Postissa Esittelyssä AWS ProServe Hadoop Migration Delivery Kit TCO -työkalu, esittelimme AWS ProServe Hadoop Migration Delivery Kit (HMDK) TCO-työkalun ja edut, jotka liittyvät paikallisten Hadoop-työkuormien siirtämiseen Amazonin EMR. Tässä viestissä sukeltamme syvälle työkaluun ja käymme läpi kaikki vaiheet lokin käsittelystä, muuntamisesta, visualisoinnista ja arkkitehtuurin suunnittelusta TCO:n laskemiseen.
Ratkaisun yleiskatsaus
Tutustutaanpa lyhyesti HMDK TCO -työkalun tärkeimpiin ominaisuuksiin. Työkalu tarjoaa YARN-lokien kerääjän Hadoop Resource Managerin yhdistämiseen YARN-lokien keräämistä varten. Python-pohjainen Hadoop-työkuormitusanalysaattori, jota kutsutaan YARN-lokianalysaattoriksi, tutkii Hadoop-sovelluksia. Amazon QuickSight kojelaudat näyttävät analysaattorin tulokset. Samat tulokset nopeuttavat myös tulevien EMR-tapausten suunnittelua. Lisäksi TCO-laskin luo optimoidun EMR-klusterin TCO-arvion siirtymisen helpottamiseksi.
Katsotaan nyt kuinka työkalu toimii. Seuraava kaavio havainnollistaa päästä-päähän työnkulkua.
Seuraavissa osissa käymme läpi työkalun viisi päävaihetta:
- Kerää YARN-työhistorialokit.
- Muunna työhistorialokit JSON-tiedostosta CSV-muotoon.
- Analysoi työhistorian lokit.
- Suunnittele EMR-klusteri siirtoa varten.
- Laske TCO.
Edellytykset
Ennen kuin aloitat, varmista, että täytät seuraavat edellytykset:
- Kloonaa hadoop-migration-assessment-tco-arkisto.
- Asenna Python 3 paikalliselle koneellesi.
- Sinulla on AWS-tili, jolla on käyttöoikeus AWS Lambda, QuickSight (Enterprise-versio) ja AWS-pilven muodostuminen.
Kerää YARN-työhistorialokit
Ensin ajat a LANKA tukkien kerääjä, start-collector.sh, paikallisella koneellasi. Tämä vaihe kerää Hadoop YARN -lokit ja sijoittaa lokit paikalliselle koneellesi. Skripti yhdistää paikallisen koneesi Hadoopin ensisijaiseen solmuun ja kommunikoi Resource Managerin kanssa. Sitten se hakee työhistoriatiedot (YARN-lokit sovellusten johtajilta) kutsumalla YARN ResourceManager -sovellusliittymää.
Ennen YARN-lokinkeräimen suorittamista sinun on määritettävä ja muodostettava yhteys (HTTP: 8088 tai HTTPS: 8090; jälkimmäistä suositellaan) varmistaaksesi YARN ResourceManagerin ja käytössä olevan YARN-aikajanapalvelimen käytettävyyden (Timeline Server v1 tai uudempi on tuettu ). Sinun on ehkä määritettävä YARN-lokien keruuväli ja säilytyskäytäntö. Varmistaaksesi, että keräät peräkkäisiä YARN-lokeja, voit käyttää cron-työtä ajoittamaan lokinkerääjän oikeaan aikaväliin. Esimerkiksi Hadoop-klusterissa, jossa on 2,000 1,000 päivittäistä sovellusta ja asetukseksi yarn.resourcemanager.max-completed-applications on asetettu 7 XNUMX, sinun on teoriassa suoritettava lokin kerääjä vähintään kahdesti saadaksesi kaikki YARN-lokit. Lisäksi suosittelemme vähintään XNUMX päivän YARN-lokien keräämistä kokonaisvaltaisten työkuormien analysointia varten.
