เรากำลังอยู่ในยุคของข้อมูลและข้อมูลเชิงลึกแบบเรียลไทม์ ซึ่งขับเคลื่อนโดยแอปพลิเคชันสตรีมข้อมูลที่มีความหน่วงต่ำ ทุกวันนี้ ทุกคนคาดหวังว่าจะได้รับประสบการณ์ที่เป็นส่วนตัวในทุกแอปพลิเคชัน และองค์กรต่าง ๆ ต่างก็สร้างสรรค์นวัตกรรมอย่างต่อเนื่องเพื่อเพิ่มความเร็วในการดำเนินธุรกิจและการตัดสินใจ ปริมาณข้อมูลที่ละเอียดอ่อนด้านเวลาที่ผลิตได้เพิ่มขึ้นอย่างรวดเร็ว โดยมีการนำเสนอข้อมูลในรูปแบบที่แตกต่างกันในธุรกิจใหม่และกรณีการใช้งานของลูกค้า ดังนั้นจึงเป็นเรื่องสำคัญสำหรับองค์กรที่จะยอมรับโครงสร้างพื้นฐานการสตรีมข้อมูลที่มีความหน่วงต่ำ ปรับขนาดได้ และเชื่อถือได้ เพื่อส่งมอบแอปพลิเคชันทางธุรกิจแบบเรียลไทม์และประสบการณ์ของลูกค้าที่ดียิ่งขึ้น
นี่เป็นโพสต์แรกในซีรีส์บล็อกที่นำเสนอรูปแบบสถาปัตยกรรมทั่วไปในการสร้างโครงสร้างพื้นฐานการสตรีมข้อมูลแบบเรียลไทม์โดยใช้ Kinesis Data Streams สำหรับกรณีการใช้งานที่หลากหลาย โดยมีจุดมุ่งหมายเพื่อจัดเตรียมเฟรมเวิร์กเพื่อสร้างแอปพลิเคชันสตรีมมิ่งที่มีเวลาแฝงต่ำบน AWS Cloud โดยใช้ สตรีมข้อมูล Amazon Kinesis และ บริการวิเคราะห์ข้อมูลที่สร้างขึ้นตามวัตถุประสงค์ของ AWS.
ในโพสต์นี้ เราจะตรวจสอบรูปแบบสถาปัตยกรรมทั่วไปของกรณีการใช้งานสองกรณี: การวิเคราะห์ข้อมูลอนุกรมเวลา และไมโครเซอร์วิสที่ขับเคลื่อนด้วยเหตุการณ์ ในโพสต์ถัดไปในชุดของเรา เราจะสำรวจรูปแบบสถาปัตยกรรมในการสร้างไปป์ไลน์การสตรีมสำหรับแดชบอร์ด BI แบบเรียลไทม์ ตัวแทนศูนย์ติดต่อ ข้อมูลบัญชีแยกประเภท คำแนะนำแบบเรียลไทม์ส่วนบุคคล การวิเคราะห์บันทึก ข้อมูล IoT การเปลี่ยนแปลงการเก็บข้อมูล และของจริง -ข้อมูลการตลาดตามเวลา รูปแบบสถาปัตยกรรมทั้งหมดนี้ผสานรวมกับ Amazon Kinesis Data Streams
การสตรีมแบบเรียลไทม์ด้วย Kinesis Data Streams
Amazon Kinesis Data Streams เป็นบริการข้อมูลการสตรีมแบบไร้เซิร์ฟเวอร์บนระบบคลาวด์ ซึ่งทำให้ง่ายต่อการจับภาพ ประมวลผล และจัดเก็บข้อมูลแบบเรียลไทม์ในทุกขนาด ด้วย Kinesis Data Streams คุณสามารถรวบรวมและประมวลผลข้อมูลหลายร้อยกิกะไบต์ต่อวินาทีจากแหล่งข้อมูลนับแสน ช่วยให้คุณสามารถเขียนแอปพลิเคชันที่ประมวลผลข้อมูลแบบเรียลไทม์ได้อย่างง่ายดาย ข้อมูลที่รวบรวมจะมีหน่วยเป็นมิลลิวินาทีเพื่ออนุญาตกรณีการใช้งานการวิเคราะห์แบบเรียลไทม์ เช่น แดชบอร์ดแบบเรียลไทม์ การตรวจจับความผิดปกติแบบเรียลไทม์ และราคาแบบไดนามิก ตามค่าเริ่มต้น ข้อมูลภายใน Kinesis Data Stream จะถูกเก็บไว้เป็นเวลา 24 ชั่วโมงพร้อมตัวเลือกในการเพิ่มการเก็บข้อมูลเป็น 365 วัน หากลูกค้าต้องการประมวลผลข้อมูลเดียวกันแบบเรียลไทม์ด้วยหลายแอปพลิเคชัน พวกเขาสามารถใช้ฟีเจอร์ Enhanced Fan-Out (EFO) ได้ ก่อนฟีเจอร์นี้ ทุกแอปพลิเคชันที่ใช้ข้อมูลจากสตรีมจะแชร์เอาต์พุต 2MB/วินาที/ชาร์ด ด้วยการกำหนดค่าคอนซูเมอร์สตรีมเพื่อใช้การกระจายที่ปรับปรุง ผู้ใช้ข้อมูลแต่ละรายจะได้รับทรูพุตการอ่านไปป์ 2MB/วินาทีต่อชาร์ดโดยเฉพาะ เพื่อลดเวลาแฝงในการดึงข้อมูลเพิ่มเติม
เพื่อความพร้อมใช้งานและความทนทานสูง Kinesis Data Streams จึงมีความทนทานสูงโดยการจำลองข้อมูลที่สตรีมพร้อมกันทั่วทั้ง Availability Zone สามแห่งในภูมิภาค AWS และให้ตัวเลือกแก่คุณในการเก็บรักษาข้อมูลไว้สูงสุด 365 วัน เพื่อความปลอดภัย Kinesis Data Streams มีการเข้ารหัสฝั่งเซิร์ฟเวอร์เพื่อให้คุณสามารถตอบสนองข้อกำหนดการจัดการข้อมูลที่เข้มงวดได้โดยการเข้ารหัสข้อมูลของคุณที่อยู่นิ่งและตำแหน่งข้อมูลอินเทอร์เฟซ Amazon Virtual Private Cloud (VPC) เพื่อรักษาการรับส่งข้อมูลระหว่าง Amazon VPC และ Kinesis Data Streams ของคุณให้เป็นส่วนตัว
