Almacenamiento de datos

Artículo
06/01/2023

Nota:

El servicio Time Series Insights (TSI) dejará de admitirse a partir de marzo de 2025. Considere la posibilidad de migrar los entornos de TSI existentes a soluciones alternativas lo antes posible. Para más información sobre la entrada en desuso y la migración, consulte nuestra documentación.

En este artículo se describe el almacenamiento de datos en Azure Time Series Insights Gen2. Se explican el almacenamiento intermedio y en reposo, la disponibilidad de los datos y los procedimientos recomendados.

Aprovisionamiento

Al crear un entorno de Azure Time Series Insights Gen2, tiene las siguientes opciones:

Almacenamiento de datos en reposo:
- Cree un nuevo recurso de Azure Storage en la suscripción y la región que ha elegido para el entorno.
- Conecte una cuenta de Azure Storage existente. Esta opción solo está disponible si se implementa desde una plantilla de Azure Resource Manager y no está visible en Azure Portal.
Almacenamiento intermedio de datos:
- El almacenamiento intermedio de datos es opcional y se puede habilitar o deshabilitar durante o después del momento del aprovisionamiento. Si decide habilitar el almacenamiento intermedio en un momento posterior y ya hay datos en el almacenamiento en reposo, consulte esta sección a continuación para comprender el comportamiento esperado. El tiempo de retención de datos del almacenamiento intermedio se puede configurar entre 7 y 31 días, y esto también se puede ajustar según sea necesario.

Cuando se ingiere un evento, se indexa en el almacenamiento intermedio (si está habilitado) y en el almacenamiento en reposo.

Advertencia

Como propietario de la cuenta de Azure Blob Storage donde residen los datos del almacenamiento intermedio, tiene acceso total a todos los datos de la cuenta. Este acceso incluye permisos de escritura y eliminación. No modifique ni elimine los datos que escribe Azure Time Series Insights Gen2, ya que estas operaciones pueden provocar una pérdida de datos.

Disponibilidad de los datos

Azure Time Series Insights Gen2 crea particiones de los datos y los indexa para lograr un rendimiento óptimo de las consultas. Los datos están disponibles para realizar consultas tanto en almacenamiento parcialmente activo (si está habilitado) como en almacenamiento en reposo. La cantidad de datos que se ingieren y la tasa de rendimiento por partición pueden afectar a la disponibilidad. Consulte las limitaciones de rendimiento y los procedimientos recomendados del origen de eventos para obtener el mejor rendimiento. También puede configurar una alerta de retraso para recibir una notificación si el entorno experimenta problemas al procesar los datos.

Importante

Es posible que experimente un periodo de hasta 60 segundos antes de que los datos estén disponibles mediante las API de consulta de serie temporal. Si experimenta una latencia considerable de más de 60 segundos, envíe una incidencia de soporte técnico a través de Azure Portal.

Es posible que experimente un período de hasta 5 minutos antes de que los datos estén disponibles al acceder directamente a los archivos Parquet fuera de Azure Time Series Insights Gen2. Para más información, consulte la sección sobre el formato de archivo Parquet.

Almacenamiento intermedio

Los datos del almacenamiento intermedio solo están disponibles mediante las API de consulta de Time Series, el explorador de Azure Time Series Insights TSI o el conector de Power BI. Las consultas al almacenamiento intermedio son gratuitas y no hay ninguna cuota, pero hay un límite de 30 solicitudes simultáneas.

Comportamiento del almacenamiento intermedio

Cuando está habilitado, todos los datos transmitidos al entorno se enrutarán al almacenamiento intermedio, independientemente de la marca de tiempo del evento. Tenga en cuenta que la canalización de ingesta de streaming está diseñada para el streaming casi en tiempo real y no se admite la ingesta de eventos históricos.
El período de retención se calcula en función del momento en el que el evento se indexa en el almacenamiento intermedio, no según la marca de tiempo del evento. Esto significa que los datos ya no están disponibles en el almacenamiento intermedio una vez transcurrido el período de retención, incluso si la marca de tiempo del evento es para el futuro.
- Ejemplo: un evento con pronósticos meteorológicos de 10 días se ingiere y se indexa en un contenedor de almacenamiento intermedio configurado con un período de retención de 7 días. Después de siete días, el pronóstico no estará accesible en el almacenamiento intermedio, pero se puede consultar desde el almacenamiento en reposo.
Si habilita el almacenamiento intermedio en un entorno existente que ya tiene datos recientes indexados en el almacenamiento en reposo, tenga en cuenta que el almacenamiento intermedio no se rellenará con estos datos.
Si acaba de habilitar el almacenamiento intermedio y experimenta problemas al ver los datos recientes en el explorador, puede desactivar temporalmente las consultas del almacenamiento intermedio:

Almacenamiento en reposo

En esta sección se describen detalles de Azure Storage relativos a Azure Time Series Insights Gen2.

Para obtener una descripción detallada de Azure Blob Storage, lea Introducción a Azure Blob Storage.

Cuenta de almacenamiento en reposo

Azure Time Series Insights Gen2 conserva un máximo de dos copias de cada evento en su cuenta de Azure Storage. Una copia almacena los eventos ordenados por hora de ingesta, permitiendo siempre el acceso a los eventos en una secuencia ordenada por tiempo. Con el tiempo, Azure Time Series Insights Gen2 también crea una copia con una nueva partición de los datos que se van a optimizar para las consultas eficaces.

Todos los datos se almacenan de forma indefinida en su cuenta de Azure Storage.

