Функции сервиса Аналитика AWS IoT

Получайте данные из любого источника, включая AWS IoT Core. Получайте данные непосредственно из AWS IoT Core в AWS IoT Analytics. Или используйте API BatchputMessage для отправки данных в AWS IoT Analytics из Amazon S3, Amazon Kinesis или любого другого источника. Благодаря полной интеграции AWS IoT Analytics с AWS IoT Core и API можно без труда получать сообщения от подключенных устройств по мере их поступления.

Собирайте только те данные, которые хотите хранить и анализировать. Консоль AWS IoT Analytics позволяет настроить AWS IoT Analytics на получение сообщений с устройств с помощью тематических фильтров MQTT в различных форматах и частотах. AWS IoT Analytics проверяет, что данные находятся в диапазонах, которые заданы в настройках, и создает каналы. Затем сервис направляет каналы к соответствующим конвейерам для обработки, преобразования и дополнения сообщений.

Очистка и фильтрация — AWS IoT Analytics позволяет определить функции AWS Lambda, которые могут срабатывать при обнаружении недостающих данных AWS IoT Analytics, чтобы можно было запускать код для оценки и заполнения пробелов. Можно также определить фильтры максимальной и минимальной длины и пороговые значения процентилей для устранения отклонений в данных.

Преобразование — AWS IoT Analytics может преобразовывать сообщения, используя заданную вами математическую или условную логику, что позволяет выполнять обычные вычисления, такие как преобразование значений Цельсия в градусы Фаренгейта.

Дополнение. AWS IoT Analytics может дополнять получаемые данные из внешних источников, например из информации о прогнозе погоды, а затем направлять данные в хранилище данных AWS IoT Analytics.

Повторная обработка. AWS IoT Analytics может выполнять повторную обработку необработанных данных из канала, подключенного к конвейеру. Повторная обработка необработанных данных дает возможность создать новый конвейер или обратиться к старому для получения новых и исторических данных, внесения изменений в конвейер или обработки данных другим способом. Это часто бывает необходимо для более глубокого анализа или проверки гипотез. Для повторной обработки данных достаточно подключить конвейер к соответствующему каналу.

Хранилище данных временных рядов. AWS IoT Analytics хранит данные устройства в оптимизированном для Интернета вещей (IoT) хранилище данных временных рядов для анализа. Сервис позволяет управлять разрешениями для доступа к хранилищу, внедрять политики хранения данных и экспортировать свои данные во внешние точки доступа.

Хранение обработанных и исходных данных. AWS IoT Analytics хранит обработанные данные, а также автоматически сохраняет собранные необработанные данные, чтобы можно было обработать их в будущем.

Выполнение спонтанных и запланированных SQL-запросов. AWS IoT Analytics имеет встроенный механизм обработки SQL-запросов, позволяющий выполнять спонтанные или запланированные запросы и быстро получать результаты. Например, можно выполнить быстрый запрос, чтобы узнать, сколько ежемесячных активных пользователей бывает у каждого используемого устройства.

Анализ временных рядов. AWS IoT Analytics также поддерживает анализ временных рядов, что позволяет анализировать изменение производительности устройств с течением времени и понимать, как и где они используются, постоянно контролировать данные устройств для прогнозирования проблем, связанных с обслуживанием, и выполнять мониторинг датчиков для прогнозирования условий окружающей среды и реагирования на них.

Размещенные блокноты для сложной аналитики и машинного обучения. AWS IoT Analytics включает поддержку размещенных блокнотов Jupyter для статистического анализа и машинного обучения. Сервис включает набор готовых шаблонов для блокнотов, в которых содержатся модели машинного обучения и визуализации, созданные AWS. Они помогают начать работу с примерами использования IoT, связанными с профилированием сбоев устройства, прогнозированием таких событий, как малоэффективное использование (которое может говорить о том, что клиент откажется от продукта), или сегментированием устройств по работоспособности устройства и уровням использования (например, постоянные пользователи или пользователи выходного дня).

Можно выполнять статистическую классификацию с помощью метода логистической регрессии. Кроме того, можно использовать долгую краткосрочную память (LSTM), которая является мощной методикой нейронной сети для прогнозирования вывода или состояния процесса, изменяющегося со временем. Предварительно созданные шаблоны электронных книг также поддерживают алгоритм кластеризации методом K-средних для сегментации устройства, который кластеризует используемые устройства в группы подобных устройств. Эти шаблоны обычно используются для определения исправности и состояния устройств, например состояния блоков отопления, вентиляции и кондиционирования на фабрике шоколада или износа лопаток на ветряной турбине.

Использование собственных контейнеров. AWS IoT Analytics импортирует контейнеры с вашим пользовательским кодом, созданные в AWS IoT Analytics или сторонних сервисах, таких как Matlab, Octave и другие, предоставляя вам возможность сконцентрироваться на обретении конкурентных преимуществ. Нет необходимости повторно создавать существующие анализы, которые уже были созданы в сторонних инструментах. Просто импортируйте контейнер с анализами в AWS IoT Analytics и выполняйте его при необходимости.

Если вы пользуетесь Jupyter Notebooks, просто создайте исполняемый образ контейнера своего кода Jupyter Notebook одним нажатием кнопки и визуализируйте свой анализ в контейнере на консоли AWS IoT Analytics.

Автоматизация выполнения контейнеров. AWS IoT Analytics позволяет автоматизировать выполнение контейнеров с пользовательским аналитическим кодом или анализов из Jupyter Notebooks, обеспечивая непрерывное проведение анализа. Можно запланировать регулярное выполнение пользовательского анализа в соответствии с потребностями вашего бизнеса.

Инкрементная фиксация данных с настраиваемыми периодами. AWS IoT Analytics позволяет пользователям выполнять анализ новых инкрементных данных, зафиксированных с момента последнего анализа. Сканируя только новые данные, можно повысить эффективность анализа и снизить затраты на него. Независимо от времени проведения последнего анализа настраиваемые периоды позволяют фиксировать только данные, появившиеся с момента вашего последнего анализа.

Интеграция с QuickSight. AWS IoT Analytics предоставляет коннектор для Amazon QuickSight, что дает возможность визуализировать данные на панели инструментов QuickSight. Вы также можете визуализировать результаты или специальный анализ во встроенных записных книжках Jupyter в консоли AWS IoT Analytics.