 keskustelimme tapahtumien eksponentiaalisesta kasvusta nykypäivän datavetoisessa maailmassa. Koska ympärillämme on niin monia sovelluksia, älylaitteita ja koneita, luotavan tiedon määrä on valtava. Tutkimme myös, kuinka orkestrointialusta voi auttaa toimittamaan nämä tapahtumat oikeisiin sovelluksiin. Tapahtumien toimittaminen ei kuitenkaan välttämättä riitä yrityksille vaikuttamaan. Edellisessä artikkelissani  Analysoimalla näitä tapahtumia ymmärtääkseen käyttäjien käyttäytymistä yritykset voivat palvella asiakkaitaan paremmin tekemällä älykkäämpiä päätöksiä. Reaaliaikainen analytiikkaalusta voi auttaa muuttamaan tapahtuman tiedot mielekkääksi älyksi.  Tässä artikkelissa tutkitaan, kuinka luodaan reaaliaikainen analytiikka-alusta AWS:n avulla, arvioidaan mahdollisia ratkaisuja ja tarjotaan vaiheittaiset ohjeet skaalautuvan ja luotettavan alustan toteuttamiseen. Tämän alustan rakentamiseen kuuluu kolme vaihetta: tietojen käsittely, käsittely ja kyselyt. Reaaliaikainen analytiikka keskittyy usein trendeihin ja malleihin ajan mittaan – olipa kyseessä sitten käyttäjien käyttäytyminen tai järjestelmän suorituskyky.  Aikasarjadata järjestää tapahtumat luonnollisesti peräkkäin, jolloin dataa on helppo analysoida hetkestä toiseen. Aikasarjatallennus sopii täydellisesti tähän tarpeeseen, jolloin sovellukset voivat laskea mittareita. AWS tarjoaa työkaluja, kuten SQS, Lambda, Timestream ja Quicksight, jotka toimivat saumattomasti yhdessä tämän alustan rakentamiseksi.  Reaaliaikaisen analytiikkaalustan rakentamiseen liittyy kolme pääosaa    : Sovelluksista julkaistut tapahtumat voivat virrata AWS:ään Amazon Kinesiksen kautta tai suoraan SQS:ään. Tietojen käsittely    : AWS Lambda voi käsitellä tiedot ja kirjoittaa ne Timesreamiin. Tietojen käsittely    : Mukautetut hallintapaneelit tai Quicksight voidaan integroida Timestreamiin visualisointia ja oivalluksia varten Visualisointi ja kyselyt  Alla oleva kaavio näyttää analytiikkaalustan arkkitehtuurin   Aikavirta  Amazon   , AWS:n aikasarjatietokanta, on suunniteltu vastaamaan suurten tietomäärien tehokkaan käsittelyn ja analysoinnin haasteisiin. Timestream on palvelimeton, skaalautuva ja ihanteellinen sovelluksille, jotka vaativat reaaliaikaista data-analytiikkaa. Sen tärkeimpiä ominaisuuksia ovat: Timestream    : Se voi käsitellä biljoonia tapahtumia päivässä ja skaalata automaattisesti kysynnän mukaan. Automaattinen skaalaus    : Se tarjoaa jopa 1000 kertaa nopeamman kyselyn relaatiotietokantoihin verrattuna. Suorituskyky    : Sitä hallitsee täysin AWS, mikä vähentää yleiskustannuksia. Palvelimeton    : Optimoidut tallennustasot viimeaikaisille (muistissa) ja historiallisille (magneettinen tallennus) tiedoille. Älykkäät tallennustasot    : Se tukee SQS-kyselyitä monimutkaisten kyselyjen, aggregaatioiden ja aikasarjaanalytiikan suorittamiseen. SQL-kyselytuki    : Se tukee saumatonta integrointia muihin AWS-palveluihin. Integraatiot  Toteutus  Pilvimuodostus (CFN) -malli kaikille tarvittaville resursseille löytyy   . Github Reposta   Tietojen otto  Palvelut voivat julkaista asiaankuuluvat tapahtumat SQS-jonoon, joka toimii järjestelmän sanomajonona. Luotettavuuden parantamiseksi ensisijaisen SQS-jonon rinnalle on määritetty kuollut kirjainjono (DLQ). Tapahtumat, joita ei voida käsitellä, siirtyvät DLQ:han uudelleenyrityskynnyksen jälkeen. Näitä tapahtumia voidaan lisäksi käyttää virheenkorjaukseen, virheiden käsittelyyn ja tutkimuksiin.  Alla on katkelma CFN-mallista SQS-jonon ja siihen liittyvän DLQ:n luomiseksi:  EventQueueDLQ: Description: 'An DLQ queue that receives failed events' Type: AWS::SQS::Queue Properties: FifoQueue: true ContentBasedDeduplication: true QueueName: !Ref DLQQueueName SqsManagedSseEnabled: true VisibilityTimeout: 240 EventQueue: Description: 'An SQS queue that receives events' Type: 'AWS::SQS::Queue' Properties: QueueName: !Ref SQSQueueName FifoQueue: true ContentBasedDeduplication: true KmsMasterKeyId: alias/aws/sqs VisibilityTimeout: 240 RedrivePolicy: deadLetterTargetArn: !Sub ${EventQueueDLQ.Arn} maxReceiveCount: 5   Tietojenkäsittely  AWS Lambda -toiminto on määritetty tietojenkäsittelijäksi, joka vastaa SQS-jonoon julkaistujen tapahtumien käsittelystä. Se työntää tapahtumat mittareina Timestream-tietokantaan käsittelyn jälkeen.  