Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Menulis

Anda dapat mengumpulkan data deret waktu dari perangkat yang terhubung, sistem TI, dan peralatan industri, dan menuliskannya ke Timestream untuk Live Analytics. Timestream for Live Analytics memungkinkan Anda menulis titik data dari satu deret waktu dan/atau titik data dari banyak seri dalam satu permintaan tulis ketika deret waktu termasuk dalam tabel yang sama. Demi kenyamanan Anda, Timestream for Live Analytics menawarkan skema fleksibel yang secara otomatis mendeteksi nama kolom dan tipe data untuk tabel Timestream untuk Live Analytics Anda berdasarkan nama dimensi dan tipe data dari nilai ukuran yang Anda tentukan saat menjalankan penulisan ke dalam database. Anda juga dapat menulis kumpulan data ke Timestream untuk Live Analytics.

Anda dapat menulis data menggunakan AWS SDKs,, AWS CLI, atau melalui AWS LambdaAWS IoT Core,Layanan Terkelola Amazon untuk Apache Flink,Amazon Kinesis,Amazon MSK, danTelegraf sumber terbuka.

Jenis data

Timestream untuk Live Analytics mendukung tipe data berikut untuk penulisan.

Tidak ada definisi skema di muka

Sebelum mengirim data ke Amazon Timestream untuk Live Analytics, Anda harus membuat database dan tabel menggunakan AWS Management Console, Timestream untuk Live AnalyticsSDKs, atau Timestream untuk operasi Live Analytics. API Untuk informasi selengkapnya, silakan lihat Buat database dan Membuat tabel. Saat membuat tabel, Anda tidak perlu mendefinisikan skema di depan. Amazon Timestream for Live Analytics secara otomatis mendeteksi skema berdasarkan ukuran dan dimensi titik data yang dikirim, sehingga Anda tidak perlu lagi mengubah skema secara offline untuk menyesuaikannya dengan data deret waktu yang berubah dengan cepat.

Menulis data (sisipan dan upserts)

Operasi tulis di Amazon Timestream untuk Live Analytics memungkinkan Anda memasukkan dan meningkatkan data. Secara default, menulis di Amazon Timestream untuk Live Analytics mengikuti penulis pertama memenangkan semantik, di mana data disimpan sebagai append saja dan catatan duplikat ditolak. Sementara penulis pertama memenangkan semantik memenuhi persyaratan banyak aplikasi deret waktu, ada skenario di mana aplikasi perlu memperbarui catatan yang ada dengan cara yang idempoten dan/atau menulis data dengan penulis terakhir memenangkan semantik, di mana catatan dengan versi tertinggi disimpan dalam layanan. Untuk mengatasi skenario ini, Amazon Timestream untuk Live Analytics menyediakan kemampuan untuk meningkatkan data. Upsert adalah operasi yang menyisipkan catatan ke dalam sistem ketika catatan tidak ada, atau memperbarui catatan ketika ada. Ketika catatan diperbarui, itu diperbarui dengan cara yang idempoten.

Tidak ada operasi tingkat catatan untuk penghapusan. Tetapi tabel dan database dapat dihapus.

Menulis data ke dalam penyimpanan memori dan penyimpanan magnetik

Amazon Timestream untuk Live Analytics menawarkan kemampuan untuk langsung menulis data ke penyimpanan memori dan penyimpanan magnetik. Penyimpanan memori dioptimalkan untuk penulisan data throughput tinggi dan penyimpanan magnetik dioptimalkan untuk penulisan throughput yang lebih rendah dari data kedatangan terlambat.

Data yang datang terlambat adalah data dengan stempel waktu lebih awal dari waktu saat ini dan di luar periode penyimpanan penyimpanan memori. Anda harus secara eksplisit mengaktifkan kemampuan untuk menulis data yang datang terlambat ke dalam penyimpanan magnetik dengan mengaktifkan penulisan penyimpanan magnetik untuk tabel. Juga, MagneticStoreRejectedDataLocation didefinisikan ketika tabel dibuat. Untuk menulis ke penyimpanan magnetik, penelepon WriteRecords harus memiliki S3:PutObject izin ke bucket S3 yang ditentukan MagneticStoreRejectedDataLocation selama pembuatan tabel. Untuk informasi lebih lanjut, lihat CreateTable, WriteRecords, dan PutObject.

Menulis data dengan catatan ukuran tunggal dan catatan multi-ukuran

Amazon Timestream for Live Analytics menawarkan kemampuan untuk menulis data menggunakan dua jenis catatan, yaitu rekaman ukuran tunggal dan catatan multi-ukuran.

Catatan ukuran tunggal

Catatan ukuran tunggal memungkinkan Anda mengirim satu ukuran per catatan. Saat data dikirim ke Timestream untuk Live Analytics menggunakan format ini, Timestream untuk Live Analytics membuat satu baris tabel per rekaman. Ini berarti bahwa jika perangkat memancarkan 4 metrik dan setiap metrik dikirim sebagai catatan ukuran tunggal, Timestream untuk Live Analytics akan membuat 4 baris dalam tabel untuk menyimpan data ini, dan atribut perangkat akan diulang untuk setiap baris. Format ini direkomendasikan jika Anda ingin memantau satu metrik dari aplikasi atau saat aplikasi Anda tidak memancarkan beberapa metrik secara bersamaan.

