ini menawarkan konsumsi data yang disederhanakan dan waktu respons kueri milidetik satu digit untuk analitik waktu nyata. Pelajari lebih lanjut [di sini](https://docs.aws.amazon.com//timestream/latest/developerguide/timestream-for-influxdb.html).
Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# Tampilan Timeseries
Timestream untuk LiveAnalytics mendukung fungsi-fungsi berikut untuk mengubah data Anda ke tipe `timeseries` data:
**Topics**
+ [CREATE\$1TIME\$1SERIES](#timeseries-specific-constructs.views.CREATE_TIME_SERIES)
+ [UNNEST](#timeseries-specific-constructs.views.UNNEST)
## CREATE\$1TIME\$1SERIES
**CREATE\$1TIME\$1SERIES** adalah fungsi agregasi yang mengambil semua pengukuran mentah dari deret waktu (nilai waktu dan ukuran) dan mengembalikan tipe data timeseries. Sintaks fungsi ini adalah sebagai berikut:
```
CREATE_TIME_SERIES(time, measure_value::)
```
dimana `` adalah tipe data dari nilai ukuran dan dapat menjadi salah satu dari bigint, boolean, double, atau varchar. Parameter kedua tidak bisa null.
Pertimbangkan pemanfaatan CPU dari instans EC2 yang disimpan dalam tabel bernama **metrik** seperti yang ditunjukkan di bawah ini:
| Waktu | region | az | vpc | instance\$1id | ukuran\$1nama | ukuran\$1nilai: :ganda |
| --- | --- | --- | --- | --- | --- | --- |
| 2019-12-04 19:00:00.000 000000 | us-east-1 | kami-timur-1d | vpc-1a2b3c4d | i-1234567890abcdef0 | pemanfaatan cpu\$1 | 35,0 |
| 2019-12-04 19:00:01.000 000000 | us-east-1 | kami-timur-1d | vpc-1a2b3c4d | i-1234567890abcdef0 | pemanfaatan cpu\$1 | 38.2 |
| 2019-12-04 19:00:02.000 000000 | us-east-1 | kami-timur-1d | vpc-1a2b3c4d | i-1234567890abcdef0 | pemanfaatan cpu\$1 | 45.3 |
| 2019-12-04 19:00:00.000 000000 | us-east-1 | kami-timur-1d | vpc-1a2b3c4d | i-1234567890abcdef1 | pemanfaatan cpu\$1 | 54.1 |
| 2019-12-04 19:00:01.000 000000 | us-east-1 | kami-timur-1d | vpc-1a2b3c4d | i-1234567890abcdef1 | pemanfaatan cpu\$1 | 42.5 |
| 2019-12-04 19:00:02.000 000000 | us-east-1 | kami-timur-1d | vpc-1a2b3c4d | i-1234567890abcdef1 | pemanfaatan cpu\$1 | 33.7 |
Menjalankan kueri:
```
SELECT region, az, vpc, instance_id, CREATE_TIME_SERIES(time, measure_value::double) as cpu_utilization FROM metrics
WHERE measure_name=’cpu_utilization’
GROUP BY region, az, vpc, instance_id
```
akan mengembalikan semua seri `cpu_utilization` yang memiliki nilai ukuran. Dalam hal ini, kami memiliki dua seri:
| region | az | vpc | instance\$1id | pemanfaatan cpu\$1 |
| --- | --- | --- | --- | --- |
| us-east-1 | kami-timur-1d | vpc-1a2b3c4d | i-1234567890abcdef0 | [\$1waktu: 2019-12-04 19:00:00.000 000000, ukuran\$1nilai: :ganda: 35.0\$1, \$1waktu: 2019-12-04 19:00:01.000 000000, ukuran\$1nilai: :ganda: 38.2\$1, \$1waktu: 2019-12-04 19:00:02.000 000000, ukuran\$1nilai: :ganda: 45.3\$1] |
| us-east-1 | kami-timur-1d | vpc-1a2b3c4d | i-1234567890abcdef1 | [\$1waktu: 2019-12-04 19:00:00.000 000000, ukuran\$1nilai: :ganda: 35.1\$1, \$1waktu: 2019-12-04 19:00:01.000 000000, ukuran\$1nilai: :ganda: 38.5\$1, \$1waktu: 2019-12-04 19:00:02.000 000000, ukuran\$1nilai: :ganda: 45.7\$1] |
## UNNEST
`UNNEST`adalah fungsi tabel yang memungkinkan Anda untuk mengubah `timeseries` data menjadi model datar. Sintaksnya adalah sebagai berikut:
`UNNEST`mengubah a `timeseries` menjadi dua kolom, yaitu, `time` dan`value`. Anda juga dapat menggunakan alias dengan UNNEST seperti yang ditunjukkan di bawah ini:
```
UNNEST(timeseries) AS (time_alias, value_alias)
```
di `` mana alias untuk tabel datar, `time_alias` adalah alias untuk `time` kolom dan `value_alias` merupakan alias untuk kolom. `value`
Misalnya, pertimbangkan skenario di mana beberapa instans EC2 di armada Anda dikonfigurasi untuk memancarkan metrik pada interval 5 detik, yang lain memancarkan metrik pada interval 15 detik, dan Anda memerlukan metrik rata-rata untuk semua instans pada granularitas 10 detik selama 6 jam terakhir. Untuk mendapatkan data ini, Anda mengubah metrik Anda ke model deret waktu menggunakan **CREATE\$1TIME\$1SERIES**. Anda kemudian dapat menggunakan **INTERPOLATE\$1LINEAR** untuk mendapatkan nilai yang hilang pada granularitas 10 detik. Selanjutnya, Anda mengubah data kembali ke model datar menggunakan **UNNEST**, dan kemudian menggunakan **AVG** untuk mendapatkan metrik rata-rata di semua instance.
```
WITH interpolated_timeseries AS (
SELECT region, az, vpc, instance_id,
INTERPOLATE_LINEAR(
CREATE_TIME_SERIES(time, measure_value::double),
SEQUENCE(ago(6h), now(), 10s)) AS interpolated_cpu_utilization
FROM timestreamdb.metrics
WHERE measure_name= ‘cpu_utilization’ AND time >= ago(6h)
GROUP BY region, az, vpc, instance_id
)
SELECT region, az, vpc, instance_id, avg(t.cpu_util)
FROM interpolated_timeseries
CROSS JOIN UNNEST(interpolated_cpu_utilization) AS t (time, cpu_util)
GROUP BY region, az, vpc, instance_id
```
Kueri di atas menunjukkan penggunaan **UNNEST dengan alias**. Di bawah ini adalah contoh kueri yang sama tanpa menggunakan alias untuk **UNNEST**:
```
WITH interpolated_timeseries AS (
SELECT region, az, vpc, instance_id,
INTERPOLATE_LINEAR(
CREATE_TIME_SERIES(time, measure_value::double),
SEQUENCE(ago(6h), now(), 10s)) AS interpolated_cpu_utilization
FROM timestreamdb.metrics
WHERE measure_name= ‘cpu_utilization’ AND time >= ago(6h)
GROUP BY region, az, vpc, instance_id
)
SELECT region, az, vpc, instance_id, avg(value)
FROM interpolated_timeseries
CROSS JOIN UNNEST(interpolated_cpu_utilization)
GROUP BY region, az, vpc, instance_id
```