Alla on katkelma Lambdan CFN-mallista ja sen yhdistämisestä SQS:ään:  EventProcessorLambda: Type: 'AWS::Lambda::Function' Description: 'Lambda function that processes events from the SQS queue and writes to Timestream.' Properties: FunctionName: !Ref LambdaFunctionName Handler: 'index.lambda_handler' Role: !GetAtt LambdaExecutionRole.Arn Runtime: 'python3.12' MemorySize: 1024 Timeout: 120 Environment: Variables: TIMESTREAM_DATABASE_NAME: !Ref EventsDatabaseName TIMESTREAM_TABLE_NAME: !Ref EventsTableName Code: ZipFile: | # Lambda function code goes here SQSToLambdaEventSourceMapping: Type: 'AWS::Lambda::EventSourceMapping' Description: 'Maps the SQS queue as the event source for the Lambda function.' Properties: BatchSize: 10 EventSourceArn: !GetAtt EventQueue.Arn FunctionName: !GetAtt EventProcessorLambda.Arn Enabled: 'True'   Data Store  Amazon Timestream toimii ensisijaisena tietovarastona kaikille eri palveluissa luoduille tapahtumille. Kokoonpano sisältää:    : Toimii loogisena säilönä yhdelle tai useammalle taulukolle Tietokanta    : Tietokannan sisällä taulukot tallentavat todelliset mittaustiedot Taulukko  Alla on katkelma CFN-mallista Timestream-tietokannan ja taulukon luomiseksi:  EventsDatabase: Description: 'Timestream database to store event data' Type: 'AWS::Timestream::Database' Properties: DatabaseName: !Ref EventsDatabaseName KmsKeyId: alias/aws/timestream EventsTable: Description: 'Timestream table that stores event metrics' Type: 'AWS::Timestream::Table' DependsOn: EventsDatabase Properties: DatabaseName: !Ref EventsDatabase TableName: !Ref EventsTableName RetentionProperties: MemoryStoreRetentionPeriodInHours: 72 MagneticStoreRetentionPeriodInDays: 365   Visualisointi ja kyselyt  Kysely  Timestream tarjoaa kyselykonsolin, jonka avulla käyttäjät voivat suorittaa kyselyitä taulukkoon, esimerkiksi:   -- Get the 10 most recent metrics in the past 15 minutes. SELECT * FROM "events-db"."events-metrics" WHERE time between ago(15m) and now() ORDER BY time DESC LIMIT 10  Visualisointi  AWS tarjoaa monia valmiita integraatioita (esim.   ,   ) Timestreamin kanssa, mikä tekee analysoinnista, visualisoinnista ja oivalluksista helppoa. QuickSight Grafana  Testaus  Palvelut voivat julkaista tapahtuman seuraavassa muodossa SQS:lle, joka käynnistää koko käsittelykulun:   { "order_id": "test-order-1", "customer_id": "test-customer-1", "event_type": "order_success", "metric_value": 1 }  Johtopäätös  Tämä arkkitehtuuri tarjoaa yksinkertaisen ja tehokkaan tavan rakentaa skaalautuva ja luotettava analytiikka-alusta. Muitakin vaihtoehtoja on erityistarpeiden mukaan, mukaan lukien AWS Kinesis Streams tapahtumakäsittelyyn, Prometheus tietovarastoon ja S3+Athena eräkäsittelyyn ja analytiikkaan.

Read My Stories

Tämä ääni on tuotettu tarinan alkuperäisellä kielellä!

Kuinka hallita reaaliaikaista analytiikkaa AWS:n avulla: Timestream and Beyond

About Author

KOMMENTIT

RIPUTA TAGSIA

TÄMÄ ARTIKKELI ESITETTIIN

Related Stories

Why Choosing to Publish on HackerNoon First Matters

How Apex Fusion Achieved FINMA Qualification Without Compromising Decentralization

Dotcom on edelleen uusien yritysten suosituin verkkotunnus, mutta käyttö laskee

The #bitcoin Writing Contest by Rootstock and HackerNoon: Final Round Results🎉

Why Choosing to Publish on HackerNoon First Matters

How Apex Fusion Achieved FINMA Qualification Without Compromising Decentralization

Dotcom on edelleen uusien yritysten suosituin verkkotunnus, mutta käyttö laskee

The #bitcoin Writing Contest by Rootstock and HackerNoon: Final Round Results🎉

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps