Sdílet prostřednictvím

Analýzy IoT pomocí Azure Data Exploreru a Azure IoT Hubu

Azure Cosmos DB
Průzkumník dat Azure
Azure Digital Twins
Azure IoT Hub

Nápady na řešení

Tento článek popisuje myšlenku řešení. Váš cloudový architekt může pomocí těchto pokynů vizualizovat hlavní komponenty pro typickou implementaci této architektury. Tento článek slouží jako výchozí bod k návrhu dobře navrženého řešení, které odpovídá konkrétním požadavkům vaší úlohy.

Tato myšlenka řešení popisuje, jak Azure Data Explorer poskytuje analýzy téměř v reálném čase pro rychlé tokování dat s velkým objemem streamovaných dat ze zařízení a senzorů Internetu věcí (IoT). Tento pracovní postup analýzy je součástí celkového řešení IoT, které integruje provozní a analytické úlohy se službou Azure Cosmos DB a Azure Data Explorerem.

Jupyter je ochranná známka příslušné společnosti. Použití této značky nevyžaduje žádné doporučení. Apache® a Apache Kafka® jsou registrované ochranné známky nebo ochranné známky Apache Software Foundation v USA a/nebo v jiných zemích. Použití těchto značek nevyžaduje žádné doporučení Apache Software Foundation.

Architektura

Diagram znázorňující analýzy telemetrie IoT pomocí Azure Data Exploreru

Stáhněte si soubor aplikace Visio s touto architekturou.

Tok dat

  1. Azure Event Hubs, Azure IoT Hub nebo Kafka ingestují širokou škálu rychle proudících streamovaných dat, jako jsou protokoly, obchodní události a aktivity uživatelů.

  2. Azure Functions nebo Azure Stream Analytics zpracovávají data téměř v reálném čase.

  3. Azure Cosmos DB ukládá streamované zprávy ve formátu JSON, aby sloužila provozní aplikaci v reálném čase.

  4. Azure Data Explorer ingestuje data pro analýzy pomocí svých konektorů pro Azure Event Hubs, Azure IoT Hub nebo Kafka pro nízkou latenci a vysokou propustnost.

    Alternativně můžete ingestovat objekty blob z účtu Azure Blob Storage nebo Azure Data Lake Storage do Azure Data Exploreru pomocí datového připojení Event Gridu.

    Data můžete také průběžně exportovat do Služby Azure Storage v komprimovaném, děleném formátu Apache Parquet a bezproblémově dotazovat data pomocí Azure Data Exploreru. Další informace najdete v tématu Přehled průběžného exportu dat.

  5. Aby data sloužila provozním i analytickým případům použití, můžou data směrovat do Azure Data Exploreru a Azure Cosmos DB paralelně nebo z Azure Cosmos DB do Azure Data Exploreru.

    • Transakce Azure Cosmos DB můžou aktivovat službu Azure Functions prostřednictvím kanálu změn. Funkce budou streamovat data do služby Event Hubs pro příjem dat do Azure Data Exploreru.

      nebo

    • Azure Functions může volat Službu Azure Digital Twins prostřednictvím svého rozhraní API, která pak streamuje data do služby Event Hubs za účelem příjmu dat do Azure Data Exploreru.

  6. Následující rozhraní získávají přehledy z dat uložených v Azure Data Exploreru:

  7. Azure Data Explorer se integruje s Azure Databricks a Azure Machine Learning a poskytuje služby strojového učení (ML). Modely ML můžete také vytvářet pomocí jiných nástrojů a služeb a exportovat je do Azure Data Exploreru pro vyhodnocování dat.

Komponenty

Tento nápad řešení používá následující komponenty Azure.

Azure Data Explorer

  • Detekce a prognózování anomálií je integrovaná analytická funkce v Azure Data Exploreru. Detekuje odlehlé hodnoty a předpovídá budoucí hodnoty, aby podporovala proaktivní monitorování a rozhodování. V této architektuře identifikuje neobvyklé vzory v telemetrii IoT a prognózuje očekávané chování v průběhu času.

  • Diagnostika anomálií pro kořenovou analýzu je funkce jazyka KQL (Kusto Query Language), která pomáhá identifikovat původní příčiny anomálií. Analyzuje dimenze a metriky, které usnadňují řešení potíží. V této architektuře izoluje zdroj anomálií zjištěných v datech zařízení.

  • Azure Data Explorer je plně spravovaná vysoce výkonná analytická služba. Zpracovává velké objemy streamovaných dat z aplikací, webů a zařízení IoT téměř v reálném čase. V této architektuře slouží jako centrální analytický modul pro ingestování, dotazování a vizualizaci dat IoT.

  • Řídicí panely Azure Data Exploreru jsou funkce vizualizace ve webovém uživatelském rozhraní. Umožňují uživatelům exportovat dotazy Kusto do interaktivních řídicích panelů pro zkoumání dat v reálném čase. V této architektuře zobrazují přehledy z datových proudů IoT a výsledků detekce anomálií.

  • Webové uživatelské rozhraní Azure Data Exploreru je rozhraní založené na prohlížeči pro práci s clustery Azure Data Exploreru. Podporuje psaní, spouštění a sdílení příkazů a dotazů KQL. V této architektuře poskytuje analytikům pracovní prostor pro dotazování a zkoumání telemetrie IoT.

  • Analýza časových řad je integrovaná funkce v Azure Data Exploreru. Umožňuje uživatelům zkoumat časové vzory, trendy a sezónnost v datech založených na čase. V této architektuře odhalí dlouhodobé trendy a cyklické chování při čtení senzorů IoT.

Další komponenty Azure

  • Azure Cosmos DB je plně spravovaná a rychlá databázová služba NoSQL pro moderní vývoj aplikací s otevřenými rozhraními API pro libovolné škálování. V této architektuře ukládá provozní data ze zařízení IoT pro škálovatelný přístup s nízkou latencí.

  • Azure Digital Twins je platforma pro modelování fyzických prostředí jako digitální reprezentace. V této architektuře udržuje digitální modely prostředků připojených k IoT, které podporují prostorovou analýzu a kontextové přehledy.

  • Azure IoT Hub umožňuje obousměrnou komunikaci mezi zařízeními IoT a cloudem Azure. V této architektuře slouží jako centrální centrum zasílání zpráv pro telemetrii zařízení a operace řízení a řízení zařízení.

  • Event Hubs je plně spravovaná služba pro příjem dat v reálném čase. V této architektuře ingestuje telemetrii ze zařízení IoT a streamuje je do analytického kanálu.

  • Kafka ve službě HDInsight je nákladově efektivní služba na podnikové úrovni pro spouštění Apache Kafka v Azure. V této architektuře poskytuje alternativní páteřní síť streamování pro ingestování a distribuci dat IoT.

Podrobnosti scénáře

Toto řešení používá Azure Data Explorer k získání analýzy telemetrie IoT téměř v reálném čase při rychlém toku dat s velkým objemem streamování z široké škály zařízení IoT.

Potenciální případy použití

  • Správa vozového parku pro prediktivní údržbu dílů vozidel. Toto řešení je ideální pro automobilový a dopravní průmysl.
  • Správa zařízení pro optimalizaci energie a prostředí.
  • Kombinace podmínek silničního provozu v reálném čase s daty o počasí pro bezpečnější autonomní řízení

Přispěvatelé

Tento článek spravuje Microsoft. Původně byla napsána následujícími přispěvateli.

Hlavní autor:

Další kroky