Kinesis Data Streams มีการผสานรวมแบบเนทีฟกับบริการของ AWS อื่นๆ เช่น AWS กาว และ อเมซอน EventBridge เพื่อสร้างแอปพลิเคชันสตรีมมิ่งแบบเรียลไทม์บน AWS โปรดดูการผสานรวม Amazon Kinesis Data Streams สำหรับรายละเอียดเพิ่มเติม
สถาปัตยกรรมการสตรีมข้อมูลสมัยใหม่ด้วย Kinesis Data Streams
สถาปัตยกรรมข้อมูลการสตรีมที่ทันสมัยด้วย Kinesis Data Streams สามารถออกแบบให้เป็นสแต็กที่มีห้าเลเยอร์ลอจิคัล แต่ละชั้นประกอบด้วยส่วนประกอบที่สร้างขึ้นตามวัตถุประสงค์หลายอย่างซึ่งตอบสนองความต้องการเฉพาะ ดังแสดงในแผนภาพต่อไปนี้:
สถาปัตยกรรมประกอบด้วยองค์ประกอบสำคัญดังต่อไปนี้:
- แหล่งสตรีมมิ่ง – แหล่งข้อมูลการสตรีมของคุณประกอบด้วยแหล่งข้อมูล เช่น ข้อมูลการคลิกสตรีม เซ็นเซอร์ โซเชียลมีเดีย อุปกรณ์ Internet of Things (IoT) ไฟล์บันทึกที่สร้างขึ้นโดยใช้เว็บและแอปพลิเคชันมือถือของคุณ และอุปกรณ์มือถือที่สร้างข้อมูลกึ่งโครงสร้างและไม่มีโครงสร้างเป็นสตรีมต่อเนื่อง ด้วยความเร็วสูง
- การนำเข้าสตรีม – เลเยอร์การนำเข้าสตรีมมีหน้าที่นำเข้าข้อมูลเข้าสู่เลเยอร์ที่จัดเก็บสตรีม โดยให้ความสามารถในการรวบรวมข้อมูลจากแหล่งข้อมูลนับหมื่นและนำเข้าแบบเรียลไทม์ คุณสามารถใช้ คิเนซิส SDK สำหรับการนำเข้าข้อมูลการสตรีมผ่าน API ไลบรารีผู้ผลิต Kinesis สำหรับการสร้างผู้ผลิตสตรีมมิ่งประสิทธิภาพสูงและดำเนินงานมายาวนาน หรือ ตัวแทนไคเนซิส สำหรับการรวบรวมชุดไฟล์และนำเข้าไปยัง Kinesis Data Streams นอกจากนี้ คุณยังสามารถใช้การผสานรวมที่สร้างไว้ล่วงหน้าได้มากมาย เช่น บริการย้ายฐานข้อมูล AWS (AWS DMS), อเมซอน ไดนาโมดีบีและ AWS IoT คอร์ เพื่อนำเข้าข้อมูลแบบไม่ต้องใช้โค้ด คุณยังนำเข้าข้อมูลจากแพลตฟอร์มของบุคคลที่สาม เช่น Apache Spark และ Apache Kafka Connect ได้อีกด้วย
- ที่เก็บข้อมูลสตรีม – Kinesis Data Streams มีสองโหมดเพื่อรองรับปริมาณงานข้อมูล: ตามความต้องการและการเตรียมใช้งาน โหมดตามความต้องการซึ่งปัจจุบันเป็นตัวเลือกเริ่มต้น สามารถปรับขนาดได้อย่างยืดหยุ่นเพื่อดูดซับปริมาณงานแปรผัน เพื่อให้ลูกค้าไม่จำเป็นต้องกังวลเกี่ยวกับการจัดการความจุและชำระเงินตามปริมาณงานข้อมูล โหมดตามความต้องการจะปรับขนาดความจุสตรีมเพิ่มขึ้น 2 เท่าโดยอัตโนมัติจากการนำเข้าข้อมูลสูงสุดในอดีต เพื่อให้มีความจุเพียงพอสำหรับการนำเข้าข้อมูลที่เพิ่มขึ้นอย่างไม่คาดคิด อีกทางหนึ่ง ลูกค้าที่ต้องการควบคุมทรัพยากรสตรีมอย่างละเอียดสามารถใช้โหมดเตรียมใช้งานและปรับขนาดเพิ่มและลดจำนวน Shard ได้ในเชิงรุกเพื่อให้ตรงตามข้อกำหนดปริมาณการประมวลผล นอกจากนี้ Kinesis Data Streams ยังสามารถจัดเก็บข้อมูลการสตรีมได้สูงสุด 24 ชั่วโมงตามค่าเริ่มต้น แต่สามารถขยายเป็น 7 วันหรือ 365 วันได้ ขึ้นอยู่กับกรณีการใช้งาน แอปพลิเคชันหลายรายการสามารถใช้สตรีมเดียวกันได้
- การประมวลผลสตรีม – เลเยอร์การประมวลผลสตรีมมีหน้าที่รับผิดชอบในการแปลงข้อมูลให้เป็นสถานะบริโภคผ่านการตรวจสอบความถูกต้องของข้อมูล การล้างข้อมูล การทำให้เป็นมาตรฐาน การแปลง และการเพิ่มคุณค่า บันทึกการสตรีมจะถูกอ่านตามลำดับที่สร้างขึ้น ช่วยให้สามารถวิเคราะห์แบบเรียลไทม์ สร้างแอปพลิเคชันที่ขับเคลื่อนด้วยเหตุการณ์ หรือการสตรีม ETL (แยก แปลง และโหลด) คุณสามารถใช้ได้ Amazon Managed Service สำหรับ Apache Flink สำหรับการประมวลผลข้อมูลสตรีมที่ซับซ้อน AWS แลมบ์ดา สำหรับการประมวลผลข้อมูลสตรีมไร้สัญชาติ และ AWS กาว & อเมซอน EMR สำหรับการประมวลผลแบบเกือบเรียลไทม์ คุณยังสามารถสร้างแอปพลิเคชันสำหรับผู้บริโภคที่ปรับแต่งเองได้ด้วย ไลบรารีผู้บริโภค Kinesis ซึ่งจะดูแลงานที่ซับซ้อนมากมายที่เกี่ยวข้องกับการคำนวณแบบกระจาย
