Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Manufacturing Data Lake weiter AWS
Veröffentlichungsdatum: 29. Juni 2020 (Historie des Diagramms)
Mit dieser Architektur können Sie einen Fertigungsdatensee aufbauen, der Betriebstechnologiedaten (OT) von Geräten und Fabrikanwendungen des industriellen Internet der Dinge (IIoT) mit Unternehmensanwendungen kombiniert. Anschließend können Sie analytische Anwendungsfälle und Prognosen für die Fertigung mithilfe von Modellen für maschinelles Lernen (ML) ausführen. Diese Architektur verwendet AWS Lake Formation Amazon Simple Storage Service (Amazon S3), Amazon Redshift AWS IoT Core, Amazon Data Firehose und Amazon SageMaker AI.
Diagramm der Data Lake-Architektur für die Fertigung
Die folgenden Schritte beschreiben die Architektur:
-
Erstellen Sie die Data Lake-Struktur mit Lake Formation oder Amazon S3 und Amazon Redshift. Speichern Sie rohe und verarbeitete Daten in Amazon S3-Buckets, die nach Datenquelle und Verarbeitungsphase organisiert sind.
-
Erstellen Sie für strukturierte relationale Daten eine Amazon Relational Database Service (Amazon RDS) -Instance innerhalb einer Amazon VPC.
-
Verwenden Sie für kompatible Unternehmensanwendungen Amazon API Gateway und erstellen Sie eine Schnittstelle AWS Lambda zu Amazon RDS.
-
Für kompatible Datenbanken verwenden Sie diese AWS Database Migration Service Option, um Kopien zu erstellen oder strukturierte Datensätze in den Data Lake zu exportieren.
-
Verwenden Sie AWS IoT Core für IIoT- und Automatisierungsgeräte Amazon Data Firehose, um Daten in den Data Lake zu streamen. AWS IoT SiteWisesammelt und organisiert Daten von Industrieanlagen.
-
Verwenden Sie es für externe oder Batch-Schnittstellen, AWS Transfer Family um Daten in den Data Lake zu übertragen.
-
Wird verwendet AWS Glue, um den Datenkatalog zu erstellen und ETL-Jobs (Extrahieren, Transformieren und Laden) zu erstellen.
-
Verwenden Sie Amazon SageMaker AI, um ML-Modelle anhand der Daten im Data Lake zu trainieren und bereitzustellen.
-
Verwenden Sie AWS AppSync , um einen GraphQL-Endpunkt mit Lambda-Resolvern zu erstellen. Dieser Endpunkt bietet eine flexible API für nutzende Anwendungen.
-
Erstellen Sie Visualisierungen mit Amazon Quick Sight, indem Sie Amazon Athena und Amazon Redshift verwenden.
Weitere Informationen
Weitere Informationen finden Sie in den folgenden Ressourcen:
Historie des Diagramms
Abonnieren Sie den RSS-Feed, um über Aktualisierungen dieses Referenzarchitekturdiagramms informiert zu werden.
| Änderung | Beschreibung | Datum |
|---|---|---|
Erste Veröffentlichung | Das Referenzarchitekturdiagramm wurde zuerst veröffentlicht. | 29. Juni 2020 |
RSS-Abonnement
Um RSS-Aktualisierungen zu abonnieren, muss ein RSS-Plugin für den von Ihnen verwendeten Browser aktiviert sein.
