AWS IoT Analytics – Häufig gestellte Fragen
F: Was ist AWS IoT Analytics?
AWS IoT Analytics ist ein vollständig verwalteter IoT-Analyseservice, der IoT-Gerätedaten im Maßstab sammelt, vorverarbeitet, anreichert, speichert und analysiert. IoT Analytics kann einfache Ad hoc-Abfragen sowie komplexe Analysen durchführen. Es ist die einfachere Alternative, IoT-Analysen für das Interpretieren von Geräteleistung, die Vorhersage von Geräteausfällen und maschinelles Lernen durchzuführen. Es wurde speziell für IoT entwickelt und sammelt und speichert automatisch den Nachrichtenzeitstempel, wodurch die Zeitreihenanalyse vereinfacht wird. IoT Analytics kann Daten außerdem über die AWS IoT-Registry mit gerätespezifischen Metadaten, wie dem Gerätetyp und dem Gerätestandort, anreichern. AWS IoT Analytics speichert Daten in einem IoT-optimierten Datenspeicher, damit Sie Abfragen auf große Datensätze durchführen können. Mit AWS IoT Analytics können Sie auch benutzerdefiniert verfasste Code-Container ausführen. AWS IoT Analytics automatisiert die Ausführung Ihrer benutzerdefinierten Analysen, die in Jupyter Notebook oder Ihren eigenen Tools (wie Matlab, Octave usw.) für eine geplante Ausführung erstellt wurden.
F: Wie funktioniert AWS IoT Analytics?
AWS IoT Analytics ist vollständig in AWS IoT Core integriert, was den Einstieg extrem einfach macht. Sie definieren zuerst einen Kanal und wählen dann die Daten aus, die gesammelt werden sollen, damit nur die Daten, die für Sie von Interesse sind, wie die Sensortemperatur, gespeichert und analysiert werden. Nachdem Sie den Kanal eingerichtet haben, konfigurieren Sie die Pipelines zur Datenverarbeitung. Pipelines unterstützen Transformationen, wie die Celsius-zu-Fahrenheit-Umwandlung, bedingte Anweisungen, Nachrichtenfilter und Nachrichtenanreicherung, über externe Datenquellen und AWS Lambda-Funktionen.
Nachdem die Daten in der Pipeline verarbeitet wurden, speichert IoT Analytics sie zur Analyse in einem IoT-optimierten Datenspeicher. Sie können die Daten über die integrierte SQL-Abfrage-Engine abfragen, um spezifische Unternehmensfragen zu beantworten. Zum Beispiel können Sie so herausfinden, wie viele aktive Benutzer pro Monat für jedes Gerät in der Flotte existieren. Durch die Integration in Amazon SageMaker unterstützt IoT Analytics komplexere Analysefunktionen wie Bayessche Inferenz und maschinelles Lernen. Sie können auch ganz einfach Visualisierungen und Dashboards erstellen und so über die IoT Analytics-Daten schnell Unternehmenseinblicke gewinnen, da diese in Amazon QuickSight integriert sind.
F: Kann ich meinen benutzerdefinierten Analysecode in AWS IoT Analytics ausführen?
Ja, Sie können Ihre eigene benutzerdefinierte Analyse, in einem Container verpackt, in AWS IoT Analytics ausführen. Sie können Ihren benutzerdefinierten Code-Container in ein Container-Dataset importieren und die Ausführung Ihres Containers planen.
F: Wie unterscheidet sich ein SQL-Dataset von einem Container-Dataset?
Ein SQL-Dataset ist vergleichbar mit einer materialisierten Ansicht aus einer SQL-Datenbank. Tatsächlich erstellen Sie ein SQL-Dataset durch Anwendung einer SQL-Aktion. SQL-Datasets können im Rahmen eines sich wiederholenden Zeitplans durch Angeben eines Auslösers automatisch generiert werden.
Mit einem Container-Dataset können Sie Ihre Analyse-Tools automatisch ausführen und Ergebnisse generieren. Darin werden ein SQL-Dataset als Eingabe, ein Docker-Container mit Ihren Analyse-Tools und erforderlichen Bibliotheksdateien, Eingabe- und Ausgabevariablen und ein optionaler Zeitplanauslöser kombiniert. Die Eingabe- und Ausgabevariablen informieren das ausführbare Abbild darüber, wo die Daten abgerufen und die Ergebnisse gespeichert werden sollen. Der Auslöser kann Ihre Analyse entsprechend eines Zeitplanausdrucks ausführen oder wenn ein SQL-Dataset das Erstellen seiner Inhalte beendet. Die Ergebnisse der Analyse-Tools werden von einem Container-Dataset automatisch ausgeführt, generiert und dann gespeichert.