- ปลายทาง - เลเยอร์ปลายทางเปรียบเสมือนปลายทางที่สร้างขึ้นตามวัตถุประสงค์ ขึ้นอยู่กับกรณีการใช้งานของคุณ คุณสามารถสตรีมข้อมูลได้โดยตรงไปที่ อเมซอน Redshift สำหรับคลังข้อมูลและ Amazon EventBridge สำหรับการสร้างแอปพลิเคชันที่ขับเคลื่อนด้วยเหตุการณ์ คุณยังสามารถใช้ สายไฟ Amazon Kinesis Data สำหรับการผสานรวมการสตรีมซึ่งคุณสามารถกระจายการประมวลผลสตรีมด้วย AWS Lambda แล้วส่งการสตรีมที่ประมวลผลแล้วไปยังปลายทางต่างๆ เช่น Amazon S3 Data Lake, OpenSearch Service สำหรับการวิเคราะห์การดำเนินงาน, คลังข้อมูล Redshift, ฐานข้อมูล No-SQL เช่น Amazon DynamoDB และฐานข้อมูลเชิงสัมพันธ์ เช่น อเมซอน RDS เพื่อใช้สตรีมแบบเรียลไทม์ไปยังแอปพลิเคชันทางธุรกิจ ปลายทางอาจเป็นแอปพลิเคชันที่ขับเคลื่อนด้วยเหตุการณ์สำหรับแดชบอร์ดแบบเรียลไทม์ การตัดสินใจอัตโนมัติตามข้อมูลสตรีมมิ่งที่ประมวลผล การเปลี่ยนแปลงแบบเรียลไทม์ และอื่นๆ
สถาปัตยกรรมการวิเคราะห์แบบเรียลไทม์สำหรับอนุกรมเวลา
ข้อมูลอนุกรมเวลาคือลำดับของจุดข้อมูลที่บันทึกไว้ในช่วงเวลาหนึ่งสำหรับการวัดเหตุการณ์ที่เปลี่ยนแปลงเมื่อเวลาผ่านไป ตัวอย่างได้แก่ ราคาหุ้นในช่วงเวลาหนึ่ง การคลิกสตรีมของหน้าเว็บ และบันทึกของอุปกรณ์ในช่วงเวลาหนึ่ง ลูกค้าสามารถใช้ข้อมูลอนุกรมเวลาเพื่อติดตามการเปลี่ยนแปลงเมื่อเวลาผ่านไป เพื่อให้สามารถตรวจจับความผิดปกติ ระบุรูปแบบ และวิเคราะห์ว่าตัวแปรบางตัวได้รับอิทธิพลอย่างไรเมื่อเวลาผ่านไป โดยทั่วไปข้อมูลอนุกรมเวลาจะถูกสร้างขึ้นจากแหล่งที่มาหลายแห่งในปริมาณมาก และจำเป็นต้องรวบรวมอย่างคุ้มค่าในเวลาใกล้เคียงเรียลไทม์
โดยทั่วไปแล้ว มีเป้าหมายหลักสามประการที่ลูกค้าต้องการบรรลุในการประมวลผลข้อมูลอนุกรมเวลา:
- รับข้อมูลเชิงลึกแบบเรียลไทม์เกี่ยวกับประสิทธิภาพของระบบและตรวจจับความผิดปกติ
- ทำความเข้าใจพฤติกรรมของผู้ใช้เพื่อติดตามแนวโน้มและสอบถาม/สร้างการแสดงภาพจากข้อมูลเชิงลึกเหล่านี้
- มีโซลูชันการจัดเก็บข้อมูลที่ทนทานในการนำเข้าและจัดเก็บทั้งข้อมูลที่เก็บถาวรและข้อมูลที่เข้าถึงบ่อย
ด้วย Kinesis Data Streams ลูกค้าสามารถเก็บข้อมูลอนุกรมเวลาจำนวนเทราไบต์ได้อย่างต่อเนื่องจากแหล่งที่มานับพันแห่งเพื่อการทำความสะอาด การเพิ่มคุณค่า การจัดเก็บ การวิเคราะห์ และการแสดงภาพ
รูปแบบสถาปัตยกรรมต่อไปนี้แสดงให้เห็นว่าการวิเคราะห์แบบเรียลไทม์สำหรับข้อมูลอนุกรมเวลาด้วย Kinesis Data Streams สามารถทำได้อย่างไร:
ขั้นตอนเวิร์กโฟลว์มีดังนี้:
- การนำเข้าและจัดเก็บข้อมูล – Kinesis Data Streams สามารถบันทึกและจัดเก็บข้อมูลเทราไบต์จากแหล่งที่มานับพันได้อย่างต่อเนื่อง
- การประมวลผลสตรีม – แอปพลิเคชันที่สร้างด้วย Amazon Managed Service สำหรับ Apache Flink สามารถอ่านบันทึกจากสตรีมข้อมูลเพื่อตรวจจับและกำจัดข้อผิดพลาดใดๆ ในข้อมูลอนุกรมเวลา และเพิ่มข้อมูลด้วยเมตาดาต้าเฉพาะเพื่อเพิ่มประสิทธิภาพการวิเคราะห์การปฏิบัติงาน การใช้สตรีมข้อมูลตรงกลางทำให้ได้เปรียบในการใช้ข้อมูลอนุกรมเวลาในกระบวนการและโซลูชันอื่นๆ ในเวลาเดียวกัน จากนั้นฟังก์ชัน Lambda จะถูกเรียกใช้พร้อมกับเหตุการณ์เหล่านี้ และสามารถทำการคำนวณอนุกรมเวลาในหน่วยความจำได้
- จุดหมายปลายทาง – หลังจากทำความสะอาดและตกแต่งแล้ว จะสามารถสตรีมข้อมูลอนุกรมเวลาที่ประมวลผลได้ สตรีมไทม์ของอเมซอน ฐานข้อมูลสำหรับแดชบอร์ดและการวิเคราะห์แบบเรียลไทม์ หรือจัดเก็บไว้ในฐานข้อมูล เช่น DynamoDB สำหรับการสืบค้นของผู้ใช้ปลายทาง ข้อมูลดิบสามารถสตรีมไปยัง Amazon S3 เพื่อการเก็บถาวรได้
