AWS IoT Analytics란 무엇인가요? - AWS IoT Analytics

AWS IoT Analytics 는 더 이상 신규 고객이 사용할 수 없습니다. 의 기존 고객은 평소와 같이 서비스를 계속 사용할 AWS IoT Analytics 수 있습니다. 자세히 알아보기

기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.

AWS IoT Analytics란 무엇인가요?

AWS IoT Analytics 는 IoT 디바이스의 데이터를 분석하는 데 필요한 단계를 자동화합니다.는 분석을 위해 시계열 데이터 스토어에 저장하기 전에 IoT 데이터를 AWS IoT Analytics 필터링, 변환 및 보강합니다. 디바이스에서 필요한 데이터만 수집하도록 서비스를 설정하고, 데이터를 처리하는 데 수학적 변환을 적용하고, 저장하기 전에 디바이스 유형 및 위치와 같은 디바이스별 메타데이터로 데이터를 보강할 수 있습니다. 그런 다음 내장 SQL 쿼리 엔진을 사용하여 쿼리를 실행하여 데이터를 분석하거나 더 복잡한 분석 및 기계 학습 추론을 수행할 수 있습니다. AWS IoT Analytics 는 Jupyter Notebook과의 통합을 통해 고급 데이터 탐색을 가능하게 합니다.는 Amazon QuickSight와의 통합을 통해 데이터 시각화 AWS IoT Analytics 도 가능하게 합니다. Amazon QuickSight는 다음 리전에서 사용할 수 있습니다.

기존의 분석 및 비즈니스 인텔리전스 도구는 구조화된 데이터를 처리하도록 설계되어 있습니다. 원시 IoT 데이터는 덜 체계적인 데이터(예: 온도, 동작 또는 소리)를 기록하는 디바이스로부터 오는 경우가 많습니다. 따라서 이러한 디바이스의 데이터는 큰 폭의 차이, 손상된 메시지, 틀린 판독값을 함유할 수 있으며 분석 전에 이를 주기적으로 정리해야 합니다. 또한 IoT 데이터는 외부 소스의 다른 데이터 컨텍스트에서만 의미가 있는 경우가 많습니다. AWS IoT Analytics 는 이러한 문제를 해결하고 대량의 디바이스 데이터를 수집하고, 메시지를 처리하고, 저장할 수 있도록 합니다. 그런 다음 데이터를 쿼리하고 분석할 수 있습니다. 에는 일반적인 IoT 사용 사례에 대한 사전 구축된 모델이 AWS IoT Analytics 포함되어 있어 어떤 디바이스가 실패할지 또는 어떤 고객이 웨어러블 디바이스를 중단할 위험이 있는지와 같은 질문에 답할 수 있습니다.

사용 방법 AWS IoT Analytics

다음 그래픽은 AWS IoT Analytics사용 방법에 대한 개요를 보여줍니다.

사용 방법 개요 AWS IoT Analytics

주요 기능

수집
  • 와 통합 AWS IoT Core-AWS IoT Analytics 와 완전히 통합되어 스트리밍할 때 연결된 디바이스에서 메시지를 수신할 AWS IoT Core 수 있습니다.

  • 배치 API를 사용하여 모든 소스의 데이터를 추가합니다.는 HTTP를 통해 모든 소스의 데이터를 수신할AWS IoT Analytics 수 있습니다. 다시 말해, 인터넷에 연결된 모든 디바이스 또는 서비스에서 AWS IoT Analytics로 데이터를 보낼 수 있습니다. 자세한 내용은 AWS IoT Analytics API 참조BatchPutMessage를 참조하십시오.

  • 저장 및 분석하려는 데이터만 수집 - 콘솔을 사용하여 AWS IoT Analytics 다양한 형식 및 빈도의 MQTT 주제 필터를 통해 디바이스에서 메시지를 수신 AWS IoT Analytics 하도록를 구성할 수 있습니다.는 데이터가 사용자가 정의 AWS IoT Analytics 한 특정 파라미터 내에 있는지 확인하고 채널을 생성합니다. 그런 다음 메시지 처리, 변환 및 보강에 적절한 파이프라인으로 채널을 라우팅합니다.

