驅動跨行業採用時間序列平臺的四個用例

時間序列資料庫正在快速增長，根據DB引擎，它們是增長最快的資料庫類別，甚至領先於Hadoop和NoSQL資料儲存。時間序列資料平臺的快速增長是由於最近出現的幾種技術趨勢引起的。

主要原因之一是，與傳統應用程式體系結構相比，現代應用程式體系結構正在產生大量的度量標準。如今，較新的應用程式由微服務提供動力，並由DevOps工具鏈提供儀器。這個底層架構生成大量的度量和事件資料，這需要特殊的處理。最重要的是，這些較新的應用程式被託管在雲平臺上，使用VM、Docker和其他使用諸如Kubernetes等編排工具的應用程式。

這些因素導致了大量的度量和事件，現在需要儲存、查詢和分析。經過嘗試使用傳統的RDBMS或Hadoop/NoSQL等不同的資料儲存方式，使用者終於意識到這種用例需要有目的儲存和處理，並最終採用了時間序列資料平臺。

讓我們更深入地研究時間序列平臺的巨大增長背後的四個用例。

德維普斯

DevOps並不是一個新的概念，但它將繼續獲得吸引力，並已成為持續交付的最大推動者。各種規模的公司現在都在採用DevOps，以便更快地交付它們的IT應用程式。App-dev、QA和Ops團隊的結合是很自然的，每個行業都在全心全意地採用DevOps。

每個組織都根據使用哪種技術為DevOps使用不同的工具，但這些工具鏈通常由幾十種部署自動化技術組成。Tools，如Chef、PupPET、Jira和Git被用於使用虛擬機器和編排技術(如Docker、Kubernetes和Messphere)來檢測部署。最終產生的編排有幾十個可移動的部件，需要進行高階監視，以確保所有元件都是可執行的，並滿足SLA的要求。

好訊息是，DevOps工具鏈中使用的所有工具和技術都會發出時間序列資料，然後可以用來監視、跟蹤和分析部署速度和構建效能。然而，這需要一個時間序列資料平臺，它可以非常快的速度吸收這些指標，支援跨資料集的查詢，並及時執行分析以檢測和修復任何部署或構建問題。透過使用專門為度量和事件構建的平臺，可以監視、調整和最佳化DevOps工具鏈，以便每天進行多個部署。

物聯網

感測器和裝置正在使物理世界的儀器成為可能。從製造業到汽車，到醫療保健和IT，每一個行業都在競相實施物聯網系統。這一舉措使得這些感測器和裝置嵌入到從燈泡到太陽能電池板的所有東西中，這意味著每秒都會產生千兆位元組的資料。這些資料是全時間序列資料，它需要的不僅僅是簡單的儲存.事實上，物聯網對資料平臺有三個獨特的要求。

1.監測和跟蹤

感測器和裝置生成的資料提供的資訊可以轉化為有意義的洞察力，如電池效能、渦輪機生產、發貨狀態和其他資訊，這些資訊通常對業務至關重要，並提高了生產率。能夠快速攝取和處理大量的時間序列物聯網資料是任何成功的物聯網專案的第一步。為什麼時間序列資料變得如此重要？

2.分析學

瞭解對時間序列資料平臺產生巨大需求的用例。未來AI/MLdrivenapp環境下時間序列資料平臺的未來是什麼？四個用例驅動跨行業採用時間序列平臺下一步是從物聯網資料生成分析。來自感測器的歷史資料被用來獲得洞察力，可以應用於當前的情況，以創造一個主要的競爭優勢。預測維護，最佳化的交通路線，改進的流失管理，以及加強節水都是可能的物聯網分析。

3.行動與控制

最後但並非最不重要的一點是，物聯網資料可以被編織到業務流程中以觸發智慧操作。隨著感測器產生事件的速度和速度，企業希望在沒有人工干預的情況下實時地對這些資料採取行動。例如，在發生洩漏時自動關閉水泵或隨著風速改變風力渦輪機的方向等行動都會立即創造商業優勢。具有內建行動框架的時間序列平臺使這種操作成為可能。

微型服務

在構建可伸縮和可靠的體系結構時，微服務是非常有用的。與IT服務的交付和使用方式相關的一切都在經歷著巨大的變化。整體架構正被微服務驅動的應用程式所取代，而基於雲的基礎設施正被捆綁在一起，以提供基於微服務的體系結構，這些體系結構提供高效能的可伸縮應用程式(24/7)。

要實現微服務風格的體系結構，有幾個基本需求。

可擴充套件Web體系結構

這種架構的首要要求之一是確保高度的可伸縮性，因此這些微服務通常部署在雲端，以便能夠按需擴充套件。為這些微服務提供動力的雲和容器架構需要亞秒級的監視來根據需要觸發更多的容量，而這通常是透過分析堆疊生成的時間序列度量來實現的。

跨域可見性

微服務驅動的應用程式可以由跨越多個IT域的不同團隊構建。一個團隊負責“客戶帳戶建立”，另一個團隊負責“訂單建立”的微型服務。當新客戶抱怨下訂單需要很長時間時，問題可能會出現在任何一方。透過使用微服務堆疊生成的時間序列資料，可以跨多個微服務域度量響應時間等效能指標。

分散式體系結構

由於技術原因(例如可伸縮性和減少延遲)，或者由於位置、管轄權或災難管理需求等原因，需要分散式體系結構。分散式特性具有很大的意義，但也帶來了監視挑戰。同一微服務的不同版本可以部署在不同的區域-如何在次秒級跟蹤基準和SLA的效能？同樣，時間序列資料平臺來拯救並使用度量和事件來跟蹤效能。

實時分析

由於上述原因，現代應用程式產生的度量和事件的數量超出了任何人類實際解釋和行動的能力。我們如何瞭解正在發生的事情並採取儘可能最好的行動？機器學習與實時分析是尋找“從噪音訊號”的關鍵.組織是否需要實時分析來買賣股票，在機器故障前進行預測維護，還是根據客戶行為、處理、分析和實時處理時間序列資料來調整價格是需要解決的問題。

觀察

實時觀測系統是至關重要的，因為複雜的系統，本質上，行為和失敗的方式非常不可預測。觀察不同的度量標準，如鍋爐溫度、訂單量、獨特的訪問者，甚至是假日期間的系統統計等基礎設施指標，這是理解應用程式和使用者行為的真正一部分。

學學

學習過程就是教系統資料意味著什麼，以及如何自動決策。AI/ML在它所能做的事情上是如此強大，但它需要大量的資料來學習。時間序列資料平臺從關鍵任務的應用程式和基礎設施中獲取度量和事件，以便演算法能夠了解正在發生的事情。

自動

在生成分析之後，下一步是自動化決策。這個決定可能只是預測什麼時候該為應用程式申請更多資源，或者決定給客戶一個特殊折扣。這些決定可以由應用本身做出，也可以由另一個AI/ML應用做出。在某些情況下，它只是提醒另一個應用程式採取行動。

摘要

IT應用正在發生翻天覆地的變化。跨行業，人們認識到，企業應該轉向人工智慧/ML驅動的智慧應用，這些應用可以藉助物聯網和先進的儀器裝置來驅動自動化。這種應用架構由微服務提供動力，並使用DevOps工具鏈構建，最終目標是快速升級以提供優秀的客戶體驗。隨著交付這些應用程式的機制的發展，監測和檢測應用程式的必要性也在不斷髮展。能夠處理大量度量和事件的時間序列資料平臺將隨著人工智慧、預測分析和新的應用程式體系結構的需求而繼續增長。