F: Was sind DeltaTime-Fenster?
Delta-Fenster sind eine Reihe von benutzerdefinierten, nicht überschneidenden und zusammenhängenden Zeitintervallen. Mit Delta-Fenstern können Sie Dataset-Inhalte mit neuen Daten erstellen, die seit der letzten Analyse im Datenspeicher eingetroffen sind, und diese neuen Daten analysieren. Sie erstellen ein Delta-Fenster, indem Sie die DeltaTime im Filterteil einer queryAction eines Datasets festlegen. Im Grunde genommen können Sie dadurch Nachrichten filtern, die innerhalb eines bestimmten Zeitfensters eingetroffen sind. Somit werden die Daten von Nachrichten aus vorherigen Zeitfenstern nicht doppelt gezählt.
F: Wie führe ich meinen benutzerdefinierten Code-Container in AWS IoT Analytics nach meinem bevorzugten Zeitplan aus?
Sie können Ihren eigenen benutzerdefinierten Code, in einem Container verpackt, in AWS IoT Analytics ausführen. Sie können ein Container-Dataset über die AWS IoT Analytics-Konsole oder API erstellen, indem Sie das SQL-Dataset, das Container-Abbild des benutzerdefinierten Codes, Eingabe- und Ausgabevariablen und einen optionalen Zeitplanauslöser als Parameter angeben, wobei ein Auslöser ein Ereignis einer SQL-Dataset-Inhaltserstellung oder eines Zeitplans sein kann. Das Container-Dataset stellt die Inhalte des SQL-Datasets für den analytischen Code bereit, der im Container-Abbild verfügbar ist, und führt das Abbild basierend auf Ihrem Auslöser automatisch aus, um Erkenntnisse nach Ihrem bevorzugten Zeitplan zu generieren.
F: Welche Richtlinien zur Datenaufbewahrung habe ich in meinen Datenspeichern und Kanälen?
Sie können sich dafür entscheiden, ob Sie eigene Richtlinien zur Datenaufbewahrung in den Datenspeichern und Kanälen festlegen möchten. Sie können für den Aufbewahrungszeitraum eine beliebige Anzahl an Tagen auswählen. Wenn Sie keinen Aufbewahrungszeitraum auswählen, bewahrt der Service Ihre Daten für einen unbegrenzten Zeitraum auf.
F: Welche Arten von Nachrichtenformat werden von AWS IoT Analytics unterstützt?
Der AWS IoT Analytics Service unterstützt das JSON-Format und binäre Formate (binäres JSON-Format, Protokollpuffer, usw.). Für den Fall, dass die Nachrichten in einem binären Format sind, muss die erste Aktivität Ihrer Pipeline eine Lambda-Aktivität mit der Ausgabe eines gültigen JSON-Formats sein.
F: Kann ich meine Daten vom Kanal mit einer Pipeline erneut verarbeiten?
Ja, Sie können die Daten von dem Kanal, der mit der Pipeline verbunden ist, mithilfe des Befehls "StartPipelineReprocessing" erneut verarbeiten. Wenn Sie Ihre Daten vom Kanal mithilfe einer anderen Pipeline erneut verarbeiten möchten, müssen Sie die Pipeline mit dem entsprechenden Kanal verbinden.
F: Wie bekomme ich mit der Eingabe-API die Daten in AWS IoT Analytics?
Sie können die BatchPutMessage-API verwenden, um Ihre Daten aus Quellen wie Amazon S3, Amazon Kinesis oder sonstigen Datenquellen an AWS IoT Analytics zu senden. Sie können diese APIs innerhalb der Lambda-Funktion oder einem beliebigen anderen Skript nutzen, um die Daten an AWS IoT Analytics zu senden. Weitere Informationen finden Sie unter "Daten von S3 an IoT Analytics senden" und "Daten von Kinesis an IoT Analytics senden".
F: Kann ich die Vorschau meiner Nachrichten im Kanal aufrufen?
Ja, Sie können eine Vorschau Ihrer Nachrichten mithilfe des API-Befehls "SampleChannelData" aufrufen. Mit diesem API-Befehl werden über alle Daten hinweg bis zu zehn Nachrichten von Ihrem Kanal aufgeführt.
F: Kann ich die Aktivität meiner Pipeline simulieren?