Lisätietoja lokin kerääjän määrittämisestä ja ajastamisesta on kohdassa lanka-lokinkerääjä GitHub repo.
Muunna YARN-työhistorialokit JSON-muodosta CSV-muotoon
Kun olet hankkinut YARN-lokit, suoritat YARN-lokin järjestäjän yarn-log-organizer.py, joka on jäsentäjä JSON-pohjaisten lokien muuntamiseksi CSV-tiedostoiksi. Nämä tulostetut CSV-tiedostot ovat YARN-lokianalysaattorin syötteitä. Jäsentimessä on myös muita ominaisuuksia, kuten tapahtumien lajittelu ajan mukaan, dedikaatioiden poistaminen ja useiden lokien yhdistäminen.
Lisätietoja YARN-lokin järjestäjän käytöstä on kohdassa yarn-log-organizer GitHub repo.
Analysoi YARN-työhistorialokit
Seuraavaksi käynnistät YARN-lokianalysaattorin analysoimaan YARN-lokit CSV-muodossa.
QuickSightin avulla voit visualisoida YARN-lokitietoja ja suorittaa analyysin valmiiden kojelautamallien ja widgetin luomiin tietojoukoihin verrattuna. Widget luo automaattisesti QuickSight-hallintapaneelit kohde-AWS-tilille, joka on määritetty CloudFormation-malliin.
Seuraava kaavio havainnollistaa HMDK TCO -arkkitehtuuria.
YARN-lokianalysaattori tarjoaa neljä avaintoimintoa:
- Lataa muunnetut YARN-työhistorialokit CSV-muodossa (esim.
cluster_yarn_logs_*.csv
) Ja Amazonin yksinkertainen tallennuspalvelu (Amazon S3) kauhat. Nämä CSV-tiedostot ovat YARN-lokin järjestäjän tulosteita. - Luo manifesti JSON-tiedosto (esim.
yarn-log-manifest.json
) QuickSightille ja lataa se S3-säihöön: - Ota QuickSight-hallintapaneelit käyttöön käyttämällä CloudFormation-mallia, joka on YAML-muodossa. Valitse käyttöönoton jälkeen päivityskuvake, kunnes näet pinon tilan
CREATE_COMPLETE
. Tämä vaihe luo tietojoukkoja AWS-kohdetilisi QuickSight-hallintapaneeleihin. - QuickSight-hallintapaneelista löydät näkemyksiä analysoiduista Hadoop-työkuormista eri kaavioista. Nämä oivallukset auttavat sinua suunnittelemaan tulevia EMR-esiintymiä siirtymisen kiihdyttämiseksi, kuten seuraavassa vaiheessa osoitetaan.
Suunnittele EMR-klusteri siirtoa varten
YARN-lokianalysaattorin tulokset auttavat sinua ymmärtämään nykyisen järjestelmän todelliset Hadoop-työkuormat. Tämä vaihe nopeuttaa tulevien EMR-ilmentymien suunnittelua siirtymistä varten käyttämällä Excel-malli. Malli sisältää tarkistuslistan työmääräanalyysin ja kapasiteetin suunnittelun suorittamista varten:
- Käytetäänkö klusterissa käynnissä olevia sovelluksia asianmukaisesti niiden nykyisellä kapasiteetilla?
- Onko klusteri kuormitettu tiettyyn aikaan vai ei? Jos on, milloin on aika?
- Minkä tyyppiset sovellukset ja moottorit (kuten MR, TEZ tai Spark) ovat käynnissä klusterissa, ja mikä on kunkin tyypin resurssien käyttö?
- Ovatko eri töiden ajosyklit (reaaliaikainen, erä, ad hoc) käynnissä yhdessä klusterissa?
- Onko työt käynnissä säännöllisissä erissä, ja jos on, mitkä ovat nämä aikatauluvälit? (Esimerkiksi 10 minuutin, 1 tunnin, 1 päivän välein.) Onko sinulla töitä, jotka kuluttavat paljon resursseja pitkän ajan kuluessa?
