Gestion des données de séries temporelles
Optimisez Elasticsearch pour les données de séries temporelles, notamment les flux de données, ILM (Index Lifecycle Management) et les architectures à chaud-tiède-froide.
Gestion des données de séries temporelles est une leçon Elasticsearch & Full Text Search Systems gratuite sur CoddyKit. Ceci est la leçon 2 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage Elasticsearch & Full Text Search Systems, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours Elasticsearch & Full Text Search Systems comprend 4 leçons au total.
Certaines parties de cette leçon n'ont pas encore été traduites et s'affichent en anglais.
What is Time-Series Data?
Time-series data is information collected over a period of time, often at regular intervals. Think of it as a sequence of data points indexed by time.
Examples include:
- System logs: Events happening on a server.
- IoT sensor readings: Temperature, humidity from devices.
- Financial data: Stock prices over days or hours.
This data is typically append-only and usually immutable once recorded.
Why Elasticsearch for Time-Series?
Elasticsearch is an excellent choice for managing time-series data due to its:
- Scalability: Handles massive volumes of data.
- Speed: Fast indexing and search capabilities.
- Analytics: Powerful aggregations for insights.
- Flexibility: Can store structured and unstructured data.
It's particularly strong for use cases like log analytics, metric monitoring, and security event management.
Introducing Data Streams
Data streams are a core feature in Elasticsearch designed specifically for time-series data. They simplify management by automatically rolling over to new indices as needed.
When you index data into a data stream, it always writes to the current write index. Queries, however, search across all backing indices transparently. This makes managing large, continuously growing datasets much easier.
Creating Your First Data Stream
To create a data stream, you first need an index template that defines its structure and points to a data stream.
Then, simply indexing a document into the stream's name will create it automatically based on the template:
PUT _index_template/my-data-stream-template
{
"index_patterns": ["my-data-stream-*"],
"data_stream": {},
"priority": 200,
"template": {
"settings": {
"number_of_shards": 1
},
"mappings": {
"properties": {
"@timestamp": {
"type": "date",
"format": "strict_date_optional_time||epoch_millis"
},
"message": { "type": "text" }
}
}
}
}
// Indexing a document creates the stream
POST my-data-stream/_doc
{
"@timestamp": "2023-10-27T10:00:00Z",
"message": "Sensor reading: 25.5C"
}Automating with ILM
Index Lifecycle Management (ILM) is a powerful feature that automates the management of your indices through various phases of their life.
For time-series data, ILM helps you:
- Automatically roll over indices when they reach a certain size or age.
- Move older, less frequently accessed data to cheaper storage.
- Delete data that is no longer needed.
The Four ILM Phases
ILM policies define actions for indices across four main phases:
- Hot: Indices are actively being written to and frequently queried. Requires fast storage.
- Warm: Indices are no longer being written to, but are still queried. Can be read-only and potentially on slower storage.
- Cold: Indices are rarely queried and often stored on very cheap, slow storage.
- Delete: Indices are no longer needed and are safely removed from the cluster.
Crafting an ILM Policy
Here's an example of an ILM policy that defines rollover, forcemerge (for warm phase), and deletion stages for time-series data:
PUT _ilm/policy/my-ts-policy
{
"policy": {
"phases": {
"hot": {
"actions": {
"rollover": {
"max_age": "7d",
"max_docs": 10000000,
"max_size": "50gb"
}
}
},
"warm": {
"min_age": "30d",
"actions": {
"forcemerge": {
"max_num_segments": 1
},
"shrink": {
"number_of_shards": 1
}
}
},
"cold": {
"min_age": "90d",
"actions": {
"freeze": {}
}
},
"delete": {
"min_age": "180d",
"actions": {
"delete": {}
}
}
}
}
}Hot-Warm-Cold Architecture
A Hot-Warm-Cold architecture optimizes resource utilization and cost for time-series data by using different types of nodes for different ILM phases.
- Hot nodes: Use fast CPUs, SSDs for high indexing and query throughput.
- Warm nodes: Use less powerful CPUs, HDDs (or slower SSDs) for older, read-only data.
- Cold nodes: Use very cheap, high-capacity storage, potentially even object storage, for rarely accessed data.
Assigning Node Roles
You can configure nodes to serve specific roles (hot, warm, cold) by setting node.attr in their elasticsearch.yml configuration file.
ILM policies then use these attributes to automatically move indices to the appropriate node types as they transition through phases.
# For a hot node
node.roles: [ data ]
node.attr.data: hot
# For a warm node
node.roles: [ data ]
node.attr.data: warm
# For a cold node
node.roles: [ data ]
node.attr.data: coldILM & Data Stream Check
Which of the following statements about Elasticsearch's time-series features are TRUE?
Time-Series Recap
Great job! You've explored how Elasticsearch is optimized for time-series data.
We covered:
- Data Streams: Simplifying index management and rollovers.
- ILM (Index Lifecycle Management): Automating index transitions through hot, warm, cold, and delete phases.
- Hot-Warm-Cold Architectures: Optimizing cluster resources and costs by assigning different node types to specific ILM phases.
These features are essential for building scalable and cost-effective time-series solutions with Elasticsearch.
Apprends Elasticsearch & Full Text Search Systems avec un tuteur IA — gratuit
Écris et exécute du vrai code dans ton navigateur, obtiens de l'aide instantanée d'un tuteur IA disponible 24h/24, et reprends là où tu t'es arrêté sur le web ou dans l'app.
- Cours
- 12
- Leçons
- 48
Questions Fréquemment Posées
La leçon « Gestion des données de séries temporelles » est-elle gratuite ?
Oui — le texte complet de « Gestion des données de séries temporelles » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours Elasticsearch & Full Text Search Systems, passe à CoddyKit PRO. Le cours Elasticsearch & Full Text Search Systems comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Gestion des données de séries temporelles » ?
Optimisez Elasticsearch pour les données de séries temporelles, notamment les flux de données, ILM (Index Lifecycle Management) et les architectures à chaud-tiède-froide. Tu pratiques Elasticsearch & Full Text Search Systems avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer Elasticsearch & Full Text Search Systems ?
Aucune expérience préalable n'est requise. Elasticsearch & Full Text Search Systems sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 2 sur 4.
Combien de temps prend la leçon « Gestion des données de séries temporelles » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon Elasticsearch & Full Text Search Systems ?
Oui. Chaque leçon Elasticsearch & Full Text Search Systems inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Fonctionnalités de recherche géospatiale
- Gestion des données de séries temporelles
- Stratégies de déploiement en production
- Gestion du cycle de vie des index