A valós idejű adatok és betekintések korát éljük, amelyet az alacsony késleltetésű adatfolyam-alkalmazások hajtanak. Ma már mindenki személyre szabott élményt vár bármilyen alkalmazásban, a szervezetek pedig folyamatosan újítanak, hogy növeljék üzleti működésük és döntéshozataluk sebességét. Az előállított időérzékeny adatok mennyisége rohamosan növekszik, és különböző adatformátumokat vezetnek be az új vállalkozások és az ügyfelek felhasználási esetei között. Ezért elengedhetetlen, hogy a szervezetek egy alacsony késleltetésű, méretezhető és megbízható adatfolyam-infrastruktúrát alkalmazzanak, hogy valós idejű üzleti alkalmazásokat és jobb ügyfélélményt biztosítsanak.
Ez az első bejegyzés egy olyan blogsorozathoz, amely általános architektúra mintákat kínál a valós idejű adatfolyam-infrastruktúrák kiépítéséhez a Kinesis Data Streams segítségével a felhasználási esetek széles köréhez. Célja, hogy keretet biztosítson alacsony késleltetésű streaming alkalmazások létrehozásához az AWS Cloud segítségével Amazon Kinesis adatfolyamok és a AWS célirányosan felépített adatelemzési szolgáltatások.
Ebben a bejegyzésben áttekintjük két használati eset általános felépítési mintáit: az idősoros adatelemzés és az eseményvezérelt mikroszolgáltatások. Sorozatunk következő bejegyzésében megvizsgáljuk a valós idejű BI-irányítópultok, a kapcsolattartói ügynökök, a főkönyvi adatok, a személyre szabott valós idejű ajánlások, a naplóelemzések, az IoT-adatok, a Change Data Capture és a valós idejű adatfolyam-folyamatok építésének építészeti mintáit. -idő marketing adatok. Mindezek az architektúra minták integrálva vannak az Amazon Kinesis Data Streams szolgáltatással.
Valós idejű adatfolyam a Kinesis Data Streams segítségével
Az Amazon Kinesis Data Streams egy felhőn natív, szerver nélküli streaming adatszolgáltatás, amely bármilyen léptékben megkönnyíti a valós idejű adatok rögzítését, feldolgozását és tárolását. A Kinesis Data Streams segítségével másodpercenként több száz gigabájt adatot gyűjthet össze és dolgozhat fel több százezer forrásból, így egyszerűen írhat olyan alkalmazásokat, amelyek valós időben dolgoznak fel információkat. Az összegyűjtött adatok ezredmásodpercekben állnak rendelkezésre, így lehetővé válik a valós idejű analitikai felhasználási esetek, például a valós idejű irányítópultok, a valós idejű anomáliák észlelése és a dinamikus árképzés. Alapértelmezés szerint a Kinesis Data Streamben lévő adatokat 24 órán keresztül tárolják, és lehetőség van az adatmegőrzési idő 365 napra növelésére. Ha az ügyfelek több alkalmazással, valós időben szeretnék feldolgozni ugyanazokat az adatokat, akkor használhatják az Enhanced Fan-Out (EFO) funkciót. Ezt a funkciót megelőzően minden, az adatfolyamból származó adatot fogyasztó alkalmazás megosztotta a 2 MB/másodperc/szilánk kimenetet. Azáltal, hogy az adatfolyam-fogyasztókat továbbfejlesztett fan-out használatára konfigurálják, minden adatfogyasztó 2 MB/másodperc dedikált olvasási sebességet kap szilánkonként, hogy tovább csökkentse az adatlekérési késleltetést.
A magas rendelkezésre állás és a tartósság érdekében a Kinesis Data Streams nagy tartósságot ér el azáltal, hogy szinkronban replikálja a streamelt adatokat egy AWS régió három rendelkezésre állási zónájában, és lehetőséget ad az adatok akár 365 napig történő megőrzésére. A biztonság érdekében a Kinesis Data Streams szerveroldali titkosítást biztosít, így a szigorú adatkezelési követelményeknek eleget tehet az adatok nyugalmi titkosításával, valamint az Amazon Virtual Private Cloud (VPC) interfész végpontjaival, hogy az Amazon VPC és a Kinesis Data Streams közötti adatfolyamok privátak maradjanak.
