Untuk kemampuan serupa dengan Amazon Timestream LiveAnalytics, pertimbangkan Amazon Timestream untuk InfluxDB. Ini menawarkan konsumsi data yang disederhanakan dan waktu respons kueri milidetik satu digit untuk analitik waktu nyata. Pelajari lebih lanjut [di sini](https://docs.aws.amazon.com//timestream/latest/developerguide/timestream-for-influxdb.html).
Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# Kueri
Dengan Timestream for Live Analytics, Anda dapat dengan mudah menyimpan dan menganalisis metrik DevOps, sensor data untuk aplikasi IoT, dan data telemetri industri untuk pemeliharaan peralatan, serta banyak kasus penggunaan lainnya. Mesin kueri adaptif yang dibuat khusus di Timestream untuk Live Analytics memungkinkan Anda mengakses data di seluruh tingkatan penyimpanan menggunakan satu pernyataan SQL. Ini secara transparan mengakses dan menggabungkan data di seluruh tingkatan penyimpanan tanpa mengharuskan Anda menentukan lokasi data. Anda dapat menggunakan SQL untuk menanyakan data di Timestream untuk Live Analytics untuk mengambil data deret waktu dari satu atau beberapa tabel. Anda dapat mengakses informasi metadata untuk database dan tabel. Timestream untuk Live Analytics SQL juga mendukung fungsi bawaan untuk analitik deret waktu. Anda dapat merujuk ke [Referensi bahasa kueri](reference.md) referensi untuk detail tambahan.
Timestream for Live Analytics dirancang untuk memiliki arsitektur penyerapan data, penyimpanan, dan kueri yang sepenuhnya dipisahkan di mana setiap komponen dapat menskalakan secara independen dari komponen lain (memungkinkannya menawarkan skala yang hampir tak terbatas untuk kebutuhan aplikasi). Ini berarti bahwa Timestream untuk Live Analytics tidak “memberi tip” ketika aplikasi Anda mengirim ratusan terabyte data per hari atau menjalankan jutaan kueri yang memproses data dalam jumlah kecil atau besar. Seiring pertumbuhan data Anda dari waktu ke waktu, latensi kueri di Timestream untuk Live Analytics sebagian besar tetap tidak berubah. Ini karena arsitektur kueri Timestream for Live Analytics dapat memanfaatkan paralelisme dalam jumlah besar untuk memproses volume data yang lebih besar dan secara otomatis menskalakan agar sesuai dengan kebutuhan throughput kueri aplikasi.
## Model Data
Timestream mendukung dua model data untuk kueri — model datar dan model deret waktu.
**catatan**
Data dalam Timestream disimpan menggunakan model datar dan itu adalah model default untuk query data. Model deret waktu adalah konsep waktu kueri dan digunakan untuk analitik deret waktu.
+ [Model datar](#flatmodel)
+ [Model deret waktu](#timeseriesmodel)
### Model datar
Model datar adalah model data default Timestream untuk kueri. Ini mewakili data deret waktu dalam format tabel. Nama dimensi, waktu, nama ukuran dan nilai ukuran muncul sebagai kolom. Setiap baris dalam tabel adalah titik data atom yang sesuai dengan pengukuran pada waktu tertentu dalam deret waktu. Database Timestream, tabel, dan kolom memiliki beberapa kendala penamaan. Itu dijelaskan dalam[Batas layanan](ts-limits.md#system-limits).
Tabel di bawah ini menunjukkan contoh ilustrasi tentang bagaimana Timestream menyimpan data yang mewakili pemanfaatan CPU, pemanfaatan memori, dan aktivitas jaringan instans EC2, ketika data dikirim sebagai catatan ukuran tunggal. Dalam hal ini, dimensinya adalah wilayah, zona ketersediaan, cloud pribadi virtual, dan ID instans dari instans EC2. Langkahnya adalah pemanfaatan CPU, pemanfaatan memori, dan data jaringan yang masuk untuk instans EC2. Wilayah kolom, az, vpc, dan instance\$1id berisi nilai dimensi. Waktu kolom berisi stempel waktu untuk setiap catatan. Kolom measurement \$1name berisi nama-nama ukuran yang diwakili oleh cpu-utilization, memory\$1utilization, dan network\$1bytes\$1in. Kolom measure \$1value: :double berisi pengukuran yang dipancarkan sebagai ganda (misalnya pemanfaatan CPU dan pemanfaatan memori). Kolom measure \$1value: :bigint berisi pengukuran yang dipancarkan sebagai bilangan bulat misalnya data jaringan yang masuk.
