Domande frequenti su AWS IoT Analytics
D: Cos'è AWS IoT Analytics?
AWS IoT Analytics è un servizio di analisi IoT completamente gestito che raccoglie, pre-elabora, arricchisce, conserva e analizza i dati dei dispositivi IoT su vasta scala. IoT Analytics può effettuare semplici query ad hoc e analisi complesse ed è il modo più semplice per eseguire l'analisi IoT per i casi d'uso come comprendere le prestazioni dei dispositivi, prevedere i guasti dei dispositivi e apprendere in modo automatico. È progettato specificamente per l'IoT e acquisisce e memorizza automaticamente il time stamp dei messaggi, per facilitare l'esecuzione di analisi di serie temporali. IoT Analytics può inoltre arricchire i dati con metadati specifici dei dispositivi, come il tipo e la posizione del dispositivo, utilizzando il registro AWS IoT. IoT Analytics memorizza i dati in un datastore ottimizzato per l'IoT, permettendo di eseguire query di grandi set di dati. Con AWS IoT Analytics è inoltre possibile eseguire container di codice creato personalizzato. AWS IoT Analytics automatizza l'esecuzione delle analisi personalizzate create in Jupyter Notebook o nei propri strumenti (quali Matlab, Octave ecc.) per l'esecuzione pianificata.
D: Come funziona AWS IoT Analytics?
AWS IoT Analytics è pienamente integrato con AWS IoT Core, quindi è facile iniziare subito. In primo luogo, si definisce un canale e si selezionano i dati da acquisire, in modo da memorizzare e analizzare solo i dati di interesse, come la temperatura di un sensore. Una volta definito il canale, si configurano le pipeline per l'elaborazione dei dati. Le pipeline supportano trasformazioni come la conversione di Celsius in Fahrenheit, dichiarazioni di condizioni, filtraggio di messaggi e arricchimento di messaggi mediante origini dati esterne e funzioni di AWS Lambda.
Dopo l'elaborazione dei dati nella pipeline, IoT Analytics li memorizza in un datastore ottimizzato per l'IoT per l'analisi. Puoi eseguire query di dati utilizzando il motore di query SQL integrato per rispondere alle domande specifiche del business. Ad esempio, forse vuoi sapere quanti utenti attivi al mese sono presenti per ciascun dispositivo nel tuo parco istanze. Mediante l'integrazione con Amazon SageMaker, IoT Analytics supporta analisi più sofisticate, come inferenza bayesiana e machine learning. Inoltre, è facile costruire visualizzazioni e pannelli di controllo e ricavare informazioni aziendali in tempi rapidi dai dati di IoT Analytics, dal momento che è integrato con Amazon QuickSight.
D: È possibile eseguire il codice dell'analisi personalizzata su AWS IoT Analytics?
Sì, puoi importare la tua analisi personalizzata in un container per eseguirla su AWS IoT Analytics. A tale scopo, devi importare il container di codice personalizzato in un set di dati in un container e pianificare l'esecuzione del container.
D: Qual è la differenza tra un set di dati SQL e un set di dati in un container?
Un set di dati SQL è simile a una vista materializzata da un database SQL. Infatti, si crea un set di dati SQL applicando un'operazione SQL. I set di dati SQL possono essere generati automaticamente in base a una pianificazione ricorrente specificando un trigger.
Un set di dati in un container permette di eseguire automaticamente gli strumenti di analisi e generare i risultati. Riunisce un set di dati SQL come input, un container Docker con gli strumenti di analisi e i file della libreria necessari, le variabili di input e output e un trigger di pianificazione facoltativo. Le variabili di input e output indicano all'immagine eseguibile dove recuperare i dati e memorizzare i risultati. Il trigger può eseguire l'analisi quando un set di dati SQL completa la creazione dei relativi contenuti o in base a un'espressione di pianificazione dell'orario. Un set di dati in un container eseguirà automaticamente, genererà e salverà i risultati degli strumenti di analisi.
D: Cosa sono gli intervalli DeltaTime?
Gli intervalli Delta sono una serie di intervalli di tempo contigui, definiti dall'utente e che non si sovrappongono. Questi intervalli permettono di creare contenuti di set di dati ed eseguire l'analisi sui nuovi dati arrivati nel datastore dall'ultima analisi. È possibile creare un intervallo Delta impostando il DeltaTime nella porzione dei filtri di una queryAction di un set di dati. In pratica, permette di filtrare i messaggi arrivati durante un intervallo di tempo specifico, in modo che i dati contenuti nei messaggi arrivati durante gli intervalli di tempo precedenti non vengano contati due volte.
D: Come faccio a eseguire il container di codice personalizzato su AWS IoT Analytics secondo la mia pianificazione preferita?