- Tarvitseeko jokin työ parantaa suorituskykyä?
- Monopolisoivatko tietyt organisaatiot tai henkilöt klusterin?
- Toimivatko yhdessä klusterissa sekakehitys- ja käyttötyöt?
Kun olet täyttänyt tarkistuslistan, sinulla on parempi käsitys tulevaisuuden arkkitehtuurin suunnittelusta. EMR-klusterin kustannustehokkuuden optimoimiseksi seuraavassa taulukossa on yleisiä ohjeita oikeantyyppisen EMR-klusterin valitsemiseen ja Amazonin elastinen laskentapilvi (Amazon EC2) -perhe.
Oikean klusterityypin ja ilmentymäperheen valitsemiseksi sinun on suoritettava useita analyysikierroksia YARN-lokeja vastaan eri kriteerien perusteella. Katsotaanpa joitain keskeisiä mittareita.
Aikajana
Löydät työkuormitusmalleja aikaikkunassa suoritettujen Hadoop-sovellusten lukumäärän perusteella. Esimerkiksi päivä- tai tuntikaaviot "Tietueiden määrä alkamisajan mukaan" tarjoavat seuraavat tiedot:
- Päivittäisissä aikasarjakaavioissa vertaat hakemusten määrää työpäivien ja lomapäivien välillä sekä kalenteripäivien välillä. Jos luvut ovat samat, se tarkoittaa, että klusterin päivittäiset käyttöasteet ovat vertailukelpoisia. Toisaalta, jos poikkeama on suuri, tilapäisten töiden osuus on merkittävä. Voit myös selvittää mahdolliset viikoittaiset tai kuukausittaiset työt tiettyinä päivinä. Tilanteessa näet helposti tiettyjä päiviä viikossa tai kuukaudessa korkealla työmäärän keskittymisellä.
- Tuntikohtaisissa aikasarjakaavioissa ymmärrät paremmin, kuinka sovelluksia ajetaan tuntiikkunoissa. Löydät ruuhka- ja ruuhka-ajan ulkopuolella vuorokauden.
käyttäjät
YARN-lokit sisältävät kunkin sovelluksen käyttäjätunnuksen. Nämä tiedot auttavat sinua ymmärtämään, kuka lähettää hakemuksen jonoon. Yksittäisten ja koottujen sovellusten jono- ja käyttäjäkohtaisten ajojen tilastojen perusteella voit määrittää nykyisen työkuorman jakautumisen käyttäjien mukaan. Yleensä saman tiimin käyttäjillä on jaetut jonot. Joskus useilla joukkueilla on jaettu jonoja. Kun suunnittelet jonoja käyttäjille, sinulla on nyt oivalluksia, joiden avulla voit suunnitella ja jakaa sovellusten työkuormia, jotka ovat tasapainoisempia jonojen välillä kuin ne olivat aiemmin.
Sovellustyypit
Voit segmentoida työkuormia eri sovellustyyppien (kuten Hive, Spark, Presto tai HBase) perusteella ja käyttää moottoreita (kuten MR, Spark tai Tez). Käytä suoritinoptimoituja ilmentymiä laskentaa vaativissa työkuormissa, kuten MapReduce- tai Hive-on-MR-töissä. Käytä muistiin optimoituja instansseja muistia vaativissa työkuormissa, kuten Hive-on-TEZ-, Presto- ja Spark-töissä.
Kulunut aika
Voit luokitella sovelluksia suoritusajan mukaan. Upotettu CloudFormation-malli luo automaattisesti kuluneenGroup-kentän QuickSight-hallintapaneeliin. Tämä mahdollistaa keskeisen ominaisuuden, jonka avulla voit tarkkailla pitkään käynnissä olevia töitä yhdessä neljästä QuickSight-hallintapaneelien kaaviosta. Näin ollen voit suunnitella räätälöityjä tulevaisuuden arkkitehtuureja näihin suuriin töihin.
