本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

寫入

您可以從連接的裝置、IT 系統和工業設備收集時間序列資料，並將其寫入 Timestream for Live Analytics。Timestream for Live Analytics 可讓您在時間序列屬於相同資料表時，從單一時間序列和/或單一寫入請求中多個序列的資料點寫入資料點。為了您的方便，Timestream for Live Analytics 為您提供彈性結構描述，可根據您調用寫入資料庫時指定的測量值的維度名稱和資料類型，自動偵測 Timestream for Live Analytics 資料表的資料欄名稱和資料類型。您也可以將批次資料寫入 Timestream for Live Analytics。

您可以使用 AWS SDKs、 或 透過 AWS CLI、、AWS LambdaAWS IoT CoreAmazon Managed Service for Apache Flink、Amazon Kinesis、 Amazon MSK和 寫入資料開放原始碼 Telegraf。

資料類型

Timestream for Live Analytics 支援下列寫入資料類型。

沒有前期結構描述定義

將資料傳送至 Amazon Timestream for Live Analytics 之前，您必須使用 AWS Management Console、Timestream for Live Analytics SDKs 或 Timestream for Live Analytics API 操作建立資料庫和資料表。如需詳細資訊，請參閱 建立 資料庫 和 建立資料表。建立資料表時，您不需要預先定義結構描述。Amazon Timestream for Live Analytics 會根據傳送的資料點的量值和維度自動偵測結構描述，因此您不再需要離線變更結構描述，以適應快速變化的時間序列資料。

寫入資料 （插入 和 upserts)

Amazon Timestream for Live Analytics 中的寫入操作可讓您插入和更新資料。根據預設，Amazon Timestream for Live Analytics 中的寫入會遵循第一個寫入器的語意，其中資料會儲存為僅附加，並拒絕重複的記錄。雖然第一個寫入器的語義符合許多時間序列應用程式的需求，但在某些情況下，應用程式需要以不容錯的方式更新現有記錄，和/或使用最後一個寫入器寫入資料，會獲得語義，其中具有最高版本的記錄會儲存在服務中。為了解決這些案例，Amazon Timestream for Live Analytics 提供提升資料的能力。Upsert 是一種操作，當記錄不存在時，將記錄插入系統，或在記錄存在時更新記錄。更新記錄時，會以同位方式更新記錄。

沒有要刪除的記錄層級操作。但資料表和資料庫可以刪除。

將資料寫入記憶體存放區和磁性存放區

Amazon Timestream for Live Analytics 可讓您將資料直接寫入記憶體存放區和磁性存放區。記憶體存放區已針對高輸送量資料寫入進行最佳化，而磁性存放區已針對延遲到達資料的低輸送量寫入進行最佳化。

延遲抵達資料是指時間戳記早於目前時間且超出記憶體存放區保留期的資料。您必須透過啟用資料表的磁性存放區寫入，明確啟用將延遲到達資料寫入至磁性存放區的能力。此外， MagneticStoreRejectedDataLocation 會在建立資料表時定義。若要寫入磁性存放區， 的呼叫者WriteRecords必須具有在建立資料表MagneticStoreRejectedDataLocation期間在 中指定的 S3 儲存貯體的S3:PutObject許可。如需詳細資訊，請參閱 CreateTable、WriteRecords 和 PutObject。

使用單一測量記錄和多測量記錄寫入資料

Amazon Timestream for Live Analytics 可讓您使用兩種類型的記錄寫入資料，即單一測量記錄和多測量記錄。

單一測量記錄

單一量值記錄可讓您為每個記錄傳送單一量值。使用此格式將資料傳送至 Timestream for Live Analytics 時，Timestream for Live Analytics 會為每個記錄建立一個資料表列。這表示，如果裝置發出 4 個指標，而且每個指標都是以單一測量記錄傳送，則 Live Analytics 的 Timestream 將在資料表中建立 4 列來存放此資料，而且每列都會重複裝置屬性。當您想要從應用程式監控單一指標，或應用程式不會同時發出多個指標時，建議使用此格式。