Catatan multi-ukuran

Dengan catatan multi-ukuran, Anda dapat menyimpan beberapa ukuran dalam satu baris tabel, alih-alih menyimpan satu ukuran per baris tabel. Oleh karena itu, catatan multi-ukuran memungkinkan Anda untuk memigrasikan data yang ada dari database relasional ke Amazon Timestream untuk Live Analytics dengan sedikit perubahan.

Anda juga dapat mengumpulkan lebih banyak data dalam satu permintaan penulisan daripada catatan ukuran tunggal. Ini meningkatkan throughput dan kinerja penulisan data, dan juga mengurangi biaya penulisan data. Ini karena mengumpulkan lebih banyak data dalam permintaan tulis memungkinkan Amazon TimeStream untuk Live Analytics mengidentifikasi lebih banyak data yang dapat diulang dalam satu permintaan tulis (jika berlaku), dan hanya mengenakan biaya sekali untuk data berulang.

Catatan multi-ukuran

Dengan catatan multi-ukuran, Anda dapat menyimpan data deret waktu Anda dalam format yang lebih ringkas di memori dan penyimpanan magnetik, yang membantu menurunkan biaya penyimpanan data. Selain itu, penyimpanan data ringkas cocok untuk menulis kueri yang lebih sederhana untuk pengambilan data, meningkatkan kinerja kueri, dan menurunkan biaya kueri.

Selain itu, catatan multi-ukuran juga mendukung tipe TIMESTAMP data untuk menyimpan lebih dari satu stempel waktu dalam catatan deret waktu. TIMESTAMPatribut dalam catatan multi-ukuran mendukung stempel waktu di masa depan atau masa lalu. Oleh karena itu, catatan multi-ukuran membantu meningkatkan kinerja, biaya, dan kesederhanaan kueri—dan menawarkan lebih banyak fleksibilitas untuk menyimpan berbagai jenis ukuran yang berkorelasi.

Contoh: Memantau kinerja dan kesehatan aplikasi streaming video

Pertimbangkan aplikasi streaming video yang berjalan pada 200 EC2 instance. Anda ingin menggunakan Amazon Timestream for Live Analytics untuk menyimpan dan menganalisis metrik yang dipancarkan dari aplikasi, sehingga Anda dapat memahami kinerja dan kesehatan aplikasi Anda, mengidentifikasi anomali dengan cepat, menyelesaikan masalah, dan menemukan peluang pengoptimalan.

Kami akan memodelkan skenario ini dengan catatan ukuran tunggal dan catatan multi-ukuran, dan kemudian membandingkan/membedakan kedua pendekatan. Untuk setiap pendekatan, kami membuat asumsi berikut.

Menggunakan catatan ukuran tunggal

Pemodelan data: Dengan catatan ukuran tunggal, kami akan membuat satu catatan untuk masing-masing dari empat ukuran (waktu startup video, rasio rebuffering, kegagalan pemutaran video, dan kecepatan bingkai rata-rata). Setiap record akan memiliki empat dimensi (device_id, device_type, os_version, dan region) dan stempel waktu.

Menulis: Saat Anda menulis data ke Amazon Timestream untuk Live Analytics, catatan dibuat sebagai berikut.

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);
    }
  }

Saat Anda menyimpan catatan ukuran tunggal, data secara logis direpresentasikan sebagai berikut.

Kueri: Anda dapat menulis kueri yang mengambil semua titik data dengan stempel waktu yang sama yang diterima selama 15 menit terakhir sebagai berikut.

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

Biaya beban kerja: Biaya beban kerja ini diperkirakan $373,23 per bulan dengan catatan ukuran tunggal

Menggunakan catatan multi-ukuran

Pemodelan data: Dengan catatan multi-ukuran, kami akan membuat satu catatan yang berisi keempat ukuran (waktu startup video, rasio rebuffering, kegagalan pemutaran video, dan kecepatan bingkai rata-rata), keempat dimensi (device_id, device_type, os_version, dan region), dan stempel waktu.

Menulis: Saat Anda menulis data ke Amazon Timestream untuk Live Analytics, catatan dibuat sebagai berikut.

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);
    }
  }

Saat Anda menyimpan catatan multi-ukuran, data secara logis direpresentasikan sebagai berikut.

Kueri: Anda dapat menulis kueri yang mengambil semua titik data dengan stempel waktu yang sama yang diterima selama 15 menit terakhir sebagai berikut.

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)

Biaya beban kerja: Biaya beban kerja diperkirakan $127,43 dengan catatan multi-ukuran.

Menulis data dengan stempel waktu yang ada di masa lalu atau di masa depan

Timestream for Live Analytics menawarkan kemampuan untuk menulis data dengan stempel waktu yang berada di luar jendela penyimpanan penyimpanan memori melalui beberapa mekanisme berbeda.

Konsistensi akhir untuk membaca

Timestream untuk Live Analytics mendukung semantik konsistensi akhir untuk pembacaan. Ini berarti bahwa ketika Anda melakukan kueri data segera setelah menulis kumpulan data ke Timestream for Live Analytics, hasil kueri mungkin tidak mencerminkan hasil operasi penulisan yang baru saja selesai. Jika Anda mengulangi permintaan kueri ini setelah waktu yang singkat, hasilnya akan mengembalikan data terbaru.