A Kinesis Data Streams natív integrációkkal rendelkezik más AWS szolgáltatásokkal, mint pl AWS ragasztó és a Amazon EventBridge valós idejű adatfolyam-alkalmazások létrehozásához AWS-en. További részletekért tekintse meg az Amazon Kinesis Data Streams integrációit.
Modern adatfolyam-architektúra Kinesis Data Streams-szel
A Kinesis Data Streams-szel rendelkező modern adatfolyam-architektúra öt logikai rétegből álló halomként tervezhető; minden réteg több, célirányosan felépített komponensből áll, amelyek megfelelnek a konkrét követelményeknek, amint azt az alábbi diagram mutatja:
Az architektúra a következő kulcselemekből áll:
- Streaming források – A streamelési adatforrások közé tartoznak az olyan adatforrások, mint a kattintásos adatok, érzékelők, közösségi média, tárgyak internete (IoT) eszközök, webes és mobilalkalmazásai által generált naplófájlok, valamint félig strukturált és strukturálatlan adatokat generáló mobileszközök folyamatos adatfolyamként. nagy sebességgel.
- Stream felvétel – Az adatfolyam-feldolgozási réteg felelős az adatoknak az adatfolyam-tároló rétegbe történő feldolgozásáért. Lehetővé teszi adatok gyűjtését több tízezer adatforrásból, és valós időben történő feldolgozását. Használhatja a Kinesis SDK streaming adatok API-kon keresztül történő feldolgozásához, a Kinesis Producer Library nagy teljesítményű és hosszú távú streaming producerek építéséhez, vagy a Kinézis szer fájlkészlet összegyűjtésére és Kinesis adatfolyamokba való bejuttatására. Ezen kívül számos előre összeállított integrációt használhat, mint pl AWS Database Migration Service (AWS DMS), Amazon DynamoDBés AWS IoT Core kód nélküli adatbevitelhez. Harmadik fél platformjairól, például az Apache Sparkról és az Apache Kafka Connectről is feldolgozhat adatokat
- Adatfolyam tárolása – A Kinesis Data Streams két módot kínál az adatátvitel támogatására: On-Demand és Provisioned. Az Igény szerinti mód, amely ma már az alapértelmezett választás, rugalmasan skálázható a változó átviteli sebességek elnyelésére, így az ügyfeleknek nem kell aggódniuk a kapacitáskezelés miatt, és nem kell adatátviteli sebességgel fizetniük. Az On-Demand mód automatikusan kétszeresére növeli az adatfolyam-kapacitást a korábbi maximális adatfelvételhez képest, hogy elegendő kapacitást biztosítson a váratlan adatfeldolgozási kiugrásokhoz. Alternatív megoldásként azok az ügyfelek, akik részletesen szabályozni szeretnék az adatfolyam-erőforrásokat, használhatják a kiépített módot, és proaktívan növelhetik és csökkenthetik a szilánkok számát, hogy megfeleljenek átviteli követelményeiknek. Ezenkívül a Kinesis Data Streams alapértelmezés szerint legfeljebb 2 óráig képes tárolni a streamelési adatokat, de a felhasználási esetektől függően 24 vagy 7 napig is meghosszabbítható. Több alkalmazás is fogyaszthatja ugyanazt az adatfolyamot.
- Stream feldolgozás - Az adatfolyam-feldolgozó réteg felelős az adatok fogyasztható állapotba átalakításáért az adatellenőrzés, -tisztítás, -normálás, -átalakítás és -dúsítás révén. Az adatfolyam-rekordokat előállításuk sorrendjében olvassa be a rendszer, lehetővé téve a valós idejű elemzést, az eseményvezérelt alkalmazások felépítését vagy az ETL streamingjét (kibontás, átalakítás és betöltés). Te tudod használni Amazon által felügyelt szolgáltatás az Apache Flink számára komplex adatfolyam-feldolgozáshoz, AWS Lambda állapot nélküli adatfolyam adatfeldolgozáshoz, és AWS ragasztó & Amazon EMR közel valós idejű számításokhoz. Személyre szabott fogyasztói alkalmazásokat is készíthet Kinesis Fogyasztói Könyvtár, amely az elosztott számítástechnikával kapcsolatos számos összetett feladatot ellátja.