Ja, Sie können den API-Befehl "RunPipelineActivity" oder die Konsole nutzen, um die Aktivität Ihrer Pipeline zu simulieren. Dieser API-Befehl verwendet die Liste mit Beispieldaten (entweder von "SampleChannelData" oder einer manuell erstellten Liste), um die Aktivität zu simulieren, und erstellt eine Vorschau der Ergebnisse.
F: Was ist der Unterschied zwischen AWS IoT Analytics und Amazon Kinesis Analytics?
AWS IoT Analytics wurde speziell für IoT entwickelt und sammelt und speichert automatisch den Nachrichtenzeitstempel, was es einfach macht, eine Zeitreihenanalyse durchzuführen. IoT Analytics kann Daten außerdem über die AWS IoT-Registry und andere öffentliche Datenquellen mit gerätespezifischen Metadaten, wie dem Gerätetyp und dem Gerätestandort, anreichern IoT Analytics speichert Gerätedaten in einem IoT-optimierten Datenspeicher, damit Sie Abfragen auf große Datensätze durchführen können.
Amazon Kinesis Analytics ist ein Mehrzweck-Tool, das dafür entwickelt wurde, Streaming-Daten von IoT-Geräten und anderen Datenquellen auf einfache Weise in Echtzeit zu verarbeiten.
Tabelle 1: Funktionsvergleich von AWS IoT Analytics mit Kinesis Analytics
| Funktionen | AWS IoT Analytics |
Amazon Kinesis Analytics |
| Speicherung von Zeitreihendaten | X | |
| Automatische Datenpartition nach Nachrichtenzeitstempel und Geräte-ID | X | |
| Gerätespezifische Datenanreicherung | X | |
| Abfragen auf große Datensätze | X | |
| Streaming-Analysen | X | |
| Verarbeitung in Echtzeit | Latenz von Minuten oder Sekunden | Latenz von Sekunden oder Millisekunden |
| Prozesse in Zeitfenstern | X | |
| Parsen nicht strukturierter Daten und automatische Erstellung von Schemata | JSON und CSV | JSON und CSV |
F: Wann verwende ich AWS IoT Analytics und wann Amazon Kinesis Analytics?
Sie können AWS IoT Analytics für die IoT-Analyse verwenden. Zu den Anwendungsfällen gehören unter anderem das Verständnis langfristiger Geräteleistung, Geschäftsberichte und Ad-hoc-Analysen sowie die prädiktive Flottenwartung. IoT Analytics eignet sich besonders gut für diese Anwendungsfälle, da es Daten von Geräten über lange Zeitspannen hinweg sammelt, vorbereitet und in einem IoT-optimierten Datenspeicher speichert. IoT Analytics kann Daten außerdem über die AWS IoT-Registry und andere öffentliche Datenquellen mit gerätespezifischen Metadaten, wie dem Gerätetyp und dem Gerätestandort, anreichern.
Wenn Sie jedoch für Anwendungsfälle, wie die Geräteüberwachung, IoT-Daten in Echtzeit analysieren müssen, können Sie dafür Amazon Kinesis Analytics nutzen.
Tabelle 2: Anwendungsfälle von AWS IoT Analytics im Vergleich zu Kinesis Analytics
| Anwendungsfall |
AWS IoT Analytics | Amazon Kinesis Analytics |
| Verstehen langfristiger Geräteleistungscharakteristika | Ja. Anreicherung von IoT-Daten mit IoT-spezifischen Metadaten, wie Gerätetyp und Gerätestandort, über eine AWS IoT-Registry und andere öffentliche Datenquellen. Weingutbesitzer können zum Beispiel die Daten der Feuchtigkeitssensoren mit erwarteten Regenfällen an den Weingütern anreichern, damit sie wissen, wann sie die Weinreben selbst mit Wasser versorgen müssen. | Nein. Eignet sich am besten für Streaming-Analysen in Echtzeit. |
| Geschäftsberichte und Ad-hoc-Analysen von IoT-Daten | Ja. Sammeln, Verarbeiten und Speichern von IoT-Daten und Integration in AWS QuickSight, um Dashboards und Berichte zu erstellen, oder Verwenden der integrierten SQL-Abfrage-Engine für Ad-hoc-Abfragen. Beispielsweise das Aggregieren der Sensorausfälle in der Flotte in einem wöchentlichen Flottenleistungsbericht. | Nein. Eignet sich am besten zur Durchführung von Streaming-Abfragen auf IoT-Daten, wie das Generieren von Warnmeldungen bei einem Sensorausfall. |
| Prädiktive Flottenwartung | Ja. Sammeln, Verarbeiten und Speichern von IoT-Daten und Verwenden vorgefertigter Vorlagen zum Erstellen und Bereitstellen von prädiktiven Modellen. Beispielsweise die Prognose, wann ein HVAC-System in verbundenen Fahrzeugen ausfällt, damit das Fahrzeug umgeleitet und die Auslieferung beschleunigt werden kann, um eine Beschädigung der Lieferung zu vermeiden. | Nein. Eine prädiktive Wartung erfordert eine Verlaufsanalyse von Langzeitdaten, um diese Modelle erstellen zu können. |
| Geräteüberwachung in Echtzeit | Nein. | Ja. Kinesis Analytics kann Daten über Zeitfenster kontinuierlich aggregieren, Anomalien entdecken und entsprechende Aktionen ausführen, wie zum Beispiel das Aussenden einer Warnmeldung. Kinesis Analytics kann beispielsweise alle 5 Minuten rollierende 10-Sekunden-Mittelwerte der Armaturtemperaturen von Industriemaschinen berechnen und feststellen, wann die Temperatur einen festgelegten Grenzwert überschreitet. Es kann daraufhin eine Warnmeldung an die Kontrollsysteme senden, um die Maschine automatisch abzuschalten und so Zwischenfälle zu vermeiden. |
F: Wann verwende ich AWS IoT Analytics und Amazon Kinesis gemeinsam?
Verwenden Sie AWS IoT Analytics und Amazon Kinesis gemeinsam, wenn Sie sowohl Verlaufs- als auch Echtzeitanalysen durchführen wollen. Kinesis Analytics kann beispielsweise rollierende 10-Sekunden-Mittelwerte von Armaturtemperaturen in Industriemaschinen berechnen, um festzustellen, wann die Temperatur einen festgelegten Grenzwert überschreitet. Kinesis Analytics kann daraufhin eine Warnmeldung an die Kontrollsysteme senden, um die Maschine automatisch abzuschalten und so Zwischenfälle zu vermeiden. Die Daten können Sie dann mit Kinesis Streams an IoT Analytics senden. Mit IoT Analytics können Sie Trends verstehen und voraussagen, wann die Armaturen ersetzt oder gewartet werden sollten.
F: Wann sollte ich bei der Arbeit mit IoT-Daten AWS IoT Analytics im Vergleich zu Amazon Kinesis Streams, Amazon Kinesis Analytics und Amazon Kinesis Firehose verwenden?
Kunden können AWS Lambda verwenden, um Daten von Amazon Kinesis Streams an einen AWS IoT-Datenkanal und dann zu AWS IoT Analytics zu senden.
Amazon Kinesis Analytics wurde für die Streaming-Analyse entwickelt, während IoT Analytics für die Analyse von ruhenden Daten gedacht ist. Kunden, die sowohl Echtzeit- als auch IoT-Analysen benötigen, können Kinesis Analytics und IoT Analytics gemeinsam verwenden.
Amazon Kinesis Firehose stellt die einfachste Möglichkeit dar, Streaming-Daten in die AWS-Datenspeicher Amazon S3, Amazon Redshift und Amazon Elasticsearch Service zu laden, was eine Analyse mit vorhandenen Business-Intelligence-Tools fast in Echtzeit ermöglicht. Kinesis Firehose wird von IoT Analytics nicht als Datenquelle unterstützt.
F: Wann verwende ich AWS IoT Analytics und wann Amazon Kinesis Video Streams?
Mit Amazon Kinesis Video Streams ist es einfach, Video-, Audio- und andere zeitcodierte Daten aus Quellen wie Kameras, Tiefensensoren und Radargeräten sicher an AWS zur Echtzeit- und Batch-Verarbeitung in ML- und Analyseanwendungen sowie anderen Anwendungen zu streamen. Kinesis Video Streams wurde speziell dafür entwickelt, Videodaten von Geräten aufzunehmen, während AWS IoT Analytics für die Analyse von Nicht-Video-IoT-Daten gedacht ist. Bei GA gibt es keine direkte Integration zwischen Kinesis Video Streams und AWS IoT Core oder IoT Analytics. Kunden können jedoch Kinesis Video Streams und IoT Analytics mittels APIs über Ihre Anwendungen abfragen.
Weitere AWS IoT Analytics-Funktionen entdecken