Cos'è AWS IoT Analytics?

Un canale raccoglie dati da un argomento MQTT e archivia i messaggi non elaborati prima di pubblicare i dati in una pipeline. Puoi anche inviare messaggi a un canale direttamente utilizzando l'BatchPutMessageAPI. I messaggi non elaborati vengono archiviati in un bucket Amazon Simple Storage Service (Amazon S3) che tu oAWS IoT Analytics gestisci.

Una pipeline utilizza i messaggi da un canale e consente di elaborarli prima di archiviarli in un datastore. Le fasi di elaborazione, chiamate attività (attività della 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, l'invocazione 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 S3AWS IoT Analytics gestito da te o da te.

Puoi recuperare i dati da un datastore creando un set di dati. AWS IoT Analyticsconsente di creare un set di dati SQL o un set di dati contenitore.

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

Puoi inviare i contenuti dei set di dati a un bucket Amazon S3, abilitando l'integrazione con i tuoi data lake esistenti o l'accesso da applicazioni e strumenti di visualizzazione interni. È inoltre possibile inviare i contenuti dei set di dati come input a AWS IoT Eventsun servizio che 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 dati SQL è simile a una vista materializzata da un database SQL. È possibile creare un set di dati SQL applicando un'azione SQL. I set di dati SQL 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 Automatizzazione del flusso di lavoro. Riunisce un set di dati SQL come input, un container Docker con gli strumenti di analisi e i file della libreria necessari, le variabili di input e output e un trigger di pianificazione facoltativo. 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 dati SQL completa la creazione dei relativi contenuti o in base a un'espressione di pianificazione dell'orario. 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. L'attivazione può essere un intervallo di tempo (ad esempio, creare questo set di dati ogni due ore) o quando è stato creato il contenuto di un altro set di dati (ad esempio, creare questo set di dati almyOtherDataset termine della creazione del contenuto). In alternativa, puoi generare manualmente il contenuto del set di dati utilizzando l'CreateDatasetContentAPI.

Puoi creare il tuo contenitore Docker per impacchettare i tuoi strumenti di analisi o utilizzare le opzioni che SageMaker fornisce. Per ulteriori informazioni, consulta il contenitore Docker. Puoi creare il tuo contenitore Docker per impacchettare i tuoi strumenti di analisi o utilizzare le opzioni fornite da SageMaker. Puoi archiviare un container in un registro di Amazon ECR specificato da te 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, SPSS, R, Fortran, Python, Scala, Java, C++ e così via. Per ulteriori informazioni, consulta Containerizzazione di 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 i nuovi dati che sono arrivati nel datastore dall'ultima analisi e di eseguire l'analisi su di essi. Si crea una finestra delta impostandodeltaTime nellafilters parte di un setqueryAction di dati. Per ulteriori informazioni, consulta l'API CreateDataset. 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 durante un periodo di tempo specifico, in modo che i dati contenuti nei messaggi delle finestre temporali precedenti non vengano contati due volte. Per ulteriori informazioni, vedere Esempio 6: creazione di un set di dati SQL con una finestra Delta (CLI).

EseguiAWS IoT Analytics comandi per Windows, OS X e Linux. Con questi comandi puoi creare e gestire oggetti, certificati, regole e policy. Per iniziare, consulta la AWS Command Line InterfaceGuida per l'utente di . Per ulteriori informazioni sui comandi perAWS IoT, consulta IoT nel AWS Command Line InterfaceRiferimento.

Crea le applicazioni IoT usando richieste HTTP o HTTPS. Con queste operazioni API puoi creare e gestire oggetti, certificati, regole e policy. Per ulteriori informazioni, consulta Operazioni nella documentazione di riferimento dell'API AWS IoT.

Puoi creareAWS IoT Analytics le tue applicazioni utilizzando API specifiche per le lingue. Questi SDK racchiudono le API HTTP e HTTPS e consentono di programmare in una qualsiasi delle lingue supportate. Per ulteriori informazioni, consulta SDK e strumenti di AWS.

Puoi creare applicazioni che vengono eseguite sui tuoi dispositivi a cui inviare messaggiAWS IoT Analytics. Per ulteriori informazioni, consulta SDK di AWS IoT.

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

AWS IoT Analyticsfornisce modelli per creare modelli di manutenzione predittiva e applicarli ai dispositivi. Ad esempio, è possibileAWS IoT Analytics prevedere quando è probabile che i sistemi di riscaldamento e raffreddamento si guastino sui veicoli da carico connessi in modo che i veicoli possano essere reindirizzati 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 Analyticsconsente 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.

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

AWS IoT Analyticspuò arricchire i dati dei dispositivi IoT con metadati contestuali utilizzando dati diAWS IoT registro o fonti di dati pubbliche in modo che l'analisi tenga conto di tempo, 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 innaffiare, i sistemi di irrigazione potrebbero arricchire i dati dei sensori di umidità con dati sulle precipitazioni, consentendo un utilizzo più efficiente dell'acqua.