Azure Time Series Insights Gen2 用例

注意

时序见解服务将于 2024 年 7 月 7 日停用。 请考虑尽快将现有环境迁移到备用解决方案。 有关弃用和迁移的详细信息，请访问我们的 文档。

本文总结了 Azure 时序见解第 2 代的几个常见用例。 本文中的建议是使用 Azure 时序见解 Gen2 开发应用程序和解决方案的起点。

具体而言，本文回答了以下问题：

• Azure 时序见解第 2 代的常见用例是什么？
• 使用 Azure 时序见解第 2 代 数据浏览和视觉异常情况检测有什么好处？
• 使用 Azure 时序见解 Gen2 进行 操作分析和提升流程效率有什么好处？
• 使用 Azure 时序见解 Gen2 进行高级分析能带来哪些好处？

以下部分介绍了这些使用方案的概述。

介绍

Azure 时序洞察 Gen2 是一种端到端的平台即服务产品。 它用于收集、处理、存储、分析和查询高度情境化、时序优化的 IoT 大规模数据。 它非常适合临时数据浏览和运营分析。 Azure 时序洞察 Gen2 是一种独特的可扩展自定义服务，能够满足工业物联网部署的广泛需求。

数据探索与视觉异常检测

立即浏览和分析数十亿个事件，以发现异常并发现数据中的隐藏趋势。 Azure 时序见解 Gen2 为 IoT 和 DevOps 分析工作负载提供近乎实时的性能。

大多数客户都认为获得见解所需的最少时间是 Azure 时序见解第 2 代的突出功能之一：

• Azure 时序分析 Gen2 无需预先准备数据。
• 它能在几分钟内快速帮助您连接到 Azure IoT 中心或 Azure 事件中心实例中的数十亿个事件。
• 连接后，可以可视化和分析数十亿个事件，以发现异常并发现数据中的隐藏趋势。

Azure Time Series Insights Gen2 直观且易于使用。 无需编写单行代码即可与数据交互。 此外，无需使用新语言来学习，尽管 Azure 时序见解 Gen2 为熟悉 SQL 的高级用户提供了基于文本的精细查询语言。 它还为新手提供了“选择并点击”式的探索功能。

客户可以利用速度快速诊断资产相关问题。 他们可以执行 DevOps 分析来获取 IoT 解决方案中 bug 的根本原因。 他们还可以确定要标记的区域，以进一步调查作为其数据科学计划的一部分。

可通过三种主要方式与 Azure 时序见解 Gen2 中存储的数据进行交互：

• 入门的第一个最简单的方法是使用 Azure 时序见解第 2 代资源管理器。 可以使用它在一个位置快速可视化所有 IoT 数据。 它提供热度地图等工具，可帮助你发现数据中的异常。 它还提供透视视图。 使用它可以比较单个仪表板中一个或多个 Azure 时序见解第 2 代环境中的最多四个视图。 仪表板让您查看所有位置的时序数据概览。 详细了解 Azure 时序见解第 2 代资源管理器。 若要规划环境，请阅读 Azure 时序见解第 2 代规划。

• 第二种方法是使用 JavaScript SDK 在 Web 应用程序中快速嵌入功能强大的图表和图形。 只需几行代码，即可创作功能强大的查询。 使用它们填充折线图、饼图、条形图、热度地图、数据网格等。 所有这些元素通过使用 SDK 开箱即用。 SDK 还抽象化 Azure 时序见解第 2 代查询 API。 可以使用它们创作类似于 SQL 的谓词来查询要在仪表板上显示的数据。 对于混合呈现层解决方案，Azure 时序洞察 Gen2 提供参数化 URL。 Azure 时序见解 Gen2 Explorer 提供无缝连接点，便于深入分析数据。

  • 阅读 JS 客户端库 和 示例客户端 文档，了解有关 JavaScript SDK 的详细信息。

  • 在 Azure 时序见解第 2 代资源管理器中查看 可视化数据，详细了解如何共享 URL 和新 UI。

• 第三种方法是使用功能强大的 API 查询 Azure 时序见解 Gen2 中存储的数据。 Azure 时序见解 Gen2 具有时态运算符，例如 from、to、first和 last。 它具有聚合和转换，例如 average、sum、min、max、time-weighted average、time-weighted sum等。它还允许筛选、算术和布尔运算符、标量函数等。所有这些运算符使下游应用程序能够快速查找数据中有趣的趋势和模式。 使用它们完善自制的可视化效果，以便发现异常。