Puoi importare il tuo codice di analisi personalizzata in un container per eseguirlo su AWS IoT Analytics. Puoi creare un set di dati in un container mediante l'API o la console di AWS IoT Analytics specificando il set di dati SQL, l'immagine del container del codice personalizzato, le variabili di input e output e un trigger di pianificazione facoltativo come parametro, che può essere un evento di creazione di contenuti del set di dati SQL o una pianificazione. Il set di dati in un container trasmette i contenuti del set di dati SQL al codice analitico disponibile nell'immagine del container ed esegue automaticamente l'immagine in base al trigger per generare informazioni secondo la pianificazione preferita.
D: Quali policy di conservazione si applicano ai miei archivi Datastore e Canali?
È possibile impostare le policy di conservazione dei dati negli archivi Datastore e Canali. Puoi selezionare il periodo di conservazione per un numero indefinito di giorni. Qualora non selezioni alcun periodo di conservazione, il servizio manterrà i tuoi dati per un periodo illimitato.
D: Quali tipi di formati di messaggio sono supportati da AWS IoT Analytics?
Il servizio AWS IoT Analytics supporta i formati JSON e binario (JSON binario, buffer di protocollo, ecc..) Nel caso di messaggi binari, la prima attività della tua Pipeline deve essere quella Lambda con un output di un JSON valido.
D: È possibile rielaborare i miei dati dal Canale a una Pipeline?
Sì, è possibile rielaborare i dati dal Canale collegato alla Pipeline utilizzando StartPipelineReprocessing. Se desideri rielaborare i dati del Canale utilizzando un'altra Pipeline, dovrai connettere la Pipeline al Canale appropriato.
D: Come posso trasferire dati verso AWS IoT Analytics utilizzando l'API di acquisizione?
Puoi utilizzare l'API BatchPutMessage per inviare i dati in AWS IoT Analytics da Amazon S3, Amazon Kinesis e qualsiasi altra origine dati. Puoi utilizzare queste API all'interno di una funzione Lambda o di qualsiasi altro script per trasferire dati in AWS IoT Analytics. Per ulteriori informazioni, fai riferimento a Trasferire dati da S3 a IoT Analytics e trasferire dati da Kinesis a IoT Analytics.
D: Posso visualizzare l'anteprima dei miei messaggi nel Canale?
Sì, è possibile visualizzare un'anteprima dei messaggi utilizzando l'API SampleChannelData. Questa API campiona fino a dieci messaggi dal tuo Canale tra tutti i dati a disposizione.
D: Posso simulare la mia attività di pipeline?
Sì, puoi utilizzare l'API o la console RunPipelineActivity per simulare l'attività della tua pipeline. Questa API prende l'elenco dei dati di esempio (sia da SampleChannelData sia forniti manualmente) per simulare l'attività e le anteprime dei risultati.
D: Quali sono le differenze tra AWS IoT Analytics e Amazon Kinesis Analytics?
AWS IoT Analytics è progettato specificamente per l'IoT e acquisisce e memorizza automaticamente il time stamp dei messaggi, per facilitare l'esecuzione di analisi di serie temporali. IoT Analytics può inoltre arricchire i dati con metadati specifici dei dispositivi, come il tipo e la posizione del dispositivo, utilizzando il registro AWS IoT e altre origini dati pubbliche. IoT Analytics memorizza i dati dei dispositivi in un datastore ottimizzato per l'IoT, permettendo di eseguire query di grandi set di dati.
Amazon Kinesis Analytics è uno strumento per uso generico progettato per elaborare con facilità i dati di streaming dai dispositivi IoT, oltre ad altre origini dati, in tempo reale.
Tabella 1: confronto delle caratteristiche di AWS IoT Analytics e Kinesis Analytics
| Caratteristiche | AWS IoT Analytics |
Amazon Kinesis Analytics |
| Storage di dati delle serie temporali | X | |
| Partizioni automatiche dei dati per time stamp dei messaggi e ID dei dispositivi | X | |
| Arricchimento di dati specifici dei dispositivi | X | |
| Query di grandi set di dati | X | |
| Analisi di flussi di dati | X | |
| Elaborazione in tempo reale | Latenze di minuti o secondi | Latenza di secondi o millisecondi |
| Operazioni basate su finestre temporali | X | |
| Analisi di dati non strutturati e creazione automatica di schemi | JSON e CSV | JSON e CSV |
D: Quando si utilizza AWS IoT Analytics e quando Amazon Kinesis Analytics?
È possibile utilizzare AWS IoT Analytics per l'analisi IoT. Alcuni casi d'uso includono comprensione di prestazioni dei dispositivi a lungo termine, reporting aziendale e analisi ad hoc, nonché manutenzione predittiva dei parchi istanze. IoT Analytics è ideale per questi casi d'uso perché acquisisce, prepara e memorizza i dati provenienti dai dispositivi su lunghi periodi di tempo in un datastore ottimizzato per l'IoT. Inoltre, IoT Analytics arricchisce i dati con metadati specifici dei dispositivi, come il tipo e la posizione del dispositivo, utilizzando il registro AWS IoT e altre origini dati pubbliche.
Tuttavia, se devi analizzare i dati IoT in tempo reale per casi d'uso come il monitoraggio dei dispositivi, puoi utilizzare Amazon Kinesis Analytics.
