Che cos'è AWS IoT Analytics?

Un canale raccoglie dati da un MQTT argomento e archivia i messaggi non elaborati e non elaborati prima di pubblicarli in una pipeline. Puoi anche inviare messaggi a un canale direttamente utilizzando. BatchPutMessageAPI I messaggi non elaborati vengono archiviati in un bucket Amazon Simple Storage Service (Amazon S3) gestito da te o gestito. AWS IoT Analytics

Una pipeline consuma i messaggi da un canale e ti consente di elaborarli prima di archiviarli in un archivio dati. Le fasi di elaborazione, chiamate attività (attività Pipeline), eseguono trasformazioni sui messaggi, come la rimozione, la ridenominazione o l'aggiunta di attributi dei messaggi, il filtraggio dei messaggi in base ai valori degli attributi, il richiamo delle funzioni Lambda sui messaggi per l'elaborazione avanzata o l'esecuzione di trasformazioni matematiche per normalizzare i dati del dispositivo.

Le pipeline archiviano i messaggi elaborati in un datastore. Un datastore non è un database, ma un repository scalabile di messaggi su cui puoi effettuare query. Puoi avere più datastore per i messaggi provenienti da diversi dispositivi o ubicazioni o filtrati in base agli attributi del messaggio a seconda dei requisiti e della configurazione della pipeline. Come per i messaggi di canale non elaborati, i messaggi elaborati di un data store vengono archiviati in un bucket Amazon S3 gestito dall'utente o dall'utente. AWS IoT Analytics

Puoi recuperare i dati da un data store creando un set di dati. AWS IoT Analytics consente di creare un set di SQL dati o un set di dati contenitore.

Dopo aver creato un set di dati, puoi esplorare e ottenere informazioni approfondite sui tuoi dati tramite l'integrazione con Amazon QuickSight. Puoi anche eseguire funzioni analitiche più avanzate tramite l'integrazione con Jupyter Notebook. Jupyter Notebook offre potenti strumenti di data science in grado di eseguire l'apprendimento automatico e una serie di analisi statistiche. Per ulteriori informazioni, consulta Modelli di notebook.

Puoi inviare contenuti di set di dati a un bucket Amazon S3, abilitando l'integrazione con i data lake esistenti o l'accesso da applicazioni e strumenti di visualizzazione interni. Puoi anche inviare il contenuto del set di dati come input a AWS IoT Events, un servizio che ti consente di monitorare dispositivi o processi per individuare guasti o modifiche operative e di attivare azioni aggiuntive quando si verificano tali eventi.

Un set di SQL dati è simile a una vista materializzata di un SQL database. È possibile creare un set di SQL dati applicando un'SQLazione. SQLi set di dati possono essere generati automaticamente in base a una pianificazione ricorrente specificando un trigger.

Un set di dati contenitore consente di eseguire automaticamente gli strumenti di analisi e generare risultati. Per ulteriori informazioni, consulta Automatizzare il flusso di lavoro. Riunisce un set di SQL dati come input, un contenitore Docker con gli strumenti di analisi e i file di libreria necessari, le variabili di input e output e un trigger di pianificazione opzionale. Le variabili di input e output indicano all'immagine eseguibile dove recuperare i dati e memorizzare i risultati. Il trigger può eseguire l'analisi quando un set di SQL dati termina la creazione del contenuto o in base a un'espressione di pianificazione temporale. Un container del set di dati viene eseguito automaticamente, genera e quindi salva i risultati degli strumenti di analisi.

Puoi creare automaticamente un set di dati specificando un trigger. Il trigger può essere un intervallo di tempo (ad esempio, crea questo set di dati ogni due ore) o quando è stato creato il contenuto di un altro set di dati (ad esempio, crea questo set di dati al myOtherDataset termine della creazione del contenuto). In alternativa, puoi generare il contenuto del set di dati manualmente utilizzando CreateDatasetContentAPI.

Puoi creare il tuo contenitore Docker per impacchettare i tuoi strumenti di analisi o utilizzare le opzioni fornite dall' SageMaker intelligenza artificiale. Per ulteriori informazioni, consulta Contenitore Docker. Puoi creare il tuo contenitore Docker per impacchettare i tuoi strumenti di analisi o utilizzare le opzioni fornite dall'SageMaker intelligenza artificiale. Puoi archiviare un contenitore in un ECR registro Amazon da te specificato in modo che sia disponibile per l'installazione sulla piattaforma desiderata. I contenitori Docker sono in grado di eseguire il codice analitico personalizzato preparato con Matlab, Octave, Wise.io, R, FortranSPSS, Python, Scala, Java, C++ e così via. Per ulteriori informazioni, consulta Containerizzare un notebook.