- Úticél – A célréteg olyan, mint egy célirányosan felépített cél, a használati esettől függően. Az adatokat közvetlenül továbbíthatja Amazon RedShift adattárházhoz és Amazon EventBridge eseményvezérelt alkalmazások építéséhez. Használhatod is Amazon Kinesis Data Firehose streaming integrációhoz, ahol az AWS Lambda segítségével könnyítheti meg az adatfolyam-feldolgozást, majd a feldolgozott streamelést olyan célhelyekre juttathatja el, mint pl. Amazon S3 Data Lake, OpenSearch szolgáltatás az operatív elemzéshez, egy Redshift adattárház, No-SQL adatbázisok, mint például az Amazon DynamoDB, és relációs adatbázisok, mint pl. Amazon RDS valós idejű adatfolyamok felhasználása az üzleti alkalmazásokba. A cél lehet egy eseményvezérelt alkalmazás a valós idejű irányítópultokhoz, a feldolgozott streaming adatokon alapuló automatikus döntésekhez, a valós idejű módosításokhoz stb.
Valós idejű elemzési architektúra idősorokhoz
Az idősor adatok egy adott időintervallumban rögzített adatpontok sorozata az időben változó események mérésére. Ilyenek például a részvényárak az idő múlásával, a weboldalak kattintásai és az eszköznaplók az idő múlásával. Az ügyfelek az idősorok adatait felhasználhatják az időbeli változások nyomon követésére, így észlelhetik az anomáliákat, azonosíthatják a mintákat, és elemezhetik, hogy bizonyos változók hogyan változnak az idő múlásával. Az idősorok adatait általában több forrásból állítják elő nagy mennyiségben, és költséghatékonyan, közel valós időben kell összegyűjteni őket.
Az ügyfelek általában három elsődleges célt szeretnének elérni az idősoros adatok feldolgozásával:
- Valós idejű betekintést nyerhet a rendszer teljesítményébe, és észlelheti az anomáliákat
- Ismerje meg a végfelhasználói viselkedést a trendek nyomon követéséhez és a lekérdezések/vizualizációk létrehozásához ezekből az információkból
- Tartós tárolási megoldása az archív és a gyakran használt adatok befogadására és tárolására egyaránt.
A Kinesis Data Streams segítségével az ügyfelek több ezer forrásból folyamatosan terabájtnyi idősor-adatot rögzíthetnek tisztítás, dúsítás, tárolás, elemzés és megjelenítés céljából.
A következő architektúra-minta azt szemlélteti, hogyan érhető el valós idejű elemzés az idősoros adatokhoz a Kinesis adatfolyamokkal:
A munkafolyamat lépései a következők:
- Adatfeldolgozás és tárolás – A Kinesis Data Streams folyamatosan terabájtnyi adatot képes rögzíteni és tárolni több ezer forrásból.
- Stream feldolgozás - A következővel létrehozott alkalmazás Amazon által felügyelt szolgáltatás az Apache Flink számára ki tudja olvasni a rekordokat az adatfolyamból, hogy észlelje és megtisztítsa az idősoros adatok hibáit, és specifikus metaadatokkal gazdagítsa az adatokat a működési elemzés optimalizálása érdekében. A középső adatfolyam használata azzal az előnnyel jár, hogy az idősoros adatokat más folyamatokban és megoldásokban egyidejűleg felhasználjuk. Ezekkel az eseményekkel egy Lambda függvényt hívunk meg, amely idősor-számításokat hajthat végre a memóriában.
- úticél – Tisztítás és dúsítás után a feldolgozott idősor adatok streamelhetők Amazon Timestream adatbázis a valós idejű irányítópulthoz és elemzéshez, vagy olyan adatbázisokban tárolva, mint a DynamoDB a végfelhasználói lekérdezéshez. A nyers adatok archiválás céljából streamelhetők az Amazon S3-ra.