Vastaavat QuickSight-mittaristot sisältävät neljä kaaviota. Voit tarkentaa jokaisen kaavion, joka on liitetty yhteen ryhmään.
Ryhmä numero |
Kesto/työn kulunut aika |
1 | Alle 10 minuuttia |
2 | 10 minuutin ja 30 minuutin välillä |
3 | 30 minuutin ja 1 tunnin välillä |
4 | Yli 1 tunti |
Ryhmän 4 kaaviossa voit keskittyä suurten töiden tarkastamiseen eri mittareiden perusteella, mukaan lukien käyttäjä, jono, sovellustyyppi, aikajana, resurssien käyttö ja niin edelleen. Tämän huomion perusteella sinulla voi olla erillisiä jonoja klusterissa tai erityinen EMR-klusteri suuria töitä varten. Sillä välin voit lähettää pieniä töitä jaettuihin jonoihin.
Esittelymateriaalit
Resurssien (CPU, muisti) kulutusmallien perusteella voit valita oikean koon ja EC2-esiintymien perheen suorituskyvyn ja kustannustehokkuuden takaamiseksi. Suosittelemme laskentaa vaativiin sovelluksiin prosessorioptimoituja perheitä. Muistiintensiivisille sovelluksille suositellaan muistille optimoituja ilmentymäperheitä.
Lisäksi voit valita pysyvän tai ohimenevän EMR-klusterin sovelluksen työkuormien ja resurssien käytön luonteen perusteella. Amazon EMR EKS:ssätai Amazon EMR-palvelimeton.
Kun olet analysoinut YARN-lokit eri mittareilla, olet valmis suunnittelemaan tulevia EMR-arkkitehtuureja. Seuraavassa taulukossa on esimerkkejä ehdotetuista EMR-klustereista. Löydät lisätietoja kohdasta optimoitu tco-laskin GitHub repo.
Laske TCO
Suorita lopuksi paikallisella koneellasi tco-input-generator.py YARN-työhistorian lokien kokoamiseksi tunneittain, ennen kuin käytät Excel-mallia optimoidun kokonaiskulutuksen laskemiseen. Tämä vaihe on ratkaiseva, koska tulokset simuloivat Hadoop-työkuormia tulevissa EMR-tapauksissa.
TCO-simuloinnin edellytyksenä on ajaminen tco-input-generator.py
, joka luo tunneittain kootut lokit. Seuraavaksi avaat Excel-mallitiedoston makrojen käyttöön ottamiseksi ja syötät syötteet vihreissä soluissa TCO:n laskemista varten. Mitä tulee syöttötietoihin, annat todellisen tiedon koon ilman replikointia sekä Hadoopin ensisijaisen solmun ja datasolmun laitteistomääritykset (vCore, mem). Sinun on myös valittava ja lähetettävä aiemmin luodut tunneittain kootut lokit. Kun olet asettanut TCO-simulaatiomuuttujat, kuten alue, EC2-tyyppi, Amazon EMR korkea käytettävyys, moottorin vaikutus, Amazon EC2- ja Amazon EBS -alennus (EDP), Amazon S3 -määräalennus, paikallisen valuutan kurssi ja EMR EC2 -tehtävä/ydinhinnoittelusuhde ja hinta/tunti, TCO-simulaattori laskee automaattisesti tulevien EMR-esiintymien optimaaliset kustannukset Amazon EC2:ssa. Seuraavissa kuvakaappauksissa on esimerkki HMDK TCO -tuloksista.
Lisätietoja ja ohjeita HMDK:n TCO-laskelmista on kohdassa optimoitu tco-laskin GitHub repo.
Puhdistaa
Kun olet suorittanut kaikki vaiheet ja lopettanut testauksen, poista resurssit noudattamalla seuraavat vaiheet kulujen välttämiseksi:
- Valitse AWS CloudFormation -konsolissa luomasi pino.
- Valita Poista.
- Valita Poista pino.