- การแสดงภาพและรับข้อมูลเชิงลึก – ลูกค้าสามารถสอบถาม แสดงภาพ และสร้างการแจ้งเตือนได้โดยใช้ บริการจัดการของ Amazon สำหรับ Grafana. Grafana รองรับแหล่งข้อมูลที่เป็นแบ็กเอนด์การจัดเก็บข้อมูลสำหรับข้อมูลอนุกรมเวลา หากต้องการเข้าถึงข้อมูลของคุณจาก Timestream คุณต้องติดตั้งปลั๊กอิน Timestream สำหรับ Grafana ผู้ใช้ปลายทางสามารถสืบค้นข้อมูลจากตาราง DynamoDB ได้ด้วย Amazon API Gateway Amazon ทำหน้าที่เป็นตัวแทน
เอ่ยถึง การประมวลผลแบบใกล้เคียงเรียลไทม์ด้วย Amazon Kinesis, Amazon Timestream และ Grafana จัดแสดงไปป์ไลน์การสตรีมแบบไร้เซิร์ฟเวอร์เพื่อประมวลผลและจัดเก็บข้อมูล IoT การวัดและส่งข้อมูลทางไกลของอุปกรณ์ไปยังที่เก็บข้อมูลที่ได้รับการปรับปรุงอนุกรมเวลา เช่น Amazon Timestream
การเพิ่มคุณค่าและการเล่นซ้ำข้อมูลแบบเรียลไทม์สำหรับไมโครเซอร์วิสที่จัดหากิจกรรม
ไมโครเซอร์วิสเป็นแนวทางทางสถาปัตยกรรมและองค์กรในการพัฒนาซอฟต์แวร์ โดยซอฟต์แวร์ประกอบด้วยบริการอิสระขนาดเล็กที่สื่อสารผ่าน API ที่กำหนดไว้อย่างดี เมื่อสร้างไมโครเซอร์วิสที่ขับเคลื่อนด้วยเหตุการณ์ ลูกค้าต้องการบรรลุ 1. ความสามารถในการปรับขนาดสูงเพื่อรองรับปริมาณของเหตุการณ์ที่เข้ามา และ 2. ความน่าเชื่อถือของการประมวลผลเหตุการณ์ และรักษาฟังก์ชันการทำงานของระบบเมื่อเผชิญกับความล้มเหลว
ลูกค้าใช้รูปแบบสถาปัตยกรรมไมโครเซอร์วิสเพื่อเร่งสร้างนวัตกรรมและเวลาในการนำออกสู่ตลาดสำหรับคุณสมบัติใหม่ๆ เนื่องจากทำให้แอปพลิเคชันปรับขนาดได้ง่ายขึ้นและพัฒนาได้เร็วขึ้น อย่างไรก็ตาม การเพิ่มคุณค่าและเล่นซ้ำข้อมูลในการเรียกเครือข่ายไปยังไมโครเซอร์วิสอื่นถือเป็นเรื่องท้าทาย เนื่องจากอาจส่งผลกระทบต่อความน่าเชื่อถือของแอปพลิเคชัน และทำให้ยากต่อการแก้ไขและติดตามข้อผิดพลาด เพื่อแก้ไขปัญหานี้ การจัดหาเหตุการณ์เป็นรูปแบบการออกแบบที่มีประสิทธิภาพ ซึ่งจะรวมบันทึกประวัติศาสตร์ของการเปลี่ยนแปลงสถานะทั้งหมดไว้ที่ศูนย์กลางเพื่อเพิ่มคุณค่าและการเล่นซ้ำ และแยกการอ่านออกจากปริมาณงานการเขียน ลูกค้าสามารถใช้ Kinesis Data Streams เป็นพื้นที่จัดเก็บเหตุการณ์แบบรวมศูนย์สำหรับไมโครเซอร์วิสที่จัดหากิจกรรมได้ เนื่องจาก KDS สามารถ 1/ จัดการปริมาณการประมวลผลข้อมูลกิกะไบต์ต่อวินาทีต่อสตรีม และสตรีมข้อมูลในหน่วยมิลลิวินาที เพื่อให้ตรงตามข้อกำหนดด้านความสามารถในการปรับขนาดสูงและใกล้เคียงเรียลไทม์ เวลาแฝง 2/ ผสานรวมกับ Flink และ S3 เพื่อเพิ่มคุณค่าและบรรลุผลในขณะที่แยกออกจากไมโครเซอร์วิสอย่างสมบูรณ์ และ 3/ อนุญาตให้ลองใหม่และอ่านแบบอะซิงโครนัสในภายหลัง เนื่องจาก KDS จะเก็บบันทึกข้อมูลไว้เป็นค่าเริ่มต้นที่ 24 ชั่วโมง และอาจเป็นทางเลือกก็ได้ สูงสุด 365 วัน
รูปแบบสถาปัตยกรรมต่อไปนี้เป็นตัวอย่างทั่วไปเกี่ยวกับวิธีการใช้ Kinesis Data Streams สำหรับไมโครเซอร์วิสที่จัดหาเหตุการณ์:
ขั้นตอนในเวิร์กโฟลว์มีดังนี้:
- การนำเข้าและจัดเก็บข้อมูล – คุณสามารถรวมอินพุตจากไมโครเซอร์วิสของคุณไปยัง Kinesis Data Streams เพื่อจัดเก็บข้อมูลได้
- การประมวลผลสตรีม - ฟังก์ชั่นสถานะ Apache Flink ลดความยุ่งยากในการสร้างแอปพลิเคชันที่ขับเคลื่อนด้วยเหตุการณ์แบบมีสถานะแบบกระจาย โดยสามารถรับเหตุการณ์จากสตรีมข้อมูล Kinesis อินพุต และกำหนดเส้นทางสตรีมผลลัพธ์ไปยังสตรีมข้อมูลเอาต์พุต คุณสามารถสร้างคลัสเตอร์ฟังก์ชันเก็บสถานะด้วย Apache Flink ตามตรรกะทางธุรกิจแอปพลิเคชันของคุณ
- สแน็ปช็อตสถานะใน Amazon S3 – คุณสามารถจัดเก็บสแน็ปช็อตสถานะใน Amazon S3 เพื่อการติดตามได้
- กระแสเอาท์พุต – สตรีมเอาต์พุตสามารถใช้งานได้ผ่านฟังก์ชันระยะไกลของ Lambda ผ่านโปรโตคอล HTTP/gRPC ผ่าน API Gateway
- ฟังก์ชั่นระยะไกลของแลมบ์ดา – ฟังก์ชัน Lambda สามารถทำหน้าที่เป็นไมโครเซอร์วิสสำหรับแอปพลิเคชันและตรรกะทางธุรกิจต่างๆ เพื่อรองรับแอปพลิเคชันทางธุรกิจและแอปบนมือถือ