Tabella 2: confronto dei casi d'uso di AWS IoT Analytics e Kinesis Analytics
| Caso d'uso |
AWS IoT Analytics | Amazon Kinesis Analytics |
| Comprensione di caratteristiche delle prestazioni dei dispositivi a lungo termine | Sì. Arricchimento dei dati IoT con metadati specifici dell'IoT, come il tipo e la posizione del dispositivo, utilizzando il registro AWS IoT e altre origini dati pubbliche. Ad esempio, gli operatori di vigneti devono arricchire i dati dei sensori di umidità con previsioni sulle piogge nei vigneti, in modo da sapere quando irrigare. | No. Ideale per l'analisi di flussi di dati in tempo reale. |
| Reporting aziendale e analisi ad hoc sui dati IoT | Sì. Raccolta, elaborazione e storage di dati IoT e integrazione con AWS QuickSight per creare pannelli di controllo e reporting o utilizzare un motore di query SQL integrato per le query ad hoc. Ad esempio, aggregazione di guasti dei sensori su un parco istanze per la relativa segnalazione settimanale delle prestazioni. | No. Ideale per l'esecuzione di query dei flussi di dati sui dati IoT, quale la generazione di avvisi in caso di guasto di un sensore. |
| Manutenzione predittiva del parco istanze | Sì. Raccolta, elaborazione e storage di dati IoT e utilizzo di modelli predefiniti per creare e distribuire modelli predittivi. Ad esempio, previsione del momento in cui i sistemi HVAC subiranno guasti sui veicoli collegati, in modo da poterli reindirizzare per evitare danni alla spedizione. | No. La manutenzione predittiva richiede un'analisi cronologica dei dati a lungo termine per la creazione di modelli. |
| Monitoraggio dei dispositivi in tempo reale | No. | Sì. Kinesis Analytics è in grado di aggregare dati in modo continuo su finestre temporali, rilevare anomalie e attuare misure come l'invio di avvisi. Ad esempio, Kinesis Analytics è in grado di calcolare medie di 10 secondi di funzionamento delle temperature delle valvole ogni 5 minuti nelle apparecchiature industriali e rilevare quando la temperatura supera determinate soglie predefinite. Può quindi avvisare i sistemi di controllo per lo spegnimento automatico dei macchinari, prevenendo incidenti. |
D: Quando si utilizzano AWS IoT Analytics e Amazon Kinesis Analytics insieme?
Puoi utilizzare AWS IoT Analytics e Amazon Kinesis in combinazione quando sono necessarie analisi cronologiche e in tempo reale contemporaneamente. Ad esempio, puoi utilizzare Kinesis Analytics per calcolare medie di 10 secondi di funzionamento delle temperature delle valvole nelle apparecchiature industriali per rilevare quando la temperatura supera determinate soglie. Kinesis Analytics può quindi avvisare i sistemi di controllo per lo spegnimento automatico dei macchinari, prevenendo incidenti. Quindi, puoi utilizzare Kinesis Streams per inviare i dati a IoT Analytics. Con IoT Analytics, puoi comprendere le tendenze e prevedere anche quando sostituire o eseguire la manutenzione delle valvole.
D: Quando lavoro con i dati IoT, quando devo utilizzare AWS IoT Analytics e quando Amazon Kinesis Streams, Amazon Kinesis Analytics e Amazon Kinesis Firehose?
È possibile utilizzare AWS Lambda per inviare i dati provenienti da Amazon Kinesis Streams in un canale dati AWS IoT e inoltrarli quindi ad AWS IoT Analytics.
Amazon Kinesis Analytics è progettato per l'analisi dei flussi di dati, mentre IoT Analytics per l'analisi dei dati inattivi. I clienti che necessitano di analisi sia in tempo reale sia IoT possono utilizzare una combinazione di Kinesis Analytics e IoT Analytics.
Amazon Kinesis Firehose è il mezzo più semplice per caricare flussi di dati nei datastore AWS Amazon S3, Amazon Redshift e Amazon Elasticsearch Service, per ottenere analisi in tempo reale con gli strumenti di business intelligence che usi tutti i giorni. IoT Analytics non supporta Kinesis Firehose come origine dati.
D: Quando si utilizza AWS IoT Analytics e quando Amazon Kinesis Video Streams?
Amazon Kinesis Video Streams semplifica l'invio sicuro in streaming di video, audio e altri dati con codifica temporale da fonti come telecamere, sensori di profondità e RADAR ad AWS per elaborazione in tempo reale e in batch in applicazioni di machine learning, analisi e altro ancora. Kinesis Video Streams è specificamente progettato per l'integrazione di dati video dai dispositivi, mentre AWS IoT Analytics è pensato per l'analisi di dati IoT non video. In GA, non è presente un'integrazione diretta tra Kinesis Video Streams e AWS IoT Core o IoT Analytics. Tuttavia, i clienti possono eseguire query di Kinesis Video Streams e IoT Analytics dalle loro applicazioni utilizzando le API.
Ulteriori informazioni sulle caratteristiche di AWS IoT Analytics