Hinweis
Für den Zugriff auf diese Seite ist eine Autorisierung erforderlich. Sie können versuchen, sich anzumelden oder das Verzeichnis zu wechseln.
Für den Zugriff auf diese Seite ist eine Autorisierung erforderlich. Sie können versuchen, das Verzeichnis zu wechseln.
Azure Cosmos DB
Azure Data Explorer
Azure Digital Twins
Azure IoT Hub
Lösungsmöglichkeiten
In diesem Artikel ist ein Lösungsvorschlag beschrieben. Ihr Cloudarchitekt kann diesen Leitfaden verwenden, um die Hauptkomponenten einer typischen Implementierung dieser Architektur zu visualisieren. Verwenden Sie diesen Artikel als Ausgangspunkt, um eine gut durchdachte Lösung zu entwerfen, die den spezifischen Anforderungen Ihrer Workload entspricht.
In dieser Lösungsidee wird beschrieben, wie Azure Data Explorer nahezu echtzeitbasierte Analysen für schnell fließende, volumenstarke Streamingdaten von IoT-Geräten und -Sensoren (Internet of Things) bereitstellt. Dieser Datenfluss ist Teil einer gesamten IoT-Lösung, die operative und analytische Workloads in Azure Cosmos DB und Azure Data Explorer integriert.
Jupyter ist eine Marke des entsprechenden Unternehmens. Die Verwendung dieser Marke impliziert keine Empfehlung. Apache® und Apache Kafka® sind entweder eingetragene Marken oder Marken der Apache Software Foundation in den USA und/oder anderen Ländern. Die Verwendung dieser Markierungen impliziert kein Endorsement durch die Apache Software Foundation.
Aufbau
Diagramm, das eine IoT-Datenarchitektur (Internet of Things) zeigt. Vernetzte Fahrzeuge und Flottenmanagement, verbundene Fertigung, Anlagenmanagement und Sensoren und Türme senden Gerätedaten an Azure IoT Hub, Azure Event Hubs und Apache Kafka. Ein bidirektionaler Pfeil verbindet diese Dienste mit Azure Stream Analytics und Azure Functions. Stream Analytics und Azure Functions leiten dann die Daten an Azure Cosmos DB weiter. Azure Cosmos DB speist eine betriebsbezogene benutzerdefinierte App für mobile Nutzer, Webapp- und Kioskbenutzer, und ein anderer Pfad leitet Änderungsfeed-Ereignisse zurück an Stream Analytics und Azure Functions. Azure Data Explorer wird von den IoT Hub, Event Hubs und Kafka gefüttert und durch bidirektionale Pfeile mit Azure Databricks, Azure Machine Learning und Data Lake Storage verbunden. Azure Data Explorer versorgt eine benutzerdefinierte analytische App und die Azure Data Explorer Web-Benutzeroberfläche, Power BI, Grafana, Logic Apps und Jupyter Notebook. Eine gepunktete Linie verbindet auch Azure Data Explorer mit APIs, und eine andere gepunktete Linie verbindet Event Hubs zurück mit Azure Data Explorer.
Laden Sie eine Visio-Datei dieser Architektur herunter.
Datenfluss
Der folgende Datenfluss entspricht dem vorherigen Diagramm:
Azure Event Hubs, Azure IoT Hub oder Apache Kafka erfasst ein breites Spektrum an schnell fließenden Streamingdaten wie Protokollen, Geschäftsereignissen und Benutzeraktivitäten.
Azure Functions oder Azure Stream Analytics verarbeitet die Daten nahezu in Echtzeit.
Azure Cosmos DB speichert gestreamte Nachrichten im JSON-Format, um eine Echtzeitbetriebsanwendung zu unterstützen.
Azure Data Explorer erfasst Daten für Analysen mithilfe seiner Connectors für Event Hubs, IoT Hub oder Kafka für niedrige Latenz und hohen Durchsatz.
Alternativ können Sie Blobs aus Ihrem Azure Blob Storage oder Azure Data Lake Storage mithilfe einer Azure Event Grid-Datenverbindung in den Azure Data Explorer importieren.
Sie können Daten auch kontinuierlich zu Azure Storage im komprimierten, partitionierten Apache Parquet-Format exportieren und die Daten nahtlos mit Azure Data Explorer abfragen. Weitere Informationen finden Sie unter Übersicht über den fortlaufenden Datenexport.
Um sowohl die operativen als auch analytischen Anwendungsfälle zu bedienen, leiten Sie Daten parallel an Azure Data Explorer und Azure Cosmos DB oder von Azure Cosmos DB an Azure Data Explorer weiter.
Azure Cosmos DB-Transaktionen können Azure Functions über den Änderungsfeed auslösen. Azure Functions streamen Daten an Event Hubs, um sie in Azure Data Explorer zu übertragen. Alternativ kann Azure Functions Azure Digital Twins über die API aufrufen, die dann Daten für die Aufnahme in Azure Data Explorer an Event Hubs streamt.
Die folgenden Schnittstellen erhalten Einblicke aus Daten, die in Azure Data Explorer gespeichert sind:
Benutzerdefinierte Analyse-Apps, die Daten aus Azure Digital Twins und Azure Data Explorer APIs kombinieren
Analyse-Dashboards in Quasi-Echtzeit, die Azure Data Explorer Dashboards Power BI oder Grafana verwenden
Alarme und Benachrichtigungen vom Azure Data Explorer Connector für Azure Logic Apps
Die Azure Data Explorer Web-UI, Kusto.Explorer und Jupyter-Notizbücher
Azure Data Explorer in Azure Databricks und Azure Machine Learning integriert, um maschinelle Lerndienste bereitzustellen. Sie können auch Machine Learning-Modelle erstellen, indem Sie andere Tools und Dienste verwenden und diese zum Bewerten von Daten in Azure Data Explorer exportieren.
Komponenten
Diese Lösungsidee verwendet die folgenden Azure-Komponenten.
Azure-Daten-Explorer
Anomalieerkennung und Prognose ist ein integriertes Analysefeature im Azure-Daten-Explorer. Er erkennt Ausreißer und prognostiziert zukünftige Werte, um proaktive Überwachung und Entscheidungsfindung zu unterstützen. In dieser Architektur identifiziert sie ungewöhnliche Muster in IoT-Daten und prognostiziert das erwartete Verhalten im Laufe der Zeit.
Anomaliediagnose für die Stammanalyse ist eine KQL-Funktion, die hilft, die Ursachen von Anomalien zu identifizieren. Es analysiert die beitragenden Dimensionen und Metriken, um die Problembehandlung zu optimieren. In dieser Architektur isoliert sie die Quelle von Anomalien, die in Gerätedaten erkannt werden.
Azure Data Explorer ist ein vollständig verwalteter, leistungsstarker Analysedienst. Es verarbeitet große Mengen von Streamingdaten von Anwendungen, Websites und IoT-Geräten in nahezu Echtzeit. In dieser Architektur dient sie als zentrales Analysemodul für die Erfassung, Abfrage und Visualisierung von IoT-Daten.
Azure Data Explorer Dashboards sind ein Visualisierungsfeature in der Azure Data Explorer Web-UI. Sie können Azure Data Explorer Dashboards verwenden, um Kusto-Abfragen in interaktive Dashboards für die Echtzeit-Datensuche zu exportieren. In dieser Architektur zeigen sie Erkenntnisse aus IoT-Datenströmen und Anomalieerkennungsergebnissen an.
Azure Data Explorer Web-UI ist eine browserbasierte Schnittstelle für Azure Data Explorer Cluster. Sie unterstützt Benutzer, die KQL-Befehle und -Abfragen schreiben, ausführen und freigeben. In dieser Architektur bietet es einen Arbeitsbereich, in dem Analysten IoT-Daten abfragen und untersuchen können.
Zeitreihenanalyse ist eine integrierte Funktion im Azure Data Explorer. Sie hilft Benutzern, zeitliche Muster, Trends und Saisonalität in zeitbasierten Daten zu untersuchen. In dieser Architektur werden langfristige Trends und zyklisches Verhalten in IoT-Sensorwerten offenbart.
Weitere Azure-Komponenten
Azure Cosmos DB ist eine vollständig verwaltete schnelle NoSQL-Datenbank mit offenen APIs für jeden Maßstab. In dieser Architektur speichert sie Betriebsdaten von IoT-Geräten für skalierbaren Zugriff mit geringer Latenz.
Azure Digital Twins ist eine Plattform zum Modellieren physischer Umgebungen als digitale Darstellungen. In dieser Architektur verwaltet es digitale Modelle von ioT-verbundenen Ressourcen, um räumliche Analysen und kontextbezogene Erkenntnisse zu unterstützen.
IoT Hub ermöglicht bidirektionale Kommunikation zwischen IoT-Geräten und der Azure Cloud. In dieser Architektur dient es als zentraler Messaging-Hub für Gerätedaten sowie Befehls- und Steuerungsvorgänge.
Event Hubs ist ein vollständig verwalteter Echtzeitdatenaufnahmedienst. In dieser Architektur werden Daten von IoT-Geräten erfasst und in die Analysepipeline gestreamt.
Kafka auf HDInsight ist ein kostengünstiger Dienst für Apache Kafka auf Azure. In dieser Architektur bietet es ein alternatives Streaming-Backbone für IoT-Dateneinnahme und -verteilung.
Szenario-Details
Diese Lösung verwendet Azure Data Explorer, um Nahezu-Echtzeit-IoT-Datenanalysen auf schnell fließenden, volumenstarken Streamingdaten aus einer vielzahl von IoT-Geräten zu erhalten.
Mögliche Anwendungsfälle
Flottenmanagement für die prädiktive Wartung von Fahrzeugteilen. Diese Lösung eignet sich ideal für die Automobil- und Transportbranche.
Anlagenverwaltung, für Energie- und Umweltoptimierung.
Kombinieren von Echtzeit-Straßenbedingungen mit Wetterdaten für sichereres autonomes Fahren.
Beitragende
Dieser Artikel wird von Microsoft gepflegt. Die folgenden Mitwirkenden haben diesen Artikel geschrieben.
Hauptautor:
- Shlomo Sagir | Senior Content Developer
Andere Mitwirkende:
- Sreedhar Pelluru | Senior Content Developer
Um nicht öffentliche LinkedIn-Profile zu sehen, melden Sie sich bei LinkedIn an.