หากต้องการเรียนรู้ว่าลูกค้ารายอื่นๆ สร้างไมโครเซอร์วิสตามเหตุการณ์ด้วย Kinesis Data Streams ได้อย่างไร โปรดดูข้อมูลต่อไปนี้:
ข้อควรพิจารณาที่สำคัญและแนวปฏิบัติที่ดีที่สุด
ต่อไปนี้คือข้อควรพิจารณาและแนวทางปฏิบัติที่ดีที่สุดที่ควรคำนึงถึง:
- การค้นพบข้อมูลควรเป็นก้าวแรกของคุณในการสร้างแอปพลิเคชันสตรีมข้อมูลที่ทันสมัย คุณต้องกำหนดมูลค่าทางธุรกิจ จากนั้นระบุแหล่งข้อมูลการสตรีมและลักษณะผู้ใช้ของคุณเพื่อให้บรรลุผลลัพธ์ทางธุรกิจที่ต้องการ
- เลือกเครื่องมือนำเข้าข้อมูลการสตรีมของคุณโดยอิงตามแหล่งข้อมูล Steaming ของคุณ ตัวอย่างเช่น คุณสามารถใช้ คิเนซิส SDK สำหรับการนำเข้าข้อมูลการสตรีมผ่าน API ไลบรารีผู้ผลิต Kinesis สำหรับการสร้างผู้ผลิตสตรีมมิ่งที่มีประสิทธิภาพสูงและดำเนินงานมายาวนาน ตัวแทนไคเนซิส สำหรับการรวบรวมชุดไฟล์และนำเข้าไปยัง Kinesis Data Streams AWS DMS สำหรับกรณีการใช้งานสตรีมมิ่ง CDC และ AWS IoT คอร์ สำหรับการนำเข้าข้อมูลอุปกรณ์ IoT เข้าสู่ Kinesis Data Streams คุณสามารถนำเข้าข้อมูลการสตรีมไปยัง Amazon RedShift ได้โดยตรงเพื่อสร้างแอปพลิเคชันการสตรีมที่มีเวลาแฝงต่ำ คุณยังสามารถใช้ไลบรารีของบริษัทอื่น เช่น Apache Spark และ Apache Kafka เพื่อนำเข้าข้อมูลการสตรีมไปยัง Kinesis Data Streams
- คุณต้องเลือกบริการประมวลผลข้อมูลสตรีมมิ่งตามกรณีการใช้งานเฉพาะและข้อกำหนดทางธุรกิจของคุณ ตัวอย่างเช่น คุณสามารถใช้ Amazon Kinesis Managed Service สำหรับ Apache Flink สำหรับกรณีการใช้งานการสตรีมขั้นสูงที่มีปลายทางการสตรีมหลายรายการและการประมวลผลสตรีมแบบมีสถานะที่ซับซ้อน หรือหากคุณต้องการตรวจสอบตัววัดธุรกิจแบบเรียลไทม์ (เช่น ทุกชั่วโมง) Lambda เหมาะสำหรับการประมวลผลตามเหตุการณ์และไร้สถานะ คุณสามารถใช้ได้ อเมซอน EMR สำหรับการสตรีมการประมวลผลข้อมูลเพื่อใช้เฟรมเวิร์ก Big Data แบบโอเพ่นซอร์สที่คุณชื่นชอบ AWS Glue เหมาะสำหรับการประมวลผลข้อมูลการสตรีมแบบเกือบเรียลไทม์สำหรับกรณีการใช้งาน เช่น การสตรีม ETL
- Kinesis Data Stream คิดค่าบริการโหมดตามต้องการตามการใช้งานและปรับขนาดความจุของทรัพยากรโดยอัตโนมัติ ดังนั้นจึงเหมาะสำหรับปริมาณงานการสตรีมที่ยุ่งวุ่นวายและการบำรุงรักษาแบบแฮนด์ฟรี โหมดจัดเตรียมจะเรียกเก็บเงินตามความจุและต้องมีการจัดการความจุเชิงรุก ดังนั้นจึงเหมาะสำหรับปริมาณงานการสตรีมที่คาดการณ์ได้
- คุณสามารถใช้ เครื่องคิดเลขที่ใช้ร่วมกันของ Kinesis เพื่อคำนวณจำนวนชาร์ดที่จำเป็นสำหรับโหมดที่จัดเตรียมไว้ คุณไม่จำเป็นต้องกังวลเกี่ยวกับชาร์ดด้วยโหมดตามความต้องการ
- เมื่อให้สิทธิ์ คุณเป็นผู้ตัดสินใจว่าใครจะได้รับสิทธิ์ใดบ้างสำหรับทรัพยากร Kinesis Data Streams คุณเปิดใช้งานการดำเนินการเฉพาะที่คุณต้องการอนุญาตกับทรัพยากรเหล่านั้น ดังนั้น คุณควรให้สิทธิ์ที่จำเป็นในการดำเนินงานเท่านั้น คุณยังสามารถเข้ารหัสข้อมูลที่เหลือได้โดยใช้คีย์ที่จัดการโดยลูกค้า KMS (CMK)
- คุณสามารถ อัปเดตระยะเวลาการเก็บรักษา ผ่านคอนโซล Kinesis Data Streams หรือโดยใช้ เพิ่มระยะเวลาการเก็บรักษาสตรีม และ ลดระยะเวลาการเก็บรักษาสตรีม การดำเนินการตามกรณีการใช้งานเฉพาะของคุณ
- รองรับ Kinesis Data Streams การแบ่งใหม่. API ที่แนะนำสำหรับฟังก์ชันนี้คือ อัปเดต ShardCountซึ่งช่วยให้คุณแก้ไขจำนวนส่วนแบ่งข้อมูลในสตรีมของคุณเพื่อปรับให้เข้ากับการเปลี่ยนแปลงของอัตราการไหลของข้อมูลผ่านสตรีม โดยทั่วไปแล้ว API การแบ่งส่วนใหม่ (แยกและผสาน) ใช้เพื่อจัดการชาร์ดร้อน
สรุป