- Päivitä sivu, kunnes näet tilan
DELETE_COMPLETE
. - Poista luomasi S3-säilö Amazon S3 -konsolissa.
Yhteenveto
AWS ProServe HMDK TCO -työkalu vähentää merkittävästi siirtymisen suunnitteluponnisteluja, jotka ovat aikaa vieviä ja haastavia tehtäviä arvioitaessa Hadoop-työkuormitusta. HMDK TCO -työkalulla arviointi kestää yleensä 2–3 viikkoa. Voit myös määrittää tulevien EMR-arkkitehtuurien lasketun TCO:n. HMDK TCO -työkalun avulla pystyt nopeasti ymmärtämään työtaakkaasi ja resurssien käyttötottumuksiasi. Työkalun tuottamien oivallusten avulla olet valmis suunnittelemaan optimaaliset tulevaisuuden EMR-arkkitehtuurit. Monissa käyttötapauksissa optimoidun uudelleenmuodostetun arkkitehtuurin 1 vuoden TCO tarjoaa merkittäviä kustannussäästöjä (64–80 % vähennys) laskennassa ja tallennuksessa verrattuna Hadoop-siirtoihin.
Lisätietoja Hadoop-siirtymien nopeuttamisesta Amazon EMR:ään ja HMDK CTO -työkaluun on kohdassa Hadoop Migration Delivery Kit TCO GitHub repotai ota yhteyttä AWS-HMDK@amazon.com.
Tietoja kirjoittajista
Sungyoul Park on Senior Practice Manager AWS ProServessä. Hän auttaa asiakkaita innovoimaan liiketoimintaansa AWS Analytics-, IoT- ja AI/ML-palveluilla. Hän on erikoistunut big data -palveluihin ja -teknologioihin, ja hän on kiinnostunut asiakkaiden liiketoiminnan tulosten rakentamisesta yhdessä.
Jiseong Kim on vanhempi data-arkkitehti AWS ProServessä. Hän työskentelee pääasiassa yritysasiakkaiden kanssa auttaakseen datajärven siirtoa ja modernisoimista, ja tarjoaa ohjausta ja teknistä apua suurissa dataprojekteissa, kuten Hadoop, Spark, tietovarastointi, reaaliaikainen tietojenkäsittely ja laajamittainen koneoppiminen. Hän ymmärtää myös kuinka soveltaa teknologioita suurten dataongelmien ratkaisemiseen ja hyvin suunnitellun tietoarkkitehtuurin rakentamiseen.
George Zhao on vanhempi data-arkkitehti AWS ProServessä. Hän on kokenut analytiikkajohtaja, joka työskentelee AWS-asiakkaiden kanssa nykyaikaisten dataratkaisujen toimittamiseksi. Hän on myös ProServe Amazon EMR -toimialueen asiantuntija, joka mahdollistaa ProServe-konsulttien parhaiden käytäntöjen ja toimitussarjojen Hadoopista Amazon EMR-migraatioihin. Hänen kiinnostuksen kohteinaan ovat datajärvet ja pilvi moderni dataarkkitehtuurin toimitus.
Kalen Zhang oli AWS:n kumppanitietojen ja analytiikan globaalin segmentin tekninen johtaja. Datan ja analytiikan luotettuna neuvonantajana hän kuratoi strategisia aloitteita datan muuntamiseksi, johti datan ja analytiikan työkuormien siirto- ja modernisointiohjelmia ja nopeuttai asiakkaiden siirtomatkoja laajan kumppanin kanssa. Hän on erikoistunut hajautettuihin järjestelmiin, yritystietojen hallintaan, edistyneeseen analytiikkaan ja suuriin strategisiin aloitteisiin.
- SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
- Platoblockchain. Web3 Metaverse Intelligence. Tietoa laajennettu. Pääsy tästä.
