Wir freuen uns, heute auf der Microsoft Ignite eine Vorschauversion verschiedener neuer nützlicher Funktionen in Azure Stream Analytics bekannt geben zu können. Dazu gehören integrierte auf maschinellem Lernen basierende Anomalieerkennung, Ausgabe in Azure Functions, Unterstützung von komprimierten Datenformaten, benutzerdefinierte Aggregate in JavaScript und Unterstützung von CI/CD in Visual Studio-Tools. Diese neuen Funktionen werden in den nächsten Wochen nach und nach veröffentlicht. Wenn Sie diese Woche an der Microsoft Ignite-Konferenz teilnehmen und mehr darüber erfahren möchten, sollten Sie nicht die Sitzungen BRK3302 und BRK3303 verpassen.

Integrierte auf maschinellem Lernen basierende Anomalieerkennung

Der integrierte auf maschinellem Lernen basierende Operator „ANOMALYDETECTION“ hilft Kunden von Azure Stream Analytics, die Daten von Anwendungen oder Geräten in Echtzeit überwachen, um Ereignisse oder Beobachtungen, die keinem erwarteten Muster entsprechen, einfach zu erkennen.

Bis jetzt waren IoT-Industriekunden und andere, die Streamingdaten überwachen, auf benutzerdefinierte Machine Learning-Modelle angewiesen. Die Ausführenden mussten sich genau mit den Szenarien und dem Problembereich auskennen. Für das Integrieren dieser Modelle in die Streamverarbeitungsmechanismen waren außerdem komplexe Manipulationen der Datenpipeline erforderlich.

Mit der heute bekannt gegebenen neuen Funktion wird die Komplexität des maschinellen Lernens zu einem einfachen SQL-Funktionsaufruf eines Machine Learning-Modells vereinfacht. Das zugrunde liegende allgemeine Modell für maschinelles Lernen ist abstrahiert und lernt im Lauf der Zeit kontinuierlich, um sich Ihren Eingabedatenströmen anzupassen. Diese neue Funktion ist auf numerische Zeitreihendaten ausgelegt und hilft Kunden dabei, Anomalien sowie positive und negative Trends zu erkennen. Weitere Informationen finden Sie in der Dokumentation zur Anomalieerkennung.

Mehrere Möglichkeiten zum Einsatz der Funktion in Stream Analytics-Abfragen

Ausgabe an Azure Functions

Azure Functions ist ein „serverloser“ Computedienst in Azure, der Benutzern dabei hilft, Code bei Bedarf auszuführen, ohne eine spezielle Infrastruktur bereitzustellen oder zu verwalten. Sie können Code implementieren, der durch Ereignisse in Azure oder in Diensten von Drittanbietern ausgelöst wird. Durch diese Möglichkeit von Azure Functions, auf Trigger zu reagieren, wird der Dienst zu einem natürlichen Ausgabeziel für Azure Stream Analytics.

Viele Stream Analytics-Kunden nutzen heute die vielfältigen Möglichkeiten von Azure Functions, indem sie zuerst die Ausgabe in Service Bus-Warteschlangen schreiben und dann von dort aus auf Azure Functions zugreifen. Für eine deutlich direktere Integration mit Azure Functions geben wir heute einen Ausgabeadapter von Azure Stream Analytics an Azure Functions bekannt. Dieser Ausgabeadapter ermöglicht Benutzern, Stream Analytics mit Azure Functions zu verbinden und ein Skript oder einen Codeausschnitt auszuführen, um nachgeschaltete Workflows auszulösen und die Reaktion auf wichtige Ereignisse zu beschleunigen.

Beispielsweise ist es nun erheblich einfacher für Entwickler, E-Mail- oder andere Benachrichtigungen zu senden, wenn bestimmte vordefinierte Bedingungen wie eine Überhitzung in der Werkshalle auftreten. Außerdem können Entwickler eine benutzerdefinierte Nachverarbeitungslogik schreiben, durch die Azure Stream Analytics eine Verbindung mit verschiedenen anderen Azure-Diensten oder Apps außerhalb des Azure-Ökosystems herstellen kann.

Unterstützung von Eingabekomprimierungsformaten

Bandbreitenprobleme und Einschränkungen der Nachrichtengröße sind die Hauptgründe, warum Kunden Unterstützung für Komprimierungseingabeformate benötigen. Wir freuen uns, als Reaktion auf eine wachsende Anzahl von Anforderungen vieler unserer bestehenden und neuen Kunden bekannt geben zu können, dass Azure Stream Analytics nun Gzip- und Deflate-Datenströme unterstützt.

Mit der heutigen Bekanntgabe bietet sich Azure Stream Analytics nun auch als Lösung für viele Kunden an, die derzeit entsprechende Einschränkungen hinnehmen müssen.

Visual Studio-Tools für Continuous Integration und Continuous Delivery

Für viele Entwicklungsteams führt die Notwendigkeit, die Stabilität von Produktionscode zu verwalten und gleichzeitig Verbesserungen und Codeaktualisierungen schnellstmöglich höher zu stufen, dazu, dass sie viel Zeit darauf verwenden, Prozesse für Continuous Integration und Continuous Delivery (CI/CD) zu erstellen. Wir möchten diesen Teams besser helfen und führen daher die native Unterstützung für CI/CD in den Visual Studio-Tools für Stream Analytics ein. Mithilfe des neu veröffentlichten NuGet-Pakets können Kunden automatisierte Builds und Testskripts ausführen und mit den Visual Studio-Projekten für Stream Analytics bereitstellen. Mit dieser neuen Funktion lassen sich CI/CD-Pipelines für Stream Analytics-Aufträge sehr einfach in der Entwicklerumgebung sowie in anderen automatisierten Prozessen einrichten.

Benutzerdefinierte Aggregate in JavaScript

Nach der Veröffentlichung von benutzerdefinierten JavaScript-Funktionen im Frühjahr sind wir nun soweit, benutzerdefinierte Aggregate (UDAs) in JavaScript anzubieten. Mit benutzerdefinierten Aggregaten können Sie Ihre eigenen zustandsbehafteten Berechnungen ausführen, z.B. zeitgewichtete Durchschnittswerte, kumulative Dichte, Arraykumulation und vieles mehr.

Microsoft Ignite (25.–29. September)

Möchten Sie diese Funktionen in Aktion erleben? Wenn Sie diese Woche die Microsoft Ignite besuchen, nehmen Sie am Dienstag an den folgenden Sitzungen teil. Außerdem können Sie unser Team in der Ausstellungshalle treffen.

• BRK3303 – Big Data-Analysen in Echtzeit: die Macht des Jetzt ausschöpfen
• BRK3302 – Die Zukunft von IoT-Analysen: Edge als Ergänzung der Cloud

Wir freuen uns auf Ihre fortlaufenden Rückmeldungen und Ideen!

Das Azure Stream Analytics-Team ist sehr an Ihrem Feedback interessiert und lässt sich bei zukünftigen Investitionen von den Benutzereingaben leiten. Wir laden Sie herzlich ein, am Gespräch teilzunehmen und bei UserVoice Ihre Meinung zu sagen.