{"id":14594,"date":"2023-07-26T12:16:39","date_gmt":"2023-07-26T19:16:39","guid":{"rendered":"https:\/\/www.couchbase.com\/blog\/?p=14594"},"modified":"2024-02-07T11:56:01","modified_gmt":"2024-02-07T19:56:01","slug":"introducing-couchbase-time-series","status":"publish","type":"post","link":"https:\/\/www.couchbase.com\/blog\/es\/introducing-couchbase-time-series\/","title":{"rendered":"Presentaci\u00f3n de Couchbase Time Series"},"content":{"rendered":"

Couchbase se complace en anunciar el lanzamiento de una nueva funci\u00f3n de series temporales como parte de Couchbase 7.2. Esta funci\u00f3n se basa en la robusta arquitectura de base de datos distribuida de Couchbase, que est\u00e1 dise\u00f1ada para escalar horizontalmente a medida que crecen los datos, a la vez que proporciona redundancia y alta disponibilidad integradas. Esto significa que a medida que su negocio crece y sus necesidades de datos de series temporales aumentan, Couchbase puede expandirse sin esfuerzo para satisfacer esas necesidades, por lo que es una soluci\u00f3n ideal para empresas de todos los tama\u00f1os.<\/span><\/p>\n

Esta nueva e innovadora t\u00e9cnica para gestionar datos de series temporales abre todo un nuevo mundo de posibilidades para los usuarios de Couchbase. Con la capacidad de almacenar y analizar grandes cantidades de datos de series temporales utilizando Couchbase SQL++ y SDKs. Esto permite a los usuarios aprovechar sus conocimientos e infraestructura existentes, facilitando la configuraci\u00f3n y desbloqueando poderosas perspectivas para explorar las tendencias de los datos con facilidad.\u00a0<\/span><\/p>\n

Principales ventajas de las series temporales\u00a0<\/span><\/h2>\n

Los datos de series temporales se almacenan en documentos JSON en la base de datos Couchbase Multi Model. Proporciona el mismo alto rendimiento, almacenamiento en cach\u00e9 avanzado para una r\u00e1pida recuperaci\u00f3n de datos y baja latencia. Couchbase Query SQL++ y el servicio Index mejoran las capacidades de recuperaci\u00f3n de datos para permitir casos de uso de consultas anal\u00edticas complejas.<\/span><\/p>\n

El soporte de datos de series temporales en Couchbase proporciona estas ventajas adicionales:<\/span><\/p>\n

    \n
  1. \n
      \n
    1. Almacenamiento eficiente de grandes vol\u00famenes de datos de series temporales<\/span><\/li>\n
    2. Almacenamiento optimizado de la estructura de datos para puntos de datos con marca de tiempo<\/span><\/li>\n
    3. Nuevas funciones avanzadas de consulta de series temporales<\/span><\/li>\n
    4. Baja necesidad de almacenamiento de \u00edndices<\/span><\/li>\n<\/ol>\n<\/li>\n<\/ol>\n

      Ejemplos de casos de uso de series temporales<\/span><\/h2>\n

      Comercio financiero - <\/strong>Las operaciones financieras se basan en el an\u00e1lisis de grandes cantidades de datos en tiempo real, como las cotizaciones burs\u00e1tiles, los tipos de cambio y los precios de las materias primas. El an\u00e1lisis de series temporales puede ayudar a los operadores a identificar tendencias y tomar decisiones de compra y venta con conocimiento de causa.<\/span><\/p>\n

      Supervisi\u00f3n del Internet de las cosas (IoT) - <\/strong>Los dispositivos IoT generan una gran cantidad de datos de series temporales, como lecturas de temperatura, consumo de energ\u00eda y datos de sensores. Estos datos pueden analizarse en tiempo real para detectar anomal\u00edas y predecir fallos en los equipos antes de que se produzcan.<\/span><\/p>\n

      Mantenimiento predictivo - <\/strong>Muchas industrias dependen de equipos y maquinaria caros, y el tiempo de inactividad puede ser costoso. Analizando series temporales de datos procedentes de sensores y otras fuentes, las organizaciones pueden predecir cu\u00e1ndo es probable que fallen los equipos y programar el mantenimiento de forma proactiva para minimizar el tiempo de inactividad y maximizar la eficiencia.<\/span><\/p>\n

      Principales caracter\u00edsticas de Couchbase Time Series<\/span><\/h2>\n

      Puedes almacenar datos de series temporales en Couchbase, usando nuestro SDK\/SQL++ para cargar, y la capacidad de consulta anal\u00edtica avanzada con \u00cdndice Secundario Global para consultar\/analizar los datos de la misma manera que con documentos JSON normales.<\/span><\/p>\n