| Waktu | region | az | vpc | instance\$1id | ukuran\$1nama | ukuran\$1nilai: :ganda | ukuran\$1nilai: :bigint |
| --- | --- | --- | --- | --- | --- | --- | --- |
| 2019-12-04 19:00:00.000 000000 | us-east-1 | kami-timur-1d | vpc-1a2b3c4d | i-1234567890abcdef0 | pemanfaatan cpu\$1 | 35,0 | null |
| 2019-12-04 19:00:01.000 000000 | us-east-1 | kami-timur-1d | vpc-1a2b3c4d | i-1234567890abcdef0 | pemanfaatan cpu\$1 | 38.2 | null |
| 2019-12-04 19:00:02.000 000000 | us-east-1 | kami-timur-1d | vpc-1a2b3c4d | i-1234567890abcdef0 | pemanfaatan cpu\$1 | 45.3 | null |
| 2019-12-04 19:00:00.000 000000 | us-east-1 | kami-timur-1d | vpc-1a2b3c4d | i-1234567890abcdef0 | memory\$1utilization | 54,9 | null |
| 2019-12-04 19:00:01.000 000000 | us-east-1 | kami-timur-1d | vpc-1a2b3c4d | i-1234567890abcdef0 | memory\$1utilization | 42.6 | null |
| 2019-12-04 19:00:02.000 000000 | us-east-1 | kami-timur-1d | vpc-1a2b3c4d | i-1234567890abcdef0 | memory\$1utilization | 33.3 | null |
| 2019-12-04 19:00:00.000 000000 | us-east-1 | kami-timur-1d | vpc-1a2b3c4d | i-1234567890abcdef0 | network\$1bytes | 34.400 | null |
| 2019-12-04 19:00:01.000 000000 | us-east-1 | kami-timur-1d | vpc-1a2b3c4d | i-1234567890abcdef0 | network\$1bytes | 1.500 | null |
| 2019-12-04 19:00:02.000 000000 | us-east-1 | kami-timur-1d | vpc-1a2b3c4d | i-1234567890abcdef0 | network\$1bytes | 6.000 | null |
Tabel di bawah ini menunjukkan contoh ilustrasi tentang bagaimana Timestream menyimpan data yang mewakili pemanfaatan CPU, pemanfaatan memori, dan aktivitas jaringan instans EC2, ketika data dikirim sebagai catatan multi-ukuran.
| Waktu | region | az | vpc | instance\$1id | ukuran\$1nama | pemanfaatan cpu\$1 | memory\$1utilization | network\$1bytes |
| --- | --- | --- | --- | --- | --- | --- | --- | --- |
| 2019-12-04 19:00:00.000 000000 | us-east-1 | kami-timur-1d | vpc-1a2b3c4d | i-1234567890abcdef0 | metrik | 35,0 | 54,9 | 34.400 |
| 2019-12-04 19:00:01.000 000000 | us-east-1 | kami-timur-1d | vpc-1a2b3c4d | i-1234567890abcdef0 | metrik | 38.2 | 42.6 | 1.500 |
| 2019-12-04 19:00:02.000 000000 | us-east-1 | kami-timur-1d | vpc-1a2b3c4d | i-1234567890abcdef0 | metrik | 45.3 | 33.3 | 6.600 |
### Model deret waktu
Model deret waktu adalah konstruksi waktu kueri yang digunakan untuk analitik deret waktu. Ini mewakili data sebagai urutan urutan pasangan (waktu, nilai ukur). Timestream mendukung fungsi deret waktu seperti interpolasi untuk memungkinkan Anda mengisi celah dalam data Anda. Untuk menggunakan fungsi-fungsi ini, Anda harus mengonversi data Anda menjadi model deret waktu menggunakan fungsi seperti create\$1time\$1series. Lihat [Referensi bahasa kueri](reference.md) untuk lebih jelasnya.
Menggunakan contoh awal dari instans EC2, berikut adalah data pemanfaatan CPU yang dinyatakan sebagai timeseries.
| region | az | vpc | instance\$1id | pemanfaatan cpu\$1 |
| --- | --- | --- | --- | --- |
| us-east-1 | kami-timur-1d | vpc-1a2b3c4d | i-1234567890abcdef0 | [\$1waktu: 2019-12-04 19:00:00.000 000000, nilai: 35\$1, \$1waktu: 2019-12-04 19:00:01.000 000000, nilai: 38.2\$1, \$1waktu: 2019-12-04 19:00:02.000 000000, nilai: 45.3\$1] |