프로세스
  • 정리 및 필터링 -AWS IoT Analytics 가 누락된 데이터를 AWS IoT Analytics 감지할 때 트리거되는 AWS Lambda 함수를 정의하여 코드를 실행하여 격차를 추정하고 채울 수 있습니다. 또한 최대 및 최소 필터 및 백분위 임계값을 정의하여 데이터 내 특이값을 제거할 수 있습니다.

  • 변환 - 사용자가 정의한 수학 또는 조건부 로직을 사용하여 메시지를AWS IoT Analytics 변환할 수 있으므로 섭씨에서 화씨로 변환하는 것과 같은 일반적인 계산을 수행할 수 있습니다.

  • Enrich - 일기 예보와 같은 외부 데이터 소스로 데이터를 보강한 다음 데이터를 AWS IoT Analytics 데이터 스토어로 라우팅할AWS IoT Analytics 수 있습니다.

저장
  • 시계열 데이터 스토어 - 더 빠른 검색 및 분석을 위해 디바이스 데이터를 최적화된 시계열 데이터 스토어에AWS IoT Analytics 저장합니다. 액세스 권한을 관리하고, 데이터 보존 정책을 구현하고, 데이터를 외부 액세스 포인트로 내보낼 수도 있습니다.

  • 처리된 데이터 및 원시 데이터 저장 -는 처리된 데이터를AWS IoT Analytics 저장하고 원시 수집 데이터를 자동으로 저장하므로 나중에 처리할 수 있습니다.

분석
  • 임시 SQL 쿼리 실행 - 임시 쿼리를 실행하고 결과를 빠르게 가져올 수 있도록 SQL 쿼리 엔진을AWS IoT Analytics 제공합니다. 해당 서비스를 통해 표준 SQL 쿼리를 사용하여 데이터 스토어로부터 데이터를 추출하고 전체 커넥티드 차량의 평균 이동 거리 또는 오후 7시 이후 스마트 빌딩에서 잠긴 문의 개수와 같은 질문에 답할 수 있습니다. 이러한 쿼리는 커넥티드 디바이스, 집합 크기 및 분석 요건이 변경되는 경우에도 다시 사용될 수 있습니다.

  • 시계열 분석 - 시계열 분석을AWS IoT Analytics 지원하므로 시간 경과에 따른 디바이스의 성능을 분석하고 디바이스가 사용되는 방식과 위치를 이해하고, 디바이스 데이터를 지속적으로 모니터링하여 유지 관리 문제를 예측하고, 센서를 모니터링하여 환경 조건을 예측하고 대응할 수 있습니다.

  • 호스팅된 노트북을 통한 정교한 분석 및 기계 학습 -AWS IoT Analytics 에는 통계 분석 및 기계 학습을 위해 Jupyter Notebook의 호스팅 노트북을 지원하는 기능이 있습니다. 이 서비스에는 AWS작성된 기계 학습 모델 및 시각화가 포함된 노트북 템플릿 세트가 포함되어 있습니다. 템플릿을 이용하여 디바이스 장애 프로파일링, 고객의 제품 중단을 나타낼 수 있는 낮은 사용량과 같은 이벤트 예측 또는 고객 사용량 수준(예: 사용량이 많은 사용자, 주말 사용자)이나 장치 상태를 기준으로 디바이스를 세그먼트화하는 등 IoT 사용 사례를 시작할 수 있습니다. 노트북을 작성한 후 컨테이너화를 해서 지정한 일정에 실행할 수 있습니다. 자세한 내용은 자동화 워크플로를 참조하십시오.

