Amazon SageMaker AI - Amazon Timestream

有关与适用于 LiveAnalytics 的 Amazon Timestream 类似的功能，可以考虑使用适用于 InfluxDB 的 Amazon Timestream。适用于 InfluxDB 的 Amazon Timestream 提供简化的数据摄取和个位数毫秒级的查询响应时间，以实现实时分析。点击此处了解更多信息。

Amazon SageMaker AI

可使用 Amazon SageMaker 笔记本将机器学习模型与 Amazon Timestream 集成。为协助您开始使用，我们已创建示例 SageMaker 笔记本，用于处理来自 Timestream 的数据。该数据从持续发送数据的多线程 Python 应用程序插入到 Timestream 中。示例 SageMaker 笔记本及示例 Python 应用程序的源代码可在 GitHub 中获取。

  1. 按照 创建数据库 和 创建表 中所述的说明创建数据库和表。

  2. 按照 GitHub 中的说明克隆多线程 Python 示例应用程序的 GitHub 存储库。

  3. 按照 GitHub 中的说明克隆示例 Timestream SageMaker 笔记本的 GitHub 存储库。

  4. 按照自述文件中的说明运行应用程序，持续将数据摄取到 Timestream 中。

  5. 按照此处所述的说明创建用于 Amazon SageMaker 的 Amazon S3 存储桶。

  6. 创建已安装最新 boto3 的 Amazon SageMaker 实例：除此处所述说明外，请按照以下步骤操作：

    1. 在创建笔记本实例页面上，点击其他配置

    2. 点击生命周期配置：可选，然后选择创建新的生命周期配置

    3. 在创建生命周期配置向导框中，执行以下操作：

      1. 在配置中填写所需名称，例如 on-start

      2. 在“启动笔记本”脚本中，复制并粘贴来自 Github 的脚本内容

      3. 在粘贴的脚本中，将 PACKAGE=scipy 替换为 PACKAGE=boto3。

  7. 点击创建配置

  8. 转到 AWS 管理控制台中的 IAM 服务，查找为笔记本实例新创建的 SageMaker 执行角色。

  9. 将 AmazonTimestreamFullAccess 的 IAM 策略附加到执行角色。

    注意

    AmazonTimestreamFullAccess IAM 策略不局限于特定资源，且不适用于生产环境。对于生产系统，建议使用限制特定资源访问权限的策略。

  10. 当笔记本实例的状态为正在使用时，选择打开 Jupyter，以便为该实例启用 SageMaker 笔记本。

  11. 选择上传按钮，将文件 timestreamquery.py 和 Timestream_SageMaker_Demo.ipynb 上传至笔记本中

  12. 选择 Timestream_SageMaker_Demo.ipynb

    注意

    如果弹出未找到内核提示框，请选择 conda_python3 并点击设置内核。

  13. 修改 DB_NAME、TABLE_NAME、bucket 和 ENDPOINT，以匹配训练模型的数据库名称、表名称、S3 存储桶名称和区域。

  14. 选择播放图标，以运行单个单元格

  15. 到达单元格 Leverage Timestream to find hosts with average CPU utilization across the fleet 时，请确保输出返回至少 2 个主机名。

    注意

    如果输出中的主机名少于 2 个，则可能需要重新运行示例 Python 应用程序，在向 Timestream 摄取数据时使用更多的线程和更大的主机规模。

  16. 到达单元格 Train a Random Cut Forest (RCF) model using the CPU utilization history 时，根据训练作业的资源要求更改 train_instance_type

  17. 到达单元格 Deploy the model for inference 时，根据推理作业的资源要求更改 instance_type

    注意

    训练模型可能需要几分钟时间。训练完成后，将在单元格的输出中看到消息已完成：训练作业已完成。

  18. 运行单元格 Stop and delete the endpoint，以清除资源。也可以通过 SageMaker 控制台停止和删除实例