AWS: Allgemeine Verfügbarkeit von Amazon TimeStream

Unser Technologiepartner AWS kündigte die allgemeine Verfügbarkeit von Amazon Timestream an, einer neuen Zeitreihendatenbank für IoT- und operationelle Anwendungen, die so skaliert werden kann, dass Billionen von Zeitreihenereignissen pro Tag bis zu 1.000 Mal schneller als relationale Datenbanken und zu einem Zehntel der Kosten verarbeitet werden können.

Amazon Timestream erspart Kunden Aufwand und Kosten, indem aktuelle Daten im Speicher gehalten und historische Daten auf der Grundlage benutzerdefinierter Richtlinien in eine kostenoptimierte Speicherebene verschoben werden. Durch die Verarbeitung von Abfragen haben Kunden die Möglichkeit, mit einer einzigen Abfrage über mehrere Ebenen hinweg transparent auf aktuelle und historische Daten zuzugreifen und diese zu kombinieren, ohne dass in der Abfrage explizit angegeben werden muss, ob sich die Daten im Speicher oder in der kostenoptimierten Ebene befinden. Die Analysefunktionen von Amazon Timestream bieten zeitreihenspezifische Funktionen, mit denen Kunden Trends und Muster in den Daten nahezu in Echtzeit erkennen können. Da Amazon Timestream serverlos ist, wird es automatisch nach oben oder unten skaliert, um die Kapazität je nach Last anzupassen, ohne dass Kunden die zugrunde liegende Infrastruktur verwalten müssen. Für die Nutzung von Amazon Timestream sind keine Vorabkosten oder Verpflichtungen erforderlich, und Kunden zahlen nur für die Daten, die sie schreiben, speichern oder abfragen. Um mit Amazon Timestream zu beginnen, besuchen Sie https://aws.amazon.com/timestream.

Die Kunden von heute möchten IoT-, Edge- und Betriebsanwendungen erstellen, die enorme Datenmengen, die sich im Laufe der Zeit ändern (so genannte Zeitreihendaten), sammeln, synthetisieren und Erkenntnisse daraus ableiten. Zum Beispiel möchten Hersteller vielleicht IoT-Sensordaten verfolgen, die Änderungen an Geräten in einer Einrichtung messen, Online-Vermarkter möchten vielleicht Clickstream-Daten analysieren, die erfassen, wie ein Benutzer im Laufe der Zeit auf einer Website navigiert, und Rechenzentrumsbetreiber möchten vielleicht Daten einsehen, die Änderungen an Leistungskennzahlen der Infrastruktur messen. Diese Art von Zeitreihendaten können aus mehreren Quellen in extrem großen Mengen generiert werden, müssen kosteneffizient und nahezu in Echtzeit erfasst werden und erfordern eine effiziente Speicherung, die Kunden bei der Organisation und Analyse der Daten unterstützt. Dazu können Kunden heute entweder vorhandene relationale Datenbanken oder selbst verwaltete Zeitreihendatenbanken verwenden. Keine dieser beiden Optionen ist attraktiv. Relationale Datenbanken haben starre Schemata, die vordefiniert werden müssen und unflexibel sind, wenn neue Attribute einer Anwendung verfolgt werden müssen. Wenn beispielsweise neue Geräte online gehen und beginnen, Zeitreihendaten auszugeben, bedeuten starre Schemata, dass Kunden entweder die neuen Daten verwerfen oder ihre Tabellen neu entwerfen müssen, um die neuen Geräte zu unterstützen, was kostspielig und zeitaufwändig sein kann. Zusätzlich zu starren Schemata erfordern relationale Datenbanken auch mehrere Tabellen und Indizes, die aktualisiert werden müssen, wenn neue Daten eintreffen, und zu komplexen und ineffizienten Abfragen führen, wenn die Daten mit der Zeit wachsen. Darüber hinaus fehlen bei relationalen Datenbanken die erforderlichen zeitreihenanalytischen Funktionen wie Glättung, Approximation und Interpolation, mit denen Kunden Trends und Muster nahezu in Echtzeit erkennen können. Alternativ dazu haben Zeitreihen-Datenbanklösungen, die von den Kunden selbst erstellt und verwaltet werden, eine begrenzte Datenverarbeitungs- und Speicherkapazität, wodurch sie schwer skalierbar sind. Viele der vorhandenen Zeitreihen-Datenbanklösungen unterstützen die Richtlinien zur Datenaufbewahrung nicht, was zu einer Speicherkomplexität führt, wenn die Daten mit der Zeit wachsen. Um auf die Daten zugreifen zu können, müssen Kunden benutzerdefinierte Abfrage-Engines und Tools entwickeln, die schwierig zu konfigurieren und zu warten sind und komplizierte, mehrjährige Entwicklungsinitiativen erfordern können. Darüber hinaus lassen sich diese Lösungen nicht in die Datenerfassungs-, Visualisierungs- und maschinellen Lernprogramme integrieren, die die Kunden bereits heute verwenden. Das Ergebnis ist, dass sich viele Kunden einfach nicht die Mühe machen, Zeitreihendaten zu speichern oder zu analysieren, wodurch ihnen die wertvollen Erkenntnisse entgehen, die sie liefern können.