多量值記錄

使用多量值記錄，您可以將多個量值存放在單一資料表列中，而不是儲存每個資料表列的一個量值。因此，多測量記錄可讓您將現有資料從關聯式資料庫遷移至 Amazon Timestream for Live Analytics，且變更最少。

您也可以在單一寫入請求中批次處理比單一測量記錄更多的資料。這會增加資料寫入輸送量和效能，並降低資料寫入的成本。這是因為在寫入請求中批次處理更多資料，可讓 Amazon Timestream for Live Analytics 在單一寫入請求中識別更多可重複的資料 （如適用），並僅收取一次重複資料的費用。

多量值記錄

透過多測量記錄，您可以將時間序列資料以更精簡的格式儲存在記憶體和磁性儲存中，這有助於降低資料儲存成本。此外，精簡的資料儲存本身有助於撰寫更簡單的查詢以進行資料擷取、改善查詢效能，並降低查詢成本。

此外，多測量記錄也支援 TIMESTAMP 資料類型，用於在時間序列記錄中儲存多個時間戳記。多測量記錄中的 TIMESTAMP 屬性支援未來或過去的時間戳記。因此，多測量記錄有助於改善效能、成本和查詢簡單性，並為存放不同類型的相關測量提供更多彈性。

範例：監控影片串流應用程式的效能和運作狀態

請考慮在 200 個 EC2 執行個體上執行的影片串流應用程式。您想要使用 Amazon Timestream for Live Analytics 來儲存和分析從應用程式發出的指標，以便您可以了解應用程式的效能和運作狀態、快速識別異常、解決問題並探索最佳化機會。

我們將使用單一測量記錄和多測量記錄來模擬此案例，然後比較/對比這兩種方法。對於每種方法，我們都會做出下列假設。

使用單一量值記錄

資料建模：透過單一量值記錄，我們將為四個量值 （影片啟動時間、重新緩衝比率、影片播放失敗和平均影格速率） 中的每個量值建立一個記錄。每個記錄都會有四個維度 (device_id、 device_type、os_version 和區域） 和時間戳記。

寫入：當您將資料寫入 Amazon Timestream for Live Analytics 時，記錄的建構方式如下。

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);
    }
  }

當您儲存單一測量記錄時，資料會以邏輯方式表示，如下所示。

查詢：您可以撰寫查詢，以擷取過去 15 分鐘內收到相同時間戳記的所有資料點，如下所示。

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

工作負載成本：此工作負載的估計成本為每月 373.23 美元，具有單一測量記錄

使用多測量記錄

資料建模：使用多測量記錄，我們將建立一個記錄，其中包含所有四個量值 （影片啟動時間、重新緩衝比率、影片播放失敗和平均影格速率）、所有四個維度 (device_id、Device_type、os_version 和區域） 和時間戳記。

寫入：當您將資料寫入 Amazon Timestream for Live Analytics 時，記錄的建構方式如下。

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);
    }
  }

當您儲存多測量記錄時，資料會以邏輯方式表示，如下所示。

查詢：您可以撰寫查詢，以擷取過去 15 分鐘內收到相同時間戳記的所有資料點，如下所示。

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)

工作負載成本：具有多測量記錄的工作負載成本估計為 127.43 美元。

使用過去或未來的時間戳記寫入資料

Timestream for Live Analytics 提供透過幾個不同的機制，在記憶體存放區保留時段之外寫入時間戳記的資料的能力。

讀取的最終一致性

Timestream for Live Analytics 支援最終的讀取一致性語義。這表示當您在將一批資料寫入 Timestream for Live Analytics 後立即查詢資料時，查詢結果可能不會反映最近完成的寫入操作的結果。如果您在短時間內重複這些查詢請求，結果應該會傳回最新的資料。