      Eficacia del almacenamiento<\/span><\/h3>\n

      Los conjuntos de datos de series temporales suelen ser muy extensos, y cada punto de datos consta de atributos, como la marca de tiempo, el valor o valores, la granularidad y otra informaci\u00f3n relacionada. Un almacenamiento eficiente es fundamental, ya que puede determinar la rapidez con la que se pueden consultar los datos para su an\u00e1lisis.\u00a0<\/span><\/p>\n

      Las series temporales de Couchbase utilizan dos especificaciones para mejorar la eficiencia del almacenamiento.<\/span><\/p>\n

      El uso de matrices para los puntos de datos<\/b> - Por su propia naturaleza, los datos de series temporales son una serie de puntos de datos. Estos puntos de datos comparten una estructura com\u00fan, por ejemplo, el tiempo y los valores, o cualquier otro atributo que est\u00e9 asociado al momento en que se recogi\u00f3 el punto de datos.\u00a0\u00a0<\/span><\/p>\n

      Utilizar una matriz para almacenar un conjunto de puntos de datos de un intervalo determinado puede reducir en gran medida el coste de almacenamiento, en comparaci\u00f3n con tener que almacenar cada punto de datos individual como un documento independiente en la base de datos.\u00a0<\/span><\/p>\n

      El uso de la posici\u00f3n del array<\/b> - Observe tambi\u00e9n que los elementos de la matriz de puntos de datos no tienen un nombre de campo asociado, sino que se basa en la posici\u00f3n del elemento en la matriz. En este ejemplo, los tres elementos de la matriz son: la fecha de observaci\u00f3n, el valor de apertura y el valor de cierre de la acci\u00f3n.<\/span><\/p>\n

