Après mûre réflexion, nous avons décidé de mettre fin à Amazon Kinesis Data Analytics pour les applications SQL en deux étapes :
1. À compter du 15 octobre 2025, vous ne pourrez plus créer de nouvelles applications Kinesis Data Analytics for SQL.
2. Nous supprimerons vos candidatures à compter du 27 janvier 2026. Vous ne pourrez ni démarrer ni utiliser vos applications Amazon Kinesis Data Analytics for SQL. Support ne sera plus disponible pour Amazon Kinesis Data Analytics for SQL à partir de cette date. Pour de plus amples informations, veuillez consulter Arrêt d'Amazon Kinesis Data Analytics pour les applications SQL.
Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Étape 2 : Créer une application
Dans cette section, vous allez créer une application Amazon Kinesis Data Analytics comme suit :
-
Configurez l’entrée de l’application pour utiliser le flux de données Kinesis que vous avez créé dans Étape 1 : Préparation comme source de streaming.
-
Utilisez le modèle Anomaly Detection (Détection des anomalies) dans la console.
Pour créer une application
-
Suivez les étapes 1, 2 et 3 de l’exercice Kinesis Data Analytics Mise en route (voir Étape 3.1 : Créer une application).
-
Dans la configuration de la source, procédez de la façon suivante :
-
Spécifiez la source de diffusion que vous avez créée dans la section précédente.
-
Une fois que la console a déduit le schéma, modifiez celui-ci et définissez le type de colonne
heartRate
surINTEGER
.La plupart des valeurs de taux de cœur sont normales et le processus de découverte va très probablement attribuer le type
TINYINT
à cette colonne. Mais un faible pourcentage de valeurs présente un taux de cœur élevé. Si ces valeurs élevées ne correspondent au typeTINYINT
, Kinesis Data Analytics envoie ces lignes vers un flux d’erreurs. Mettez à jour le type de données enINTEGER
pour qu'il puisse recevoir toutes les données de taux de cœur générées.
-
-
Utilisez le modèle Anomaly Detection (Détection des anomalies) dans la console. Mettez à jour ensuite le code du modèle pour fournir le nom de colonne approprié.
-
-
Mettez à jour le code d'application en fournissant des noms de colonne. Le code d'application résultant apparaît ci-dessous (collez ce code dans l'éditeur SQL) :
--Creates a temporary stream. CREATE OR REPLACE STREAM "TEMP_STREAM" ( "heartRate" INTEGER, "rateType" varchar(20), "ANOMALY_SCORE" DOUBLE); --Creates another stream for application output. CREATE OR REPLACE STREAM "DESTINATION_SQL_STREAM" ( "heartRate" INTEGER, "rateType" varchar(20), "ANOMALY_SCORE" DOUBLE); -- Compute an anomaly score for each record in the input stream -- using Random Cut Forest CREATE OR REPLACE PUMP "STREAM_PUMP" AS INSERT INTO "TEMP_STREAM" SELECT STREAM "heartRate", "rateType", ANOMALY_SCORE FROM TABLE(RANDOM_CUT_FOREST( CURSOR(SELECT STREAM * FROM "SOURCE_SQL_STREAM_001"))); -- Sort records by descending anomaly score, insert into output stream CREATE OR REPLACE PUMP "OUTPUT_PUMP" AS INSERT INTO "DESTINATION_SQL_STREAM" SELECT STREAM * FROM "TEMP_STREAM" ORDER BY FLOOR("TEMP_STREAM".ROWTIME TO SECOND), ANOMALY_SCORE DESC;
-
Exécutez le code SQL et vérifiez les résultats dans la console Kinesis Data Analytics :
Étape suivante
Étape 3 : Configuration de la sortie de l'application