- Vizualizáció és betekintést nyerhet – Az ügyfelek lekérdezhetnek, megjeleníthetnek és riasztásokat hozhatnak létre a használatával Amazon által felügyelt szolgáltatás a Grafana számára. A Grafana támogatja azokat az adatforrásokat, amelyek az idősoros adatok tárolási hátterei. Az adatok Timestream szolgáltatásból való eléréséhez telepítenie kell a Grafana Timestream beépülő modulját. A végfelhasználók lekérdezhetnek adatokat a DynamoDB táblából a következővel Amazon API átjáró meghatalmazottként működik.
Hivatkozni Közel valós idejű feldolgozás az Amazon Kinesis, az Amazon Timestream és a Grafana segítségével egy kiszolgáló nélküli adatfolyam-folyamat bemutatása az eszközök telemetriai IoT-adatainak feldolgozására és tárolására egy idősorra optimalizált adattárban, például az Amazon Timestreamben.
Valós idejű adatok gazdagítása és visszajátszása eseményforrású mikroszolgáltatásokhoz
A mikroszolgáltatások a szoftverfejlesztés architekturális és szervezeti megközelítése, ahol a szoftverek kis független szolgáltatásokból állnak, amelyek jól meghatározott API-kon keresztül kommunikálnak. Eseményvezérelt mikroszolgáltatások építése során az ügyfelek 1. magas skálázhatóságot szeretnének elérni a bejövő események mennyiségének kezelésére és 2. az eseményfeldolgozás megbízhatóságát és a rendszer funkcionalitásának fenntartását a hibák esetén.
Az ügyfelek a mikroszolgáltatási architektúra mintáit használják fel az innováció felgyorsítására és az új funkciók piacra kerülésének idejére, mivel ez megkönnyíti az alkalmazások méretezését és gyorsabb fejlesztését. Azonban kihívást jelent az adatok gazdagítása és újrajátszása egy másik mikroszolgáltatásra irányuló hálózati hívás során, mivel ez hatással lehet az alkalmazás megbízhatóságára, és megnehezítheti a hibakeresést és a hibák nyomon követését. A probléma megoldására az eseményforrás egy hatékony tervezési minta, amely az állapotváltozások történeti rekordjait központosítja gazdagítás és újrajátszás céljából, és leválasztja az olvasást az írási munkaterhelésről. Az ügyfelek a Kinesis Data Streams-et használhatják központi eseménytárolóként az eseményforrás mikroszolgáltatásokhoz, mivel a KDS 1/ másodpercenként gigabájt adatátviteli sebességet tud kezelni folyamonként, és ezredmásodpercek alatt továbbítja az adatokat, hogy megfeleljen a nagy méretezhetőség és a közel valós idejű követelménynek. késleltetés, 2/ integrálja a Flink-et és az S3-at az adatok gazdagításához és eléréséhez, miközben teljesen leválasztja a mikroszolgáltatásokról, és 3/ lehetővé teszi az újrapróbálkozást és az aszinkron olvasást később, mert a KDS alapértelmezés szerint 24 óráig megőrzi az adatrekordot, és opcionálisan akár 365 napig.
A következő építészeti minta általános illusztrációja annak, hogyan használhatók a Kinesis adatfolyamok esemény-forrás mikroszolgáltatásokhoz:
A munkafolyamat lépései a következők:
- Adatbevitel és tárolás – A mikroszolgáltatásaiból származó bemeneteket összesítheti a Kinesis adatfolyamokhoz tárolás céljából.
- Stream feldolgozás - Apache Flink állapottartó függvények leegyszerűsíti az elosztott állapotalapú eseményvezérelt alkalmazások létrehozását. Képes fogadni az eseményeket egy bemeneti Kinesis adatfolyamból, és a kapott adatfolyamot egy kimeneti adatfolyamhoz irányítani. Az Apache Flink segítségével állapottartó függvényfürtöt hozhat létre az alkalmazás üzleti logikája alapján.
- Állapotfelvétel az Amazon S3-ban – Az állapotfelvételt az Amazon S3-ban tárolhatja nyomon követéshez.
- Kimeneti adatfolyamok – A kimeneti adatfolyamok a Lambda távoli funkcióin keresztül, HTTP/gRPC protokollon keresztül, API átjárón keresztül fogyaszthatók.