Gli intervalli delta sono una serie di intervalli di tempo contigui, definiti dall'utente e che non si sovrappongono. Le finestre Delta consentono di creare il contenuto del set di dati con ed eseguire analisi su nuovi dati che sono arrivati nell'archivio dati dopo l'ultima analisi. È possibile creare una finestra delta impostando la deltaTime nella filters parte queryAction di un set di dati. Per ulteriori informazioni, consulta la CreateDataset API. Di solito, ti consigliamo di creare automaticamente il contenuto del set di dati impostando anche un trigger a intervallo di tempo (triggers:schedule:expression). Ciò consente di filtrare i messaggi che sono arrivati in una finestra temporale specifica, in modo che i dati contenuti nei messaggi provenienti da finestre temporali precedenti non vengano conteggiati due volte. Per ulteriori informazioni, consulta l'Esempio 6: creazione di un SQL set di dati con una finestra Delta (CLI).

Esegui AWS IoT Analytics comandi per Windows, OS X e Linux. Questi comandi consentono di creare e gestire elementi, certificati, regole e politiche. Per iniziare, consulta la AWS Command Line Interface Guida per l'utente di . Per ulteriori informazioni sui comandi per AWS IoT, consulta iot nel AWS Command Line Interface Reference.

Crea le tue applicazioni IoT utilizzando HTTP le HTTPS nostre richieste. Queste API azioni ti consentono di creare e gestire elementi, certificati, regole e politiche. Per ulteriori informazioni, consulta Azioni nel AWS IoT APIriferimento.

Crea AWS IoT Analytics le tue applicazioni utilizzando linguaggi specificiAPIs. Questi SDKs racchiudono HTTP HTTPS API e ti consentono di programmare in una qualsiasi delle lingue supportate. Per ulteriori informazioni, consulta AWS SDKse strumenti.

Crea applicazioni eseguibili sui tuoi dispositivi a cui inviare messaggi AWS IoT Analytics. Per ulteriori informazioni, consulta AWS IoT SDKs.

È possibile creare i componenti per visualizzare i risultati nella AWS IoT Analytics console.

AWS IoT Analytics fornisce modelli per creare modelli di manutenzione predittiva e applicarli ai dispositivi. Ad esempio, è possibile AWS IoT Analytics prevedere quando i sistemi di riscaldamento e raffreddamento rischiano di guastarsi sui veicoli cargo connessi, in modo da poter reindirizzare i veicoli per evitare danni alla spedizione. Oppure, un costruttore di automobili può rilevare quali clienti hanno le pastiglie dei freni in esaurimento e avvisarli di provvedere alla manutenzione del veicolo.

AWS IoT Analytics consente di creare applicazioni IoT in grado di monitorare gli inventari in tempo reale. Ad esempio, un'azienda di prodotti alimentari può analizzare i dati dei distributori automatici di alimenti e riordinare la merce in modo proattivo ogni volta che la fornitura è in esaurimento.

Con AWS IoT Analytics, puoi creare applicazioni IoT che monitorano costantemente l'efficienza dei diversi processi e agire per migliorare il processo. Ad esempio, una compagnia mineraria può aumentare l'efficienza dei propri camion di minerale massimizzando il carico per ogni viaggio. In questo modo AWS IoT Analytics, l'azienda è in grado di identificare il carico più efficiente per una sede o un camion nel tempo, confrontare eventuali deviazioni dal carico target in tempo reale e pianificare meglio le linee guida principali per migliorare l'efficienza.

AWS IoT Analytics può arricchire i dati dei dispositivi IoT con metadati contestuali utilizzando dati di AWS IoT registro o fonti di dati pubbliche in modo che l'analisi tenga conto di ora, posizione, temperatura, altitudine e altre condizioni ambientali. Con questa analisi puoi scrivere modelli che forniscono operazioni consigliate per i dispositivi da eseguire nei campi. Ad esempio, per determinare quando irrigare, i sistemi di irrigazione potrebbero arricchire i dati dei sensori di umidità con i dati sulle precipitazioni, consentendo un uso più efficiente dell'acqua.