โพสต์นี้สาธิตรูปแบบสถาปัตยกรรมต่างๆ สำหรับการสร้างแอปพลิเคชันการสตรีมที่มีเวลาแฝงต่ำด้วย Kinesis Data Streams คุณสามารถสร้างแอปพลิเคชัน Steaming ที่มีความหน่วงต่ำของคุณเองได้ด้วย Kinesis Data Streams โดยใช้ข้อมูลในโพสต์นี้
สำหรับรูปแบบสถาปัตยกรรมโดยละเอียด โปรดดูแหล่งข้อมูลต่อไปนี้:
หากคุณต้องการสร้างวิสัยทัศน์และกลยุทธ์ด้านข้อมูล โปรดดูที่ ทุกสิ่งที่ขับเคลื่อนด้วยข้อมูล AWS (D2E) โปรแกรม
เกี่ยวกับผู้เขียน
ระฆะวเรา โททะบาทตินา เป็นสถาปนิกโซลูชันหลักที่ AWS โดยมุ่งเน้นที่การวิเคราะห์ข้อมูล, AI/ML และความปลอดภัยบนคลาวด์ เขามีส่วนร่วมกับลูกค้าเพื่อสร้างโซลูชันที่เป็นนวัตกรรมที่แก้ไขปัญหาทางธุรกิจของลูกค้า และเพื่อเร่งการนำบริการของ AWS ไปใช้ ในเวลาว่าง Raghavarao ชอบใช้เวลากับครอบครัว อ่านหนังสือ และชมภาพยนตร์
หางจั่ว เป็นผู้จัดการผลิตภัณฑ์อาวุโสในทีม Amazon Kinesis Data Streams ที่ Amazon Web Services เขามีความกระตือรือร้นในการพัฒนาประสบการณ์ผลิตภัณฑ์ที่ใช้งานง่ายซึ่งช่วยแก้ปัญหาที่ซับซ้อนของลูกค้าและทำให้ลูกค้าบรรลุเป้าหมายทางธุรกิจได้
เศเวธา ราธากฤษนัน เป็นสถาปนิกโซลูชันสำหรับ AWS โดยมุ่งเน้นด้านการวิเคราะห์ข้อมูล เธอได้สร้างโซลูชันที่ขับเคลื่อนการนำระบบคลาวด์มาใช้และช่วยให้องค์กรต่างๆ ตัดสินใจโดยอาศัยข้อมูลภายในภาครัฐ นอกเหนือจากงาน เธอชอบเต้นรำ ใช้เวลาอยู่กับเพื่อนและครอบครัว และท่องเที่ยว
บริททานี่ ลี เป็นสถาปนิกโซลูชันที่ AWS เธอมุ่งเน้นที่การช่วยเหลือลูกค้าองค์กรด้วยการนำระบบคลาวด์มาใช้และเส้นทางสู่ความทันสมัย และมีความสนใจในด้านความปลอดภัยและการวิเคราะห์ นอกเหนือจากงาน เธอชอบที่จะใช้เวลากับสุนัขและเล่นพิคเกิลบอล
- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- PlatoData.Network Vertical Generative Ai เพิ่มพลังให้กับตัวเอง เข้าถึงได้ที่นี่.
- เพลโตไอสตรีม. Web3 อัจฉริยะ ขยายความรู้ เข้าถึงได้ที่นี่.
- เพลโตESG. คาร์บอน, คลีนเทค, พลังงาน, สิ่งแวดล้อม แสงอาทิตย์, การจัดการของเสีย. เข้าถึงได้ที่นี่.
- เพลโตสุขภาพ เทคโนโลยีชีวภาพและข่าวกรองการทดลองทางคลินิก เข้าถึงได้ที่นี่.
- ที่มา: https://aws.amazon.com/blogs/big-data/architectural-patterns-for-real-time-analytics-using-amazon-kinesis-data-streams-part-1/
- :มี
- :เป็น
- :ไม่
- :ที่ไหน
- $ ขึ้น
- 1
- 100
- 24
- 7
- a
- ความสามารถ
- เกี่ยวกับเรา
- เร่งความเร็ว
- เข้า
- Accessed
- บรรลุ
- ประสบความสำเร็จ
- ประสบความสำเร็จ
- การบรรลุ
- ข้าม
- กระทำ
- การแสดง
- การปฏิบัติ
- ปรับ
- นอกจากนี้
- เพิ่มเติม
- นอกจากนี้
- ที่อยู่
- การนำมาใช้
- สูง
- ความได้เปรียบ
- หลังจาก
- อายุ
- ตัวแทน
- สรุป
- AI / ML
- จุดมุ่งหมาย
- การแจ้งเตือน
- ทั้งหมด
- อนุญาต
- การอนุญาต
- ช่วยให้
- ด้วย
- อเมซอน
- อเมซอน Kinesis
- สตรีมไทม์ของอเมซอน
- Amazon Web Services
- an
- การวิเคราะห์
- การวิเคราะห์
- วิเคราะห์
- และ
- การตรวจจับความผิดปกติ
- อื่น
- ใด
- อาปาเช่
- Apache Kafka
- Apache Spark
- API
- APIs
- การใช้งาน
- การใช้งาน
- เข้าใกล้
- ปพลิเคชัน
- ในเชิงสถาปัตยกรรม
- สถาปัตยกรรม
- เป็น
- AS
- ที่เกี่ยวข้อง
- At
- อัตโนมัติ
- อัตโนมัติ
- ความพร้อมใช้งาน
- ใช้ได้
- AWS
- AWS กาว
- AWS แลมบ์ดา
- ตาม
- BE
- เพราะ
- รับ
- พฤติกรรม
- กำลัง
- ที่ดีที่สุด
- ปฏิบัติที่ดีที่สุด
- ดีกว่า
- ระหว่าง
- ใหญ่
- ข้อมูลขนาดใหญ่
- บล็อก
- ร้านหนังสือเกาหลี
- ทั้งสอง
- สร้าง
- การก่อสร้าง
- สร้าง
- ธุรกิจ
- การประยุกต์ทางธุรกิจ
- ธุรกิจ
- แต่
- by
- คำนวณ
- โทรศัพท์
- CAN
- ความจุ
- จับ
- ซึ่ง
- กรณี
- กรณี
- CDC
- ศูนย์
- ส่วนกลาง
- บาง