- Lambda távirányító funkciók – A lambda-funkciók mikroszolgáltatásként működhetnek különböző alkalmazásokhoz és üzleti logikákhoz üzleti alkalmazások és mobilalkalmazások kiszolgálására.
Ha meg szeretné tudni, hogyan építették fel más ügyfelek eseményalapú mikroszolgáltatásaikat a Kinesis Data Streams segítségével, tekintse meg a következőket:
Főbb szempontok és legjobb gyakorlatok
A következő megfontolások és bevált gyakorlatok, amelyeket szem előtt kell tartani:
- Az adatfelderítésnek kell lennie az első lépésnek a modern adatfolyam-alkalmazások felépítésében. A kívánt üzleti eredmények eléréséhez meg kell határoznia az üzleti értéket, majd azonosítania kell a streaming adatforrásokat és a felhasználói személyiségeket.
- Válassza ki a streaming adatfeldolgozási eszközt a gőzölgő adatforrás alapján. Használhatja például a Kinesis SDK streaming adatok API-kon keresztül történő feldolgozásához, a Kinesis Producer Library nagy teljesítményű és hosszú távú streaming producerek kiépítéséhez, a Kinézis szer fájlkészlet összegyűjtéséhez és Kinesis adatfolyamokba való bejuttatásához, AWS DMS CDC streaming használati esetekre, és AWS IoT Core az IoT-eszközök adatainak Kinesis Data Streamsbe történő beviteléhez. A streamelési adatokat közvetlenül az Amazon Redshiftbe töltheti be, és alacsony késleltetésű adatfolyam-alkalmazásokat hozhat létre. Harmadik féltől származó könyvtárakat, például az Apache Sparkot és az Apache Kafkát is használhatja a streaming adatok Kinesis Data Streamsbe történő feldolgozásához.
- A streaming adatfeldolgozási szolgáltatásokat az Ön konkrét használati esetei és üzleti követelményei alapján kell kiválasztania. Használhatja például az Amazon Kinesis Managed Service for Apache Flink szolgáltatást fejlett adatfolyam-használati esetekhez több adatfolyam célállomással és összetett állapotalapú adatfolyam-feldolgozással, vagy ha valós időben (például óránként) szeretné figyelni az üzleti mutatókat. A lambda alkalmas eseményalapú és állapot nélküli feldolgozásra. Te tudod használni Amazon EMR streaming adatfeldolgozáshoz kedvenc nyílt forráskódú big data keretrendszereinek használatához. Az AWS Glue jó közel valós idejű adatfolyam-feldolgozáshoz olyan használati esetekben, mint például az ETL streamelése.
- A Kinesis Data Streams on-demand mód használat szerint töltődik, és automatikusan növeli az erőforráskapacitást, így jó a tüskés adatfolyam-terheléshez és a kéz nélküli karbantartáshoz. A kiépített mód kapacitás szerint számít fel, és proaktív kapacitáskezelést igényel, így jó a kiszámítható adatfolyam-munkaterhelésekhez.
- Használhatja a Kinesis megosztott számológép a kiépített módhoz szükséges szilánkok számának kiszámításához. Az igény szerinti módban nem kell aggódnia a szilánkok miatt.
- Az engedélyek megadásakor Ön dönti el, hogy ki milyen engedélyeket kapjon a Kinesis Data Streams erőforrásokhoz. Engedélyezhet bizonyos műveleteket, amelyeket engedélyezni szeretne ezeken az erőforrásokon. Ezért csak azokat az engedélyeket kell megadnia, amelyek egy feladat végrehajtásához szükségesek. Az adatokat nyugalmi állapotban is titkosíthatja egy KMS ügyfél által kezelt kulcs (CMK) használatával.
- Tudod frissítse a megőrzési időszakot a Kinesis Data Streams konzolon keresztül vagy a IncreaseStreamRetentionPeriod és a DecreaseStreamRetentionPeriod műveletek az Ön konkrét használati esetei alapján.
- A Kinesis Data Streams támogatása újraszilánkolás. Az ajánlott API ehhez a funkcióhoz a UpdateShardCount, amely lehetővé teszi az adatfolyamban lévő szilánkok számának módosítását, hogy alkalmazkodjon az adatfolyamon keresztüli adatáramlás sebességének változásaihoz. Az újrafelosztási API-kat (Split and Merge) általában a forró szilánkok kezelésére használják.