- Lähde: https://aws.amazon.com/blogs/big-data/deep-dive-into-the-aws-proserve-hadoop-migration-delivery-kit-tco-tool/
- 000
- 1
- 10
- 100
- 7
- a
- pystyy
- Meistä
- kiihdyttää
- kiihtyi
- kiihdyttää
- kiihtyvä
- kiihtyvyys
- saavutettavuus
- Tili
- poikki
- Ad
- Lisäksi
- lisä-
- lisäinformaatio
- Lisäksi
- kehittynyt
- neuvonantaja
- Jälkeen
- vastaan
- AI / ML
- Kaikki
- Amazon
- Amazon EC2
- Amazonin EMR
- keskuudessa
- analyysi
- Analytics
- analysoida
- analysointi
- ja
- api
- Hakemus
- sovellukset
- käyttää
- asianmukaisesti
- arkkitehtuuri
- ALUE
- arviointi
- Apu
- liittyvä
- automaattisesti
- saatavuus
- AWS
- AWS-pilven muodostuminen
- perustua
- perusta
- koska
- ovat
- Hyödyt
- PARAS
- parhaat käytännöt
- Paremmin
- välillä
- Iso
- Big Data
- lyhyesti
- rakentaa
- Rakentaminen
- liiketoiminta
- laskea
- laskettu
- laskee
- laskettaessa
- Kalenteri
- nimeltään
- soittamalla
- kyvyt
- Koko
- tapauksissa
- Solut
- tietty
- haastava
- Kaavio
- Kaaviot
- Valita
- valita
- pilvi
- Cluster
- kerätä
- Kerääminen
- kokoelma
- kerääjä
- kerää
- KOM
- vertailukelpoinen
- verrata
- verrattuna
- täydellinen
- Laskea
- keskittää
- keskittyminen
- Suorittaa
- johtavat
- kytkeä
- liitäntä
- Yhdistää
- peräkkäinen
- harkinta
- Console
- konsultit
- kulutus
- sisältää
- vastaava
- Hinta
- kustannussäästöjä
- kustannukset
- prosessori
- luotu
- luo
- kriteerit
- ratkaiseva
- CTO
- kuratoitu
- valuutta
- Nykyinen
- asiakas
- Asiakkaat
- jaksoa
- päivittäin
- kojelauta
- tiedot
- Datajärvi
- tiedonhallinta
- tietojenkäsittely
- aineistot
- päivä
- päivää
- omistautunut
- syvä
- syväsukellus
- toimittaa
- toimitus
- osoittivat
- levityspinnalta
- Malli
- suunnittelu
- yksityiskohdat
- Määrittää
- Kehitys
- poikkeama
- eri
- Alennus
- jakaa
- jaettu
- hajautetut järjestelmät
- jakelu
- verkkotunnuksen
- alas
- aikana
- kukin
- helposti
- EBS
- painos
- vaikutus
- tehokkuuden
- ponnisteluja
- upotettu
- mahdollistaa
- käytössä
- mahdollistaa
- päittäin
- Moottori
- Moottorit
- varmistaa
- enter
- yritys
- yritysasiakkaat
- varustettu
- perustaa
- Eetteri (ETH)
- Tapahtumat
- Joka
- esimerkki
- Esimerkit
- kunnostautua
- olemassa
- kokenut
- helpottaminen
- perheet
- perhe
- Ominaisuus
- Ominaisuudet
- ala
- Kuva
- filee
- Asiakirjat
- Löytää
- viimeistely
- jälkeen
- muoto
- alkaen
- toiminnallisuudet
- edelleen
- tulevaisuutta
- general
- syntyy
- synnyttää
- saada
- saada
- GitHub
- Global
- Vihreä
- Ryhmä
- suuntaviivat
- Hadoop
- Palvelimet
- auttaa
- auttaa
- Korkea
- historia
- Hive
- vapaapäivät
- kokonaisvaltainen
- TUNTIA
- Miten
- Miten
- HTML
- HTTPS
- ICON
- parannus
- in
- sisältää
- Mukaan lukien
- henkilökohtainen