Advertencia

No restrinja el acceso a través de una red de Internet pública a la cuenta de almacenamiento usada por Time Series Insights o, de lo contrario, se interrumpirá la conexión necesaria.

Escritura y edición de blobs

Para garantizar el rendimiento de las consultas y la disponibilidad de los datos, no edite ni elimine los blobs que crea Azure Time Series Insights Gen2.

Acceso a datos de almacenamiento en reposo

Además de acceder a los datos desde el explorador de Azure Time Series Insights y las API Time Series Query, puede que también desee acceder a los datos directamente desde los archivos Parquet almacenados en el almacenamiento en reposo. Por ejemplo, puede leer, transformar y limpiar los datos en un cuaderno de Jupyter y luego usarlo para entrenar el modelo de Azure Machine Learning en el mismo flujo de trabajo de Spark.

Para acceder a los datos directamente desde su cuenta de Azure Storage, necesita acceso de lectura a la cuenta usada para almacenar los datos de Azure Time Series Insights Gen2. A continuación, puede leer los datos seleccionados en función de la hora de creación del archivo de Parquet que se encuentra en la carpeta PT=Time que se describe a continuación en la sección Formato de archivo de Parquet. Para más información sobre cómo habilitar el acceso de lectura a su cuenta de almacenamiento, consulte Administración del acceso a los recursos de la cuenta de almacenamiento.

Eliminación de datos

No elimine los archivos de Azure Time Series Insights Gen2. Administre los datos relacionados solo desde Azure Time Series Insights Gen2.

Formato de archivo de Parquet y estructura de carpetas

Parquet es un formato de archivo en columnas de código abierto diseñado para lograr un almacenamiento y un rendimiento eficaces. Azure Time Series Insights Gen2 usa Parquet para habilitar el rendimiento de las consultas basadas en el identificador de la serie temporal a escala.

Para más información sobre el tipo de archivo de Parquet, lea la documentación de Parquet.

Azure Time Series Insights Gen2 almacena copias de los datos de la siguiente manera:

La carpeta PT=Time se particiona por hora de ingesta y almacena los datos más o menos en orden de llegada. Estos datos se conservan con el tiempo y puede acceder directamente a ellos desde fuera de Azure Time Series Insight Gen2, como por ejemplo desde los cuadernos de Spark. La marca de tiempo <YYYYMMDDHHMMSSfff> corresponde al tiempo de ingesta de los datos. <MinEventTimeStamp> y <MaxEventTimeStamp> corresponden al intervalo de marcas de tiempo de evento incluidas en el archivo. La ruta de acceso y el nombre de archivo tienen el siguiente formato:

V=1/PT=Time/Y=<YYYY>/M=<MM>/<BlobCreationTimestamp>_<MinEventTimestamp>_<MaxEventTimestamp>_<TsiInternalSuffix>.parquet
Las carpetas PT=Live y PT=Tsid contienen una segunda copia de los datos, que se vuelve a particionar para el rendimiento de las consultas de serie temporal a escala. Estos datos se optimizan con el tiempo y no son estáticos. Al volver a crear las particiones, algunos eventos podrían estar presentes en varios blobs y los nombres de blob podrían cambiar. Estas carpetas las usa Azure Time Series Insights Gen2 y no se debe acceder a ellas directamente; solo se debe usar PT=Time para tal fin.

Nota

Los datos de la carpeta PT=Time de antes de junio de 2021 podrían tener un formato de nombre de archivo sin intervalos de tiempo de eventos: V=1/PT=Time/Y=<YYYY>/M=<MM>/<BlobCreationTimestamp>_<TsiInternalSuffix>.parquet. El formato de archivo interno es el mismo y los archivos con los dos esquemas de nomenclatura se pueden usar conjuntamente.

<YYYY> se asigna a una representación de año de cuatro dígitos.
<MM> se asigna a una representación de mes de dos dígitos.
El formato <YYYYMMDDHHMMSSfff> de las marcas de tiempo se asigna a un año de cuatro dígitos (YYYY), un mes de dos dígitos (MM), un día de dos dígitos (DD), una hora de dos dígitos (HH), un minuto de dos dígitos (MM), un segundo de dos dígitos (SS) y un milisegundo de tres dígitos (fff).

Los eventos de Azure Time Series Insights Gen2 se asignan al contenido de los archivos de Parquet como se indica a continuación:

Cada evento se asigna a una sola fila.
Cada fila incluye la columna timestamp con una marca de tiempo del evento. La propiedad time-stamp nunca es null. Su valor predeterminado es event enqueued time si no se especifica en el origen del evento. La marca de tiempo almacenada siempre está en UTC.
Cada fila incluye las columnas de identificadores de la serie temporal (TSID) como se define durante la creación del entorno de Azure Time Series Insights Gen2. El nombre de la propiedad del identificador de Time Series incluye el sufijo _string.
Las demás propiedades enviadas como datos de telemetría se asignan a nombres de columna que terminan en _bool (booleano), _datetime (marca de tiempo), _long (largo) o _double (doble),_string (cadena) o _dynamic (dinámico) en función del tipo de propiedad. Para obtener más información, lea Tipos de datos compatibles.
Este esquema de asignación se aplica a la primera versión del formato de archivo, a la que se hace referencia como V=1 y se almacena en la carpeta base del mismo nombre. A medida que esta característica evolucione, este esquema de asignación podría cambiar y se incrementaría el nombre de referencia.

Pasos siguientes

Lea sobre el modelado de datos.
Planeamiento del entorno de Azure Time Series Insights Gen2.