Következtetés
Ez a bejegyzés különféle felépítési mintákat mutatott be az alacsony késleltetésű adatfolyam-alkalmazások Kinesis Data Streams segítségével történő létrehozásához. A Kinesis Data Streams segítségével létrehozhatja saját alacsony késleltetésű gőzölő alkalmazásait az ebben a bejegyzésben található információk segítségével.
A részletes építészeti mintákért tekintse meg a következő forrásokat:
Ha adatvíziót és stratégiát szeretne felépíteni, nézze meg a AWS adatvezérelt minden (D2E) program.
A szerzőkről
Raghavarao Sodabathina az AWS fő megoldástervezője, aki az adatelemzésre, az AI/ML-re és a felhőbiztonságra összpontosít. Együttműködik az ügyfelekkel, hogy innovatív megoldásokat hozzanak létre, amelyek kezelik az ügyfelek üzleti problémáit, és felgyorsítják az AWS-szolgáltatások alkalmazását. Szabadidejében Raghavarao szívesen tölt időt a családjával, könyveket olvas és filmeket néz.
Hang Zuo az Amazon Web Services Amazon Kinesis Data Streams csapatának vezető termékmenedzsere. Szenvedélyesen törekszik olyan intuitív termékélmények kialakítására, amelyek megoldják az összetett ügyfélproblémákat, és lehetővé teszik az ügyfelek számára, hogy elérjék üzleti céljaikat.
Shwetha Radhakrishnan az AWS megoldástervezője, aki az adatelemzésre összpontosít. Olyan megoldásokat épített, amelyek elősegítik a felhő alkalmazását, és segítik a szervezeteket adatvezérelt döntések meghozatalában a közszférában. Munkán kívül szeret táncolni, barátaival és családjával tölteni az idejét, és szeret utazni.
Brittany Ly az AWS megoldási építésze. Arra összpontosít, hogy segítse a vállalati ügyfeleket a felhő bevezetésében és modernizálásában, és érdekli a biztonság és az analitika. A munkán kívül szeret a kutyájával tölteni az időt és pácolni.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
- PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
- PlatoESG. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
- PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/big-data/architectural-patterns-for-real-time-analytics-using-amazon-kinesis-data-streams-part-1/
- :van
- :is
- :nem
- :ahol
- $ UP
- 1
- 100
- 24
- 7
- a
- képesség
- Rólunk
- gyorsul
- hozzáférés
- igénybe vett
- Elérése
- elért
- ér
- elérése
- át
- törvény
- ható
- cselekvések
- alkalmazkodni
- mellett
- További
- Ezen kívül
- cím
- Örökbefogadás
- fejlett
- Előny
- Után
- kor
- Ügynök
- adalékanyag
- AI / ML
- célok
- figyelmeztetések
- Minden termék
- lehetővé
- lehetővé téve
- lehetővé teszi, hogy
- Is
- amazon
- Amazon kinezis
- Amazon Timestream
- Az Amazon Web Services
- an
- elemzés
- analitika
- elemez
- és a
- anomália észlelése
- Másik
- bármilyen
- Apache
- Apache Kafka
- Apache Spark
- api
- API-k
- Alkalmazás
- alkalmazások
- megközelítés
- alkalmazások
- építészeti
- építészet
- VANNAK
- AS
- társult
- At
- Automatikus
- automatikusan
- elérhetőség
- elérhető
- AWS
- AWS ragasztó
- AWS Lambda
- alapján
- BE
- mert
- óta
- viselkedés
- hogy
- BEST
- legjobb gyakorlatok
- Jobb
- között
- Nagy
- Big adatok
- Blog
- Könyvek
- mindkét
- épít
- Épület
- épült
- üzleti
- Üzleti alkalmazások
- vállalkozások
- de
- by
- számít
- hívás
- TUD
- Kapacitás
- elfog
- ami
- eset
- esetek
- CDC
- Központ
- központosított
- bizonyos
- kihívást
- változik
- Változások
- díjak
- ellenőrizze
- választás
- A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a
- ragadozó ölyv
- Takarításra
- felhő
- felhő elfogadása
- Cloud Security
- Fürt
- gyűjt
- Gyűjtő
- Közös
- kommunikálni
- teljesen
- bonyolult
- alkatrészek
- áll
- Kiszámít
- számítástechnika
- az érintett
- konfigurálása
- megfontolások
- áll
- Konzol
- állandóan
- fogyaszt
- fogyasztott
- fogyasztó
- Fogyasztók
- kapcsolat
- kapcsolatközpont
- folyamatos
- folyamatosan
- ellenőrzés
- teremt
- készítette
- kritikai
- vevő
- Ügyfelek
- szabott
- Tánc
- műszerfalak
- dátum
- adatelemzés
- Adatelemzés
- az adatok gazdagítása
- adattó
- adatkezelés
- adat pontok
- adatfeldolgozás
- adattárház
- adatalapú
- adatbázis
- adatbázisok
- Nap
- dönt
- döntés
- Döntéshozatal
- határozatok
- függetlenített
- elszánt
- alapértelmezett
- meghatározott
- szállít
- igazolták
- attól
- Design
- tervezett
- kívánatos
- rendeltetési hely
- úticél
- részletes
- részletek
- kimutatására
- Érzékelés
- Fejleszt
- fejlesztése
- Fejlesztés
- eszköz
- Eszközök
- különböző
- nehéz
- közvetlenül
- felfedezés
- megosztott
- elosztott számítástechnika
- do
- Kutya
- ne
- le-
- hajtás
- hajtott
- tartósság
- dinamikus
- minden
- könnyebb
- könnyen
- könnyű
- Hatékony
- ölelés
- lehetővé
- titkosítás
- végpontok
- elkötelezett
- fokozott
- gazdagítják
- Vállalkozás
- vállalati ügyfelek
- hibák
- Eter (ETH)
- esemény
- események
- Minden
- mindenki
- példa
- példák
- elvárja
- tapasztalat
- Tapasztalatok
- feltárása
- terjed
- kivonat
- Arc
- hibák
- család
- Divat
- gyorsabb
- Kedvenc
- Funkció
- Jellemzők
- mező
- Fájlok
- vezetéknév
- öt
- áramlási
- Összpontosít
- összpontosított
- összpontosítás
- következő
- következik
- A
- Keretrendszer
- keretek
- gyakran
- barátok
- ból ből
- funkció
- funkcionalitás
- funkciók
- további
- Nyereség
- gateway
- generál
- generált
- szerzés
- GitHub
- ad
- Célok
- jó
- biztosít
- nyújtó
- fogantyú
- Hang
- he
- segít
- segít
- neki
- Magas
- nagy teljesítményű
- övé
- történelmi
- FORRÓ
- óra
- NYITVATARTÁS
- Hogyan
- azonban
- HTML
- http
- HTTPS
- Több száz
- azonosítani
- if
- illusztrálja
- Hatás
- in
- Más
- magában foglalja a
- Bejövő
- Növelje
- növekvő
- független
- befolyásolható
- információ
- Infrastruktúra
- infrastruktúrák
- újító
- Innováció
- újító
- bemenet
- meglátások
- telepíteni
- integrálni
- integrált
- integráció
- integrációk
- kamat
- Felület
- Internet
- internet a dolgok
- bele
- Bevezetett
- intuitív
- hivatkozni
- tárgyak internete
- IoT-eszköz
- IT
- ITS
- utazás
- jpg
- Kafka
- Tart
- Kulcs
- Kinesis adatfolyamok
- tó
- Késleltetés
- a későbbiekben
- réteg
- tojók
- TANUL
- Főkönyv
- könyvtárak
- könyvtár
- fény
- mint
- élő
- kiszámításának
- log
- logika
- logikus
- szeret
- fenntartása
- karbantartás
- csinál
- KÉSZÍT
- Gyártás
- sikerült
- vezetés
- menedzser
- sok
- Marketing
- maximális
- mérő
- Média
- Találkozik
- Memory design
- megy
- Metaadatok