- ท้าทาย
- เปลี่ยนแปลง
- การเปลี่ยนแปลง
- โหลด
- ตรวจสอบ
- ทางเลือก
- Choose
- ปลาเดยส์
- การทำความสะอาด
- เมฆ
- การยอมรับระบบคลาวด์
- ความปลอดภัยบนคลาวด์
- Cluster
- รวบรวม
- การเก็บรวบรวม
- ร่วมกัน
- สื่อสาร
- อย่างสมบูรณ์
- ซับซ้อน
- ส่วนประกอบ
- สงบ
- คำนวณ
- การคำนวณ
- เกี่ยวข้อง
- การกำหนดค่า
- การพิจารณา
- ประกอบ
- ปลอบใจ
- ไม่หยุดหย่อน
- บริโภค
- ถูกใช้
- ผู้บริโภค
- ผู้บริโภค
- ติดต่อเรา
- contact center
- ต่อเนื่องกัน
- อย่างต่อเนื่อง
- ควบคุม
- สร้าง
- ที่สร้างขึ้น
- วิกฤติ
- ลูกค้า
- ลูกค้า
- การปรับแต่ง
- การเต้นรำ
- แดชบอร์ด
- ข้อมูล
- การวิเคราะห์ข้อมูล
- วิเคราะห์ข้อมูล
- การเพิ่มคุณค่าข้อมูล
- ดาต้าเลค
- การจัดการข้อมูล
- จุดข้อมูล
- การประมวลผล
- คลังข้อมูล
- ที่ขับเคลื่อนด้วยข้อมูล
- ฐานข้อมูล
- ฐานข้อมูล
- วัน
- ตัดสินใจ
- การตัดสินใจ
- การตัดสินใจ
- การตัดสินใจ
- หลุดพ้น
- ทุ่มเท
- ค่าเริ่มต้น
- กำหนด
- ส่งมอบ
- แสดงให้เห็นถึง
- ทั้งนี้ขึ้นอยู่กับ
- ออกแบบ
- ได้รับการออกแบบ
- ที่ต้องการ
- ปลายทาง
- สถานที่ท่องเที่ยว
- รายละเอียด
- รายละเอียด
- ตรวจจับ
- การตรวจพบ
- พัฒนา
- ที่กำลังพัฒนา
- พัฒนาการ
- เครื่อง
- อุปกรณ์
- ต่าง
- ยาก
- โดยตรง
- การค้นพบ
- กระจาย
- คอมพิวเตอร์แบบกระจาย
- do
- สุนัข
- Dont
- ลง
- ขับรถ
- ขับเคลื่อน
- ความทนทาน
- พลวัต
- แต่ละ
- ง่ายดาย
- อย่างง่ายดาย
- ง่าย
- มีประสิทธิภาพ
- โอบกอด
- ทำให้สามารถ
- การเข้ารหัสลับ
- ปลายทาง
- หมั้น
- ที่เพิ่มขึ้น
- ประเทือง
- Enterprise
- ลูกค้าองค์กร
- ข้อผิดพลาด
- อีเธอร์ (ETH)
- เหตุการณ์
- เหตุการณ์
- ทุกๆ
- ทุกคน
- ตัวอย่าง
- ตัวอย่าง
- คาดว่า
- ประสบการณ์
- ประสบการณ์
- สำรวจ
- ขยายออก
- สารสกัด
- ใบหน้า
- ความล้มเหลว
- ครอบครัว
- แฟชั่น
- เร็วขึ้น
- ที่ชื่นชอบ
- ลักษณะ
- คุณสมบัติ
- สนาม
- ไฟล์
- ชื่อจริง
- ห้า
- ไหล
- โฟกัส
- มุ่งเน้น
- โดยมุ่งเน้น
- ดังต่อไปนี้
- ดังต่อไปนี้
- สำหรับ
- กรอบ
- กรอบ
- มัก
- เพื่อน
- ราคาเริ่มต้นที่
- ฟังก์ชัน
- ฟังก์ชั่น
- ฟังก์ชั่น
- ต่อไป
- ได้รับ
- เกตเวย์
- สร้าง
- สร้าง
- ได้รับ
- GitHub
- จะช่วยให้
- เป้าหมาย
- ดี
- ให้
- การอนุญาต
- จัดการ
- แขวน
- he
- ช่วย
- การช่วยเหลือ
- เธอ
- จุดสูง
- ประสิทธิภาพสูง
- ของเขา
- ประวัติศาสตร์
- ร้อน
- ชั่วโมง
- ชั่วโมง
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- อย่างไรก็ตาม
- HTML
- ที่ http
- HTTPS
- ร้อย
- แยกแยะ
- if
- แสดงให้เห็นถึง
- ส่งผลกระทบ
- in
- ในอื่น ๆ
- รวมถึง
- ขาเข้า
- เพิ่ม
- ที่เพิ่มขึ้น
- อิสระ
- อิทธิพล
- ข้อมูล
- โครงสร้างพื้นฐาน
- โครงสร้างพื้นฐาน
- นวัตกรรม
- นักวิเคราะห์ส่วนบุคคลที่หาโอกาสให้เป็นไปได้มากที่สุด
- นวัตกรรม
- อินพุต
- ข้อมูลเชิงลึก
- ติดตั้ง
- รวบรวม
- แบบบูรณาการ
- บูรณาการ
- การผสานรวม
- อยากเรียนรู้
- อินเตอร์เฟซ
- อินเทอร์เน็ต
- อินเทอร์เน็ตของสิ่งที่
- เข้าไป
- แนะนำ
- ใช้งานง่าย
- เรียก
- IOT
- อุปกรณ์ IoT
- IT
- ITS
- การเดินทาง
- jpg
- Kafka
- เก็บ
- คีย์
- สตรีมข้อมูล Kinesis
- ทะเลสาบ
- ความแอบแฝง
- ต่อมา
- ชั้น
- ชั้น
- เรียนรู้
- บัญชีแยกประเภท
- ห้องสมุด
- ห้องสมุด
- เบา
- กดไลก์
- ที่อาศัยอยู่
- โหลด
- เข้าสู่ระบบ
- ตรรกะ
- ตรรกะ
- รัก
- เก็บรักษา
- การบำรุงรักษา
- ทำ
- ทำให้
- การทำ
- การจัดการ
- การจัดการ
- ผู้จัดการ
- หลาย
- การตลาด
- สูงสุด
- การวัด
- ภาพบรรยากาศ
- พบ
- หน่วยความจำ
- ผสาน
- เมตาดาต้า
- ตัวชี้วัด
- microservices
- กลาง
- การโยกย้าย
- มิลลิวินาที
- ใจ
- โทรศัพท์มือถือ