- henkilöt
- tiedot
- aloitteita
- innovoida
- panos
- oivalluksia
- esimerkki
- ohjeet
- korko
- etu
- käyttöön
- Esineiden internet
- IT
- Job
- Työpaikat
- matkat
- json
- avain
- pakki
- järvi
- suuri
- laaja
- käynnistää
- johtaa
- johtaja
- OPPIA
- oppiminen
- Led
- Led Data
- Listat
- kuormitus
- paikallinen
- Pitkät
- pitkä aika
- katso
- Erä
- kone
- koneoppiminen
- makrot
- tärkein
- tehdä
- johto
- johtaja
- Päättäjät
- monet
- välineet
- Sillä välin
- Muisti
- sulautuvan
- Metrics
- muutto
- pöytäkirja
- sekoitettu
- Moderni
- modernisointi
- Kuukausi
- kuukausittain
- lisää
- moninkertainen
- luonto
- Tarve
- seuraava
- solmu
- solmut
- numero
- numerot
- tarkkailla
- saada
- ONE
- avata
- toiminta
- toiminta
- optimaalinen
- optimoitu
- optimoimalla
- optimaalinen
- organisaatioiden
- Muut
- erityinen
- kumppani
- kumppani
- kuviot
- Peak
- suorittaa
- suorituskyky
- aika
- lupa
- paikat
- suunnittelu
- Platon
- Platonin tietotieto
- PlatonData
- politiikka
- mahdollinen
- Kirje
- harjoitusta.
- käytännöt
- edellytyksiä
- aiemmin
- hinnoittelu
- ensisijainen
- Aikaisempi
- ongelmia
- käsittely
- Ohjelmat
- hankkeet
- asianmukainen
- ehdotettu
- toimittaa
- tarjoaa
- Python
- nopeasti
- hinta
- suhde
- tavoittaa
- valmis
- reaaliaikainen
- reaaliaikainen data
- suositella
- suositeltu
- asiakirjat
- vähentää
- suhteen
- alue
- säännöllinen
- poistamalla
- replikointi
- resurssi
- Esittelymateriaalit
- tulokset
- säilyttäminen
- kierrosta
- ajaa
- juoksu
- sama
- Säästöt
- Asteikko
- aikataulu
- kuvakaappauksia
- osiot
- segmentti
- vanhempi
- Sarjat
- Palvelut
- setti
- asetus
- useat
- yhteinen
- näyttää
- näyteikkuna
- merkittävä
- merkittävästi
- samankaltainen
- Yksinkertainen
- simulointi
- simulaattori
- tilanne
- Koko
- pieni
- So
- Ratkaisumme
- SOLVE
- jonkin verran
- Kipinä
- asiantuntija
- erikoistunut
- Erikoisuus
- erityinen
- tekniset tiedot
- pino
- alkoi
- tilasto
- Tila
- Vaihe
- Askeleet
- Levytila
- Strateginen
- antaa
- niin
- Tuetut
- järjestelmä
- järjestelmät
- taulukko
- Räätälöity
- vie
- Kohde
- tehtävät
- joukkue-
- tiimit
- teknologia
- Tekninen
- Technologies
- sapluuna
- malleja
- Testaus
- -
- Tulevaisuus
- heidän
- siksi
- Kautta
- aika
- Aikasarja
- aikaavievä
- aikajana
- että
- yhdessä
- työkalu
- Muuttaa
- Muutos
- transformoitu
- totta
- luotettu
- tyypit
- varten
- ymmärtää
- ymmärtäminen
- ymmärtää
- Käyttö
- käyttää
- käyttäjä
- Käyttäjät
- yleensä
- eri
- todentaa
- visualisointi
- tilavuus
- kävely
- Varastointi
- viikko
- viikoittain
- viikkoa
- Mitä
- Mikä on
- joka
- KUKA
- ikkunat
- ilman
- työnkulku
- työskentely
- toimii
- yaml
- Sinun
- zephyrnet