- Metrics
- microservices
- Középső
- elvándorlás
- ezredmásodperc
- bánja
- Mobil
- Mobilalkalmazások
- mobil eszközök
- mobil-alkalmazásokat
- Mód
- modern
- korszerűsítés
- módok
- módosítása
- monitor
- több
- Filmek
- többszörös
- kell
- bennszülött
- Közel
- Szükség
- szükséges
- igények
- hálózat
- Új
- Új funkciók
- Most
- szám
- of
- ajánlat
- Ajánlatok
- on
- Igény szerint
- csak
- nyitva
- nyílt forráskódú
- működés
- operatív
- Művelet
- Optimalizálja
- optimalizált
- opció
- or
- érdekében
- szervezeti
- szervezetek
- Más
- mi
- ki
- eredmények
- teljesítmény
- kívül
- felett
- saját
- rész
- szenvedélyes
- Mintás
- minták
- Fizet
- mert
- teljesít
- teljesítmény
- engedélyek
- Személyre
- cső
- csővezeték
- Platformok
- Plató
- Platón adatintelligencia
- PlatoData
- játszani
- csatlakoztat
- pont
- állás
- gyakorlat
- Kiszámítható
- Áraink
- árazás
- elsődleges
- Fő
- Előzetes
- magán
- proaktív
- Probléma
- problémák
- folyamat
- feldolgozott
- Folyamatok
- feldolgozás
- Készült
- termelő
- Termelők
- Termékek
- termék menedzser
- Program
- protokoll
- ad
- biztosít
- meghatalmazott
- nyilvános
- hatótávolság
- gyorsan
- Arány
- Nyers
- nyers adatok
- Olvass
- Olvasás
- igazi
- real-time
- valós idejű adatok
- kap
- kap
- Ajánlást
- ajánlott
- rekord
- feljegyzett
- nyilvántartások
- csökkenteni
- utal
- vidék
- megbízhatóság
- megbízható
- távoli
- kötelező
- követelmény
- követelmények
- megköveteli,
- forrás
- Tudástár
- felelős
- REST
- kapott
- megtartása
- megtartja
- visszatartás
- Kritika
- Útvonal
- azonos
- skálázhatóság
- skálázható
- Skála
- Mérleg
- Második
- szektor
- biztonság
- idősebb
- érzékelők
- Sorozat
- Series of
- szolgál
- vagy szerver
- szolgáltatás
- Szolgáltatások
- készlet
- megosztott
- ő
- kellene
- kirakatba
- egyszerűsíti
- kicsi
- Pillanatkép
- So
- Közösség
- Közösségi média
- szoftver
- szoftverfejlesztés
- megoldások
- Megoldások
- SOLVE
- forrás
- Források
- Szikra
- különleges
- sebesség
- költ
- Költési
- tüskék
- osztott
- verem
- Állami
- Lépés
- Lépései
- készlet
- tárolás
- tárolni
- memorizált
- Stratégia
- folyam
- áramlott
- folyó
- patakok
- szigorú
- későbbi
- ilyen
- elegendő
- támogatás
- Támogatja
- rendszer
- táblázat
- Vesz
- Feladat
- feladatok
- csapat
- tíz
- hogy
- A
- az információ
- Az állam
- azok
- Őket
- akkor
- Ott.
- ebből adódóan
- Ezek
- ők
- dolgok
- harmadik fél
- ezt
- azok
- ezer
- három
- Keresztül
- áteresztőképesség
- idő
- Idősorok
- időérzékeny
- nak nek
- Ma
- szerszám
- nyom
- vágány
- Csomagkövetés
- forgalom
- Átalakítás
- Átalakítás
- transzformáló
- Utazó
- Trends
- kettő
- jellemzően
- Váratlan
- upon
- Használat
- használ
- használati eset
- használt
- használó
- segítségével
- hasznosít
- érvényesítés
- érték
- változó
- különféle
- Sebesség
- keresztül
- Tényleges
- látomás
- megjelenítés
- Képzeld
- kötet
- kötetek
- akar
- Raktár
- Raktározás
- őrzés
- we
- háló
- webes szolgáltatások
- jól definiált
- Mit
- amikor
- ami
- míg
- WHO
- széles
- Széleskörű
- lesz
- val vel
- belül
- Munka
- munkafolyamat
- aggódik
- ír
- te
- A te
- zephyrnet
- zónák