- แอปพลิเคชันบนมือถือ
- อุปกรณ์มือถือ
- ปพลิเคชันมือถือ
- โหมด
- ทันสมัย
- สร้างสรรค์สิ่งใหม่ ๆ
- โหมด
- แก้ไข
- การตรวจสอบ
- ข้อมูลเพิ่มเติม
- Movies
- หลาย
- ต้อง
- พื้นเมือง
- ใกล้
- จำเป็นต้อง
- จำเป็น
- ความต้องการ
- เครือข่าย
- ใหม่
- คุณสมบัติใหม่
- ตอนนี้
- จำนวน
- of
- เสนอ
- เสนอ
- on
- ตามความต้องการ
- เพียง
- เปิด
- โอเพนซอร์ส
- การดำเนินการ
- การดำเนินงาน
- การดำเนินการ
- เพิ่มประสิทธิภาพ
- การปรับให้เหมาะสม
- ตัวเลือกเสริม (Option)
- or
- ใบสั่ง
- องค์กร
- องค์กร
- อื่นๆ
- ของเรา
- ออก
- ผลลัพธ์
- เอาท์พุต
- ด้านนอก
- เกิน
- ของตนเอง
- ส่วนหนึ่ง
- หลงใหล
- แบบแผน
- รูปแบบ
- ชำระ
- ต่อ
- ดำเนินการ
- การปฏิบัติ
- สิทธิ์
- ส่วนบุคคล
- ท่อ
- ท่อ
- แพลตฟอร์ม
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- เล่น
- เสียบเข้าไป
- จุด
- โพสต์
- การปฏิบัติ
- ทายได้
- ราคา
- การตั้งราคา
- ประถม
- หลัก
- ก่อน
- ส่วนตัว
- เชิงรุก
- ปัญหา
- ปัญหาที่เกิดขึ้น
- กระบวนการ
- การประมวลผล
- กระบวนการ
- การประมวลผล
- ผลิต
- ผู้ผลิต
- ผู้ผลิต
- ผลิตภัณฑ์
- ผู้จัดการผลิตภัณฑ์
- โครงการ
- โปรโตคอล
- ให้
- ให้
- หนังสือมอบฉันทะ
- สาธารณะ
- พิสัย
- อย่างรวดเร็ว
- คะแนน
- ดิบ
- ข้อมูลดิบ
- อ่าน
- การอ่าน
- จริง
- เรียลไทม์
- ข้อมูลตามเวลาจริง
- รับ
- ที่ได้รับ
- แนะนำ
- แนะนำ
- ระเบียน
- บันทึก
- บันทึก
- ลด
- อ้างอิง
- ภูมิภาค
- ความเชื่อถือได้
- น่าเชื่อถือ
- รีโมท
- จำเป็นต้องใช้
- ความต้องการ
- ความต้องการ
- ต้อง
- ทรัพยากร
- แหล่งข้อมูล
- รับผิดชอบ
- REST
- ส่งผลให้
- รักษา
- ยังคงรักษา
- ความจำ
- ทบทวน
- เส้นทาง
- เดียวกัน
- scalability
- ที่ปรับขนาดได้
- ขนาด
- ตาชั่ง
- ที่สอง
- ภาค
- ความปลอดภัย
- ระดับอาวุโส
- เซ็นเซอร์
- ลำดับ
- ชุด
- ให้บริการ
- serverless
- บริการ
- บริการ
- ชุด
- ที่ใช้ร่วมกัน
- เธอ
- น่า
- การจัดแสดง
- ช่วยลดความยุ่งยาก
- เล็ก
- ภาพย่อ
- So
- สังคม
- โซเชียลมีเดีย
- ซอฟต์แวร์
- การพัฒนาซอฟต์แวร์
- ทางออก
- โซลูชัน
- แก้
- แหล่ง
- แหล่งที่มา
- จุดประกาย
- โดยเฉพาะ
- ความเร็ว
- ใช้จ่าย
- การใช้จ่าย
- แหลม
- แยก
- กอง
- สถานะ
- ขั้นตอน
- ขั้นตอน
- สต็อก
- การเก็บรักษา
- จัดเก็บ
- เก็บไว้
- กลยุทธ์
- กระแส
- สตรีม
- ที่พริ้ว
- ลำธาร
- เข้มงวด
- ภายหลัง
- อย่างเช่น
- เพียงพอ
- สนับสนุน
- รองรับ
- ระบบ
- ตาราง
- เอา
- งาน
- งาน
- ทีม
- เมตริกซ์
- ที่
- พื้นที่
- ข้อมูล
- รัฐ
- ของพวกเขา
- พวกเขา
- แล้วก็
- ที่นั่น
- ดังนั้น
- ล้อยางขัดเหล่านี้ติดตั้งบนแกน XNUMX (มม.) ผลิตภัณฑ์นี้ถูกผลิตในหลายรูปทรง และหลากหลายเบอร์ความแน่นหนาของปริมาณอนุภาคขัดของมัน จะทำให้ท่านได้รับประสิทธิภาพสูงในการขัดและการใช้งานที่ยาวนาน
- พวกเขา
- สิ่ง
- ของบุคคลที่สาม
- นี้
- เหล่านั้น
- พัน
- สาม
- ตลอด
- ปริมาณงาน
- เวลา
- อนุกรมเวลา
- ไวต่อเวลา
- ไปยัง
- ในวันนี้
- เครื่องมือ
- ติดตาม
- ลู่
- การติดตาม
- การจราจร
- แปลง
- การแปลง
- การเปลี่ยนแปลง
- การเดินทาง
- แนวโน้ม
- สอง
- เป็นปกติ
- ไม่คาดฝัน
- เมื่อ
- การใช้
- ใช้
- ใช้กรณี
- มือสอง
- ผู้ใช้งาน
- การใช้
- นำไปใช้
- การตรวจสอบ
- ความคุ้มค่า
- ตัวแปร
- ต่างๆ
- ความเร็ว
- ผ่านทาง
- เสมือน
- วิสัยทัศน์
- การสร้างภาพ
- เห็นภาพ
- ปริมาณ
- ไดรฟ์
- ต้องการ
- คลังสินค้า
- การจัดเก็บสินค้า
- ชม
- we
- เว็บ
- บริการเว็บ
- กำหนดไว้อย่างดี
- อะไร
- เมื่อ
- ที่
- ในขณะที่
- WHO
- กว้าง
- ช่วงกว้าง
- จะ
- กับ
- ภายใน
- งาน
- เวิร์กโฟลว์
- กังวล
- เขียน
- เธอ
- ของคุณ
- ลมทะเล
- โซน