  • 예측—로지스틱 회귀라고 하는 방법을 사용하여 통계 분류를 수행할 수 있습니다. 또한 시간 경과에 따라 다른 프로세스의 결과 또는 상태를 예측하는 강력한 신경망 네트워크 기술인 Long Short-Term Memory(LSTM)를 사용할 수 있습니다. 사전 빌드된 노트북 템플릿은 또한 디바이스 세그먼트화에 대해 K-평균 클러스터링 알고리즘을 지원합니다. 이는 디바이스를 유사한 디바이스 집단으로 클러스터링합니다. 이러한 템플릿은 일반적으로 초콜릿 공장의 HVAC 장치 또는 풍력 터빈 블레이드의 마모 같은 디바이스 상태를 프로파일링하는 데 사용됩니다. 이런 노트북 템플릿을 컨테이너화해 일정에 따라 실행할 수 있습니다.

구축 및 시각화
  • Amazon QuickSight 통합 - Amazon QuickSight QuickSight에 커넥터를AWS IoT Analytics 제공합니다.

  • 콘솔 통합 - AWS IoT Analytics콘솔의 임베디드 Jupyter Notebook에서 결과 또는 임시 분석을 시각화할 수도 있습니다.

AWS IoT Analytics 구성 요소 및 개념

채널

채널은 MQTT 주제로부터 데이터를 수집하고, 데이터를 파이프라인에 게시하기 전에 처리되지 않은 원시 메시지를 보관합니다. 또한 BatchPutMessage API로 메시지를 직접 채널로 전송할 수 있습니다. 처리되지 않은 메시지는 사용자가 관리하거나 AWS IoT Analytics 관리하는 Amazon Simple Storage Service(Amazon S3) 버킷에 저장됩니다.

파이프라인

파이프라인은 채널로부터 메시지를 사용하고 사용자가 데이터 스토어에 저장하기 전에 메시지를 처리할 수 있도록 합니다. 활동(파이프라인 활동)이라고 하는 처리 단계는 메시지 변환을 수행합니다. 그 예로는 메시지 속성 삭제, 이름 변경 또는 추가, 속성 값을 기반으로 한 메시지 필터링, 고급 처리 및 디바이스 데이터 정규화를 위한 수학 변환 수행 시 메시지에서 Lambda 함수 호출이 있습니다.

데이터 스토어

파이프라인은 처리된 메시지를 데이터 스토어에 저장합니다. 데이터 스토어는 데이터베이스가 아니라 확장 및 쿼리가 가능한 메시지 리포지토리입니다. 다양한 디바이스 또는 위치에서 전송되는 메시지 또는 파이프라인 구성 및 요구 사항에 따라 메시지 속성으로 필터링되는 메시지를 저장하기 위해 여러 개의 데이터 스토어를 보유할 수 있습니다. 처리되지 않은 채널 메시지와 마찬가지로 데이터 스토어의 처리된 메시지는 사용자 또는 AWS IoT Analytics 관리하는 Amazon S3 버킷에 저장됩니다.

데이터 세트

데이터 세트를 생성하여 데이터 스토어에서 데이터를 검색합니다. SQL 데이터 세트 또는 컨테이너 데이터 세트를 생성할 수 AWS IoT Analytics 있습니다.

데이터 센터를 생성한 뒤에는 Amazon QuickSight를 사용하여 통합하여 데이터를 탐색하고 분석할 수 있습니다. 아니면 Jupyter Notebook과 통합하여 더욱 발전된 분석 기능을 수행할 수도 있습니다. Jupyter Notebook은 기계 학습과 각종 통계 분석을 수행할 수 있는 강력한 데이터 과학 도구입니다. 자세한 내용은 노트북 템플릿을 참조하십시오.

데이터 세트 콘텐츠를 Amazon S3 버킷으로 보내 기존 데이터 레이크와의 통합 또는 사내 애플리케이션 및 시각화 도구에서의 액세스를 활성화할 수 있습니다. 데이터 세트 콘텐츠를 AWS IoT Events의 입력으로 전송할 수도 있습니다 디바이스나 프로세스의 장애 또는 작동 변경을 모니터링하고 이러한 이벤트가 발생할 때 추가 작업을 트리거하는 서비스입니다.

