Veröffentlicht am: Nov 2, 2017
Mithilfe von Amazon Kinesis Analytics können Sie Anomalien bei Streaming-Daten in Echtzeit erkennen. Heute haben wir zwei neue Funktionen veröffentlicht, die Erklärungen für Anomalien liefern und Ihnen so die Durchführung einer Ursachenanalyse erleichtern. Sie können sehen, welche Felder in Ihren Daten hohe Anomaliebewertungen verursachen und Trends erkennen, die mit den Anomalien zusammenhängen.
Kinesis Analytics verwendet den Random Cut Forest-Algorithmus zur Analyse von einem oder mehreren numerischen Feldern, um Bewertungen zu erstellen, in denen Anomalien in Daten-Streams identifiziert werden. Wenn Datensätze in Ihrem Daten-Stream über eine große Anzahl von Feldern verfügen, kann es schwierig sein, manuell zu ermitteln, welche Felder zu hohen Anomaliebewertungen führen, insbesondere, wenn es sich um eine große Menge an Daten handelt, die sich schnell verlagern und häufig ändern. Kinesis Analytics bietet jetzt Erklärungen der Anomaliebewertungen in Echtzeit, die mithilfe von Attribution und Direktionalität ermittelt werden. Mithilfe der Attribution wird der Beitrag der Eingabefelder zur Gesamtbewertung erklärt und die Direktionalität liefert Informationen über Trends, wie Spitzen und Einbrüche in den einzelnen Feldern. Weitere Informationen und Beispiel-Code finden Sie in der SQL-Referenz von Amazon Kinesis Analytics im Abschnitt RANDOM_CUT_FOREST_WITH_EXPLANATION.
Kinesis Analytics ist die einfachste Möglichkeit, Streaming-Daten in Echtzeit mit SQL zu verarbeiten, ohne neue Programmiersprachen oder Verarbeitungs-Frameworks erlernen zu müssen. Mit Kinesis Analytics können Sie Streaming-Daten abfragen oder umfassende Streaming-Anwendungen mit SQL erstellen, damit Sie praktisch umsetzbare Erkenntnisse gewinnen und umgehend auf die Anforderungen Ihres Unternehmens und Ihrer Kunden reagieren können. Kinesis Analytics ist in den Regionen USA Ost (Nord-Virginia), USA West (Oregon) und EU (Irland) verfügbar.