操作分析和驱动过程效率

使用 Azure 时序见解 Gen2 以大规模监控设备的健康状况、使用情况和性能，并评估运营效率。 Azure 时序见解第 2 代可帮助管理多样化且不可预知的 IoT 工作负荷，而无需牺牲引入或查询性能。

来自运营流程的数据的流式处理和持续处理可以成功转换任何业务，只要与正确的技术或解决方案相结合。 这些解决方案通常是多个系统的组合。 它们支持对不断变化的数据进行探索和分析，尤其是在 IoT 领域，并共享通用模式。

这些模式通常从启用了 IoT 的平台开始，这些平台从跨越各种区域设置的设备和传感器引入数十亿个事件。 这些系统处理和分析流数据，以派生实时见解和操作。 数据通常存档到热存储和冷存储，以便进行准实时和批处理分析。

收集的数据将经历一系列处理，以清理和进行情境化处理，以便进行下游查询和分析情境。 Azure 提供可应用于 IoT 方案（例如资产维护和制造）的丰富服务。 这些服务包括 Azure 时序见解 Gen2、IoT 中心、事件中心、Azure 流分析、Azure Functions、Azure 逻辑应用、Azure Databricks、Azure 机器学习和 Power BI。

可以通过以下方式实现解决方案体系结构：

• 通过 IoT 中心或事件中心引入数据，以获得最佳安全、吞吐量和延迟。
• 执行数据处理和计算。 通过流分析、逻辑应用和 Azure Functions 等服务来引导输入的数据。 所使用的服务取决于特定的数据处理需求。
• 处理管道中的已计算信号将被推送到 Azure 时序洞察 Gen2，以便进行数据存储和分析。

Azure 时序洞察 Gen2 提供对历史数据的近实时数据探索和基于资产的见解。 根据业务需求，MapReduce 和 Hive 作业可以通过将 Azure 时序见解 Gen2 连接到 Azure HDInsight，在 Azure 时序见解 Gen2 中存储的数据上运行。 Azure 时序见解 Gen2 中存储的数据可通过 Azure 时序见解第 2 代公共表面查询 API 提供给 Power BI 和其他客户应用程序。 此数据可用于深度业务和运营情报情境。

高级分析

与机器学习和 Azure Databricks 等高级分析服务集成。 Azure 时序见解第 2 代从数百万台设备传入原始数据。 它添加可由一组 Azure 分析服务无缝使用的上下文数据。

高级分析和机器学习使用和处理大量数据。 此数据用于做出数据驱动的决策和执行预测分析。 在 IoT 用例中，高级分析算法从从数百万台设备收集的数据中学习。 这些设备每秒多次传输数据。 从 IoT 设备收集的数据是原始的。 它缺少上下文信息，例如设备的位置和传感器读数单元。 因此，原始数据难以直接用于高级分析。

Azure 时序见解第 2 代以两种简单且经济高效的方式弥合了 IoT 数据和高级分析之间的差距：

• 首先，Azure 时序见解第 2 代使用 IoT 中心从数百万台设备收集原始遥测数据。 它使用上下文信息丰富数据，并将数据转换为 Parquet 格式。 此格式可以轻松地与其他高级分析服务（例如机器学习、Azure Databricks 和第三方应用程序）集成。

  Azure 时序见解服务第 2 代可以作为整个组织所有数据的可信来源。 它为下游分析工作负荷创建一个中央存储库以供使用。 由于 Azure 时序见解 Gen2 是近实时存储服务，因此高级分析模型可以从传入的 IoT 遥测数据中持续学习。 因此，模型可以进行更准确的预测。

• 其次，机器学习和预测模型的输出可以馈送到 Azure 时序见解第 2 代，以便可视化和存储其结果。 此过程可帮助组织优化和调整其模型。 借助 Azure 时序见解 Gen2，可以轻松地在训练的模型输出所在的同一平台上可视化流式处理遥测数据。 这样，它可帮助数据科学团队发现异常并识别模式。

后续步骤

• 详细了解 Azure 时序分析 Gen2 浏览器。
• 阅读 Azure 时序洞察 Gen2 的最佳实践 来规划您的环境。
• 阅读 示例客户端 文档。