SQL 데이터 세트

SQL 데이터 세트는 SQL 데이터베이스의 구체화된 보기와 유사합니다. 실제로 SQL 작업을 적용하여 SQL 데이터 세트를 생성할 수 있습니다. SQL 데이터 세트는 트리거 지정을 통해 반복되는 일정으로 자동 생성될 수 있습니다.

컨테이너 데이터 세트

컨테이너 데이터 세트를 사용하면 자동으로 분석 도구를 실행하고 결과를 생성할 수 있습니다. 자세한 내용은 자동화 워크플로를 참조하십시오. 입력으로서의 SQL 데이터 세트, 분석 도구와 필요한 라이브러리 파일이 포함된 Docker 컨테이너, 입력 및 출력 변수, 선택 사항인 일정 트리거를 결합합니다. 입력 및 출력 변수는 데이터를 가져오고 결과를 저장할 실행 가능한 이미지를 구분합니다. 트리거는 SQL 데이터 세트에서 콘텐츠 생성을 완료할 때 또는 시간 예약 표현식에 따라 분석을 실행할 수 있습니다. 컨테이너 데이터 세트는 자동으로 실행되어 분석 도구의 결과를 생성한 다음 저장합니다.

트리거

트리거를 지정하여 자동으로 데이터 세트를 생성할 수 있습니다. 트리거는 시간 간격이거나(예: 두 시간마다 이 데이터 세트를 생성), 다른 데이터 세트의 콘텐츠를 생성한 시간(예: myOtherDataset가 콘텐츠 생성을 완료할 때 이 데이터 세트 생성)일 수 있습니다. 또는 CreateDatasetContent API를 사용하여 데이터 세트 콘텐츠를 수동으로 생성할 수 있습니다.

Docker 컨테이너

자체 Docker 컨테이너를 생성하여 분석 도구를 패키징하거나 SageMaker AI가 제공하는 옵션을 사용할 수 있습니다. 자세한 내용은 Docker 컨테이너를 참조하십시오. 자체 Docker 컨테이너를 생성하여 분석 도구를 패키징하거나 SageMaker AI에서 제공하는 옵션을 사용할 수 있습니다. 컨테이너를 지정한 Amazon ECR 레지스트리에 저장하여 나중에 원하는 플랫폼에 설치할 때 사용할 수 있습니다. Docker 컨테이너는 Matlab, Octave, Wise.io, SPSS, R, Fortran, Python, Scala, Java, C++ 등으로 준비한 사용자 지정 분석 코드를 실행할 수 있습니다. 자세한 내용은 노트북 컨테이너화를 참조하십시오.

Delta 기간

델타 기간이란 일련의 사용자 정의된 비중첩 연속 시간 간격입니다. 델타 기간을 통해 포함되는 데이터 세트 콘텐츠를 생성하고, 마지막 분석 이후 데이터 스토어에 새로 도착한 데이터를 분석할 수 있습니다. 데이터 세트의 queryAction에서 filtersdeltaTime을 설정해 델타 기간을 생성할 수 있습니다. 자세한 정보는 CreateDatasetAPI를 참조하세요. 일반적으로 시간 간격 트리거를 설정하여 데이터 세트 콘텐츠를 자동으로 생성합니다(triggers:schedule:expression). 기본적으로 이를 통해 특정 기간 동안 도착한 메시지를 필터링할 수 있어 이전 기간에 온 메시지에 포함된 데이터가 두 번 고려되지 않습니다. 자세한 내용은 예 6 -- 델타 기간으로 SQL 데이터 세트 생성(CLI)을 참조하십시오.

액세스 AWS IoT Analytics

AWS IoT의 일부로는 디바이스가 데이터를 생성하고 애플리케이션이 생성한 데이터와 상호 작용할 수 있도록 다음 인터페이스를 AWS IoT Analytics 제공합니다.

