AWS IoT Analytics
对从 IoT 设备收集的大量遥测数据进行过滤、转换和存储，用于高级分析和机器学习的托管分析服务
概述
AWS IoT Analytics 是一项全托管服务，用于收集、处理和存储 IoT 设备发送的大量消息数据，并用于分析和机器学习。由通道 (数据摄入)、管道 (数据转换)、数据存储 (保存)、数据集 (查询结果) 四个组件构成，自动化从原始数据清洗到分析用数据集生成的全过程。管道中可应用过滤、数学运算、Lambda 任意转换处理，自动执行噪声去除和单位转换。通过 SQL 查询生成数据集，可直接连接 QuickSight 可视化或 SageMaker 机器学习模型构建。
四组件架构与数据流设计
IoT Analytics 的数据流从通道开始。通道接收来自 IoT Core 规则引擎或 BatchPutMessage API 的消息，以原始形式保存。管道从通道获取数据并应用转换活动：过滤 (丢弃不需要的消息)、属性添加/删除、数学计算 (单位转换、移动平均)、Lambda 活动 (自定义转换逻辑)、设备注册表增强 (附加设备元数据)。转换后的数据存储到数据存储中，数据存储支持 S3 托管存储和客户管理 S3 存储桶两种后端。数据集通过 SQL 查询定义，可按计划自动执行或手动触发。查询结果可作为 CSV 发送到 S3，或直接在 Jupyter 笔记本中分析。
与 IoT Core 和机器学习的集成
IoT Analytics 与 IoT Core 的集成通过规则引擎实现。在 IoT Core 规则中指定 IoT Analytics 通道作为操作目标，符合条件的消息自动流入分析管道。典型模式是：IoT Core 接收设备遥测 → 规则引擎按主题过滤 → IoT Analytics 通道摄入 → 管道清洗转换 → 数据存储保存 → 数据集生成 → SageMaker 训练。容器数据集功能可在数据集生成时自动执行 Docker 容器，运行自定义分析代码或 ML 推理。这使得定期执行异常检测模型并将结果写回 IoT Analytics 的自动化管道成为可能。
数据保留与成本优化
IoT Analytics 的费用基于消息处理量、管道活动执行次数、数据存储量和查询扫描量。成本优化的关键是在管道阶段尽早过滤不需要的数据，减少下游存储和查询成本。数据存储支持保留期设置，超过指定天数的数据自动删除。对于需要长期保存的数据，可配置将数据存储后端设为客户管理 S3 存储桶，结合 S3 生命周期策略迁移到 Glacier。与直接使用 Kinesis + Lambda + S3 自建分析管道相比，IoT Analytics 的优势在于无需管理基础设施且内置 SQL 查询引擎，但大规模场景下自建管道可能更具成本效益。