Amazon Timestream stellt sich diesen Herausforderungen, indem es seinen Kunden eine speziell entwickelte, serverlose Zeitreihendatenbank zur Erfassung, Speicherung und Verarbeitung von Zeitreihendaten zur Verfügung stellt. Amazon Timestream erkennt automatisch die Attribute der Daten, so dass Kunden kein Schema mehr vordefinieren müssen. Amazon Timestream vereinfacht den komplexen Prozess des Datenlebenszyklus-Managements mit automatisiertem Speicher-Tiering, das aktuelle Daten im Speicher speichert und historische Daten auf der Grundlage vordefinierter Benutzerrichtlinien automatisch auf eine kostenoptimierte Speicherebene verschiebt. Amazon Timestream verwendet außerdem eine speziell entwickelte adaptive Abfrage-Engine, um transparent auf aktuelle und historische Daten über mehrere Ebenen hinweg mit einer einzigen SQL-Anweisung zuzugreifen und zu kombinieren, ohne dass angegeben werden muss, auf welcher Speicherebene sich die Daten befinden. Auf diese Weise können Kunden alle ihre Daten mit einer einzigen Abfrage abfragen, ohne dass sie komplizierte Anwendungslogik schreiben müssen, die nachschlägt, wo ihre Daten gespeichert sind, jede Schicht unabhängig abfragt und dann die Ergebnisse zu einer vollständigen Ansicht kombiniert. Amazon Timestream bietet integrierte Zeitreihenanalysen mit Funktionen zur Glättung, Approximation und Interpolation, so dass Kunden keine Rohdaten aus ihren Datenbanken extrahieren und dann ihre Zeitreihenanalysen mit externen Tools und Bibliotheken durchführen oder komplexe gespeicherte Prozeduren schreiben müssen, die nicht von allen Datenbanken unterstützt werden. Die serverlose Architektur von Amazon Timestream besteht aus vollständig entkoppelten Systemen für die Datenaufnahme und die Abfrageverarbeitung. Dadurch erhalten Kunden praktisch unbegrenzte Skalierbarkeit und die Möglichkeit, den Speicher und die Abfrageverarbeitung unabhängig und automatisch zu erweitern, ohne dass sie die zugrunde liegende Infrastruktur verwalten müssen. Darüber hinaus lässt sich Amazon Timestream in beliebte Datenerfassungs-, Visualisierungs- und maschinelle Lernprogramme integrieren, die von Kunden heute verwendet werden, darunter Dienste wie AWS IoT Core (für die IoT-Datenerfassung), Amazon Kinesis und Amazon MSK (für das Streaming von Daten), Amazon QuickSight (für serverlose Business Intelligence) und Amazon SageMaker (für die schnelle Erstellung, Schulung und Bereitstellung von maschinellen Lernmodellen) sowie Open-Source-Tools von Drittanbietern wie Grafana (für Beobachtungs-Dashboards) und Telegraf (für die Erfassung von Metriken).

„Was wir von Kunden hören, ist, dass sie viele aufschlussreiche Daten in ihren Industrieanlagen, Website-Clickstream-Protokollen, der Infrastruktur ihres Rechenzentrums und an vielen anderen Stellen vergraben haben, aber die Verwaltung von Zeitreihendaten im Maßstab zu komplex, teuer und langsam ist“, so Shawn Bice, VP, Datenbanken, AWS. „Um dieses Problem zu lösen, mussten wir etwas völlig Neues aufbauen. Amazon Timestream bietet einen serverlosen Datenbankservice, der speziell dafür entwickelt wurde, den Umfang und die Komplexität von Zeitreihendaten in der Cloud zu verwalten, so dass Kunden mehr Daten einfacher und kostengünstiger speichern können und so die Möglichkeit haben, zusätzliche Erkenntnisse zu gewinnen und bessere Geschäftsentscheidungen aus ihren IoT- und Betriebsüberwachungsanwendungen zu treffen.

Amazon Timestream ist ab sofort in US East (N. Virginia), US East (Ohio), US West (Oregon) und EU (Irland) verfügbar, in den kommenden Monaten auch in weiteren Regionen.