AWS Command Line Interface (AWS CLI)

Windows, OS X 및 Linux AWS IoT Analytics 에서에 대한 명령을 실행합니다. 이러한 명령을 사용하여 사물, 인증서, 규칙 및 정책을 생성하고 관리할 수 있습니다. 시작하려면 AWS Command Line Interface 사용 설명서를 참조하십시오. 명령에 대한 자세한 내용은 AWS Command Line Interface 참조iot를 AWS IoT참조하세요.

중요

aws iotanalytics 명령을 사용하여와 상호 작용합니다 AWS IoT Analytics. IoT 시스템의 다른 부분과 상호 작용하려면 aws iot 명령을 사용합니다.

AWS IoT API

HTTP 또는 HTTPS 요청을 사용하여 IoT 애플리케이션을 빌드합니다. 이러한 API 작업을 사용하여 사물, 인증서, 규칙 및 정책을 생성하고 관리할 수 있습니다. 자세한 내용은 AWS IoT API 참조작업 섹션을 참조하십시오.

AWS SDKs

언어별 API를 사용하여 AWS IoT Analytics 애플리케이션을 빌드합니다. APIs 이러한 SDK는 HTTP와 HTTPS API를 래핑하고 지원되는 언어로 프로그램을 작성할 수 있게 해줍니다. 자세한 내용은 AWS SDK 및 도구 섹션을 참조하십시오.

AWS IoT 디바이스 SDKs

메시지를 보내는 디바이스에서 실행되는 애플리케이션을 빌드합니다 AWS IoT Analytics. 자세한 내용은 AWS IoT SDK를 참조하십시오.

AWS IoT Analytics 콘솔

구성 요소를 구축하여 AWS IoT Analytics 콘솔에서 결과를 시각화할 수 있습니다.

사용 사례

예측 유지 보수

AWS IoT Analytics 는 예측 유지 관리 모델을 빌드하고 디바이스에 적용할 템플릿을 제공합니다. 예를 들어, AWS IoT Analytics 를 사용하여 연결된 화물 차량에서 냉난방 시스템이 실패할 가능성이 있는 시기를 예측할 수 있습니다. 따라서 배송 손상을 방지하기 위해 차량을 다시 라우팅할 수 있습니다. 또는 자동차 제조업체의 경우 어떤 고객의 브레이크 패드가 마모되었는지 감지하고 해당 고객에게 차량 정비를 받으라고 알릴 수 있습니다.

사전 공급 보충

AWS IoT Analytics 를 사용하면 인벤토리를 실시간으로 모니터링할 수 있는 IoT 애플리케이션을 구축할 수 있습니다. 예를 들어 식음료 회사에서 자동 판매기의 데이터를 분석하고 공급이 줄어들 때마다 상품을 사전 재주문할 수 있습니다.

프로세스 효율성 평가

를 사용하면 다양한 프로세스의 효율성을 지속적으로 모니터링하고 프로세스를 개선하기 위한 조치를 취하는 IoT 애플리케이션을 구축할 AWS IoT Analytics수 있습니다. 예를 들어 광업 회사에서는 운행 시마다 적재량을 최대화하여 광석 운반 트럭의 효율성을 높일 수 있습니다. AWS IoT Analytics를 사용하면 시간이 지남에 따라 위치 또는 트럭의 가장 효율적인 로드를 식별한 다음 대상 로드와의 편차를 실시간으로 비교하고 효율성을 개선하기 위한 선행 지침을 더 잘 계획할 수 있습니다.

스마트 농업

AWS IoT Analytics 는 시간, 위치, 온도, 고도 및 기타 환경 조건의 분석 요소를 위해 AWS IoT 레지스트리 데이터 또는 퍼블릭 데이터 소스를 사용하여 컨텍스트 메타데이터로 IoT 디바이스 데이터를 보강할 수 있습니다. 이러한 분석을 통해 디바이스가 현장에서 취할 권장 작업을 생산하는 모델을 작성할 수 있습니다. 예를 들어 물을 주어야 하는 시기를 결정하기 위해 관개 시스템은 습도 센서 데이터에 강우 데이터를 보강하여 물을 더 효율적으로 사용할 수 있도록 합니다.