      docid:  \"stock:XYZ:d1\"\r\n{\r\n  \"ts_data\": [ [1672531200000, 92.08, 95.62],[1672531201000, 95.62, 99.25],..]\r\n}<\/pre>\n
      Utilizar el tiempo EPOCH -\u00a0<\/b>\u00c9poca<\/a> en lugar de la cadena de fecha ISO para reducir el tama\u00f1o de cada punto de datos y mejorar el tiempo de procesamiento.\u00a0<\/span><\/p>\n
      docid:  \"stock:XYZ:d1\"\r\n{\r\n  \"ts_data\": [ [1672531200000, 92.08, 95.62],[1672531201000, 95.62, 99.25],..]\r\n  \"ts_start\": 1672531200000 \/* dstart y dend denotan el *\/\r\n  \"ts_end\":   1672617599999,\/* intervalo de tiempo de todos los puntos de datos en ts_data *\/\r\n  \"ticker\":   \"XYZ\"\r\n}<\/pre>\n
      Consulta optimizada con una nueva funci\u00f3n _timeseries<\/span><\/h3>\n
      La funci\u00f3n Couchbase Time Series incluye un nuevo<\/span> _timeseries<\/b> funci\u00f3n. Esta funci\u00f3n tiene varias finalidades:<\/span><\/p>\n
        \n
      1. \n
          \n
        1. Genera din\u00e1micamente los objetos de las series temporales a partir del <\/span>ts_datos <\/span>matriz de matrices<\/span><\/li>\n
        2. Transmite eficientemente los resultados cuando se utiliza con UNNEST, optimiza el tiempo de respuesta y el uso de memoria.<\/span><\/li>\n
        3. Puede generar autom\u00e1ticamente la marca de tiempo para cada punto de datos cuando se utiliza el par\u00e1metro ts_interval<\/span><\/li>\n
        4. Admite casos de uso de series temporales m\u00e1s avanzados para intervalos irregulares de puntos de datos de series temporales, como en lugar de un conjunto m\u00faltiple de puntos de datos por marca de tiempo.<\/span><\/li>\n<\/ol>\n<\/li>\n<\/ol>\n
          Consulte el <\/span>Documentaci\u00f3n sobre series temporales de Couchbase<\/span><\/a> para m\u00e1s detalles.<\/span><\/p>\n
          Almacenamiento optimizado de \u00edndices<\/span><\/h3>\n
          Debido a la forma en que Couchbase almacena los datos de series temporales, con cada punto de datos almacenado como un elemento en un array dentro de un documento JSON, podemos optimizar nuestra estrategia de indexaci\u00f3n de la base de datos. Espec\u00edficamente, dado que cada documento contiene tanto la hora de inicio como la hora final de todos los puntos de datos del array, podemos crear una \u00fanica definici\u00f3n de \u00edndice para cada documento. Esto significa que incluso para grandes conjuntos de datos de series temporales con millones de puntos de datos, podemos almacenar los datos en s\u00f3lo unos pocos documentos en lugar de un documento por punto de datos.<\/span><\/p>\n
          Por ejemplo, un conjunto de datos de series temporales con 1 mill\u00f3n de puntos de datos puede almacenarse en s\u00f3lo 1.000 documentos, suponiendo que cada ts_datos<\/em> array puede almacenar hasta 1.000 elementos de datos y el tama\u00f1o del documento se mantiene por debajo del l\u00edmite de documentos JSON de Couchbase de 20 MB. Esto no s\u00f3lo reduce el n\u00famero de documentos necesarios para almacenar los datos, sino que tambi\u00e9n conduce a tama\u00f1os de \u00edndice m\u00e1s peque\u00f1os, mejorando el rendimiento de la base de datos y reduciendo los requisitos de espacio en disco.<\/span><\/p>\n
          En resumen, aprovechando la capacidad de Couchbase para almacenar datos de series temporales como matrices dentro de documentos JSON, podemos optimizar nuestra estrategia de indexaci\u00f3n para reducir significativamente el n\u00famero de documentos necesarios y reducir el tama\u00f1o del \u00edndice, lo que resulta en un rendimiento de consulta m\u00e1s r\u00e1pido y un uso m\u00e1s eficiente de los recursos de almacenamiento.<\/span><\/p>\n
          CREAR \u00cdNDICE ix1 EN docs(ticker, ts_end, ts_start);<\/pre>\n
          Conservaci\u00f3n de datos\u00a0<\/span><\/h3>\n
          Los documentos de series temporales se almacenan como documentos JSON est\u00e1ndar en Couchbase. As\u00ed, durante el proceso de carga de datos se puede establecer el mismo Time-To-Live (TTL).<\/span><\/p>\n
          \/* El documento se eliminar\u00e1 autom\u00e1ticamente en 30 d\u00edas *\/\r\n\r\nINSERT INTO coll1 (CLAVE, VALOR)\r\n\r\n   VALUES (\"stock:XYZ:d1\", {\"ticker\": \"XYZ\",..}, {\"expiration\":60*60*24*30});<\/pre>\n
          Ejemplo de recorrido<\/span><\/h2>\n
          As\u00ed que vamos a recorrer el proceso de carga de un conjunto de datos de precios de acciones reales en Couchbase utilizando el modelo de datos de series temporales definido por la funci\u00f3n.<\/span><\/p>\n
          Como he descrito anteriormente, la funci\u00f3n de series temporales de Couchbase requiere el documento JSON en este formato espec\u00edfico:<\/span><\/p>\n
          docid:  \"stock:XYZ:d1\"\r\n{\r\n  \"ts_data\": [ [1672531200000, 92.08, 95.62],[1672531201000, 95.62, 99.25],..]\r\n  \"ts_start\": 1672531200000 \/* dstart y dend denotan el *\/\r\n  \"ts_end\":   1672617599999,\/* intervalo de tiempo de todos los puntos de datos en ts_data *\/\r\n  \"ticker\":   \"XYZ\"\r\n}<\/pre>\n
          Siga los pasos que se indican a continuaci\u00f3n si necesita convertir sus propios datos de series temporales al formato anterior.<\/span><\/p>\n
          El conjunto de datos utilizado aqu\u00ed es para el precio de las acciones de XYZ Inc para 2013-2015.\u00a0<\/span><\/p>\n
          Datos_XYZ.csv<\/b><\/p>\n
          fecha,apertura,m\u00e1ximo,m\u00ednimo,cierre,volumen,Nombre\r\n2013-02-08,27.285,27.595,27.24,27.295,5100734,XYZ\r\n2013-02-11,27.64,27.95,27.365,27.61,8916290,XYZ\r\n2013-02-12,27.45,27.605,27.395,27.545,3866508,XYZ<\/pre>\n
          Migrar datos a la estructura de datos de series temporales de Couchbase<\/span><\/h3>\n
            \n
          1. Cargar el archivo CSV en una colecci\u00f3n Couchbase:<\/span><\/li>\n<\/ol>\n
            cbimport csv --infer-types -c https:\/\/:8091 -u  -p  -d 'file:\/\/XYZ_data.csv' -b 'ts' --scope-collection-exp \"s1.c1\" -g \"#UUID#\"<\/pre>\n
            La importaci\u00f3n crear\u00e1 un documento JSON en la colecci\u00f3n c1<\/em> para cada punto de datos.<\/span><\/p>\n
            {\r\n    \"c1\": {\r\n      \"Nombre\": \"XYZ\",\r\n      \"cerrar\": 55.99,\r\n      \"date\": \"2016-05-25T00:00:00.000Z\",\r\n      \"alto\": 56.69,\r\n      \"bajo\": 55.7699,\r\n      \"abierto\": 56.47,\r\n      \"volumen\": 9921707\r\n    }\r\n  },\r\n  {\r\n    \"c1\": {\r\n      \"Nombre\": \"XYZ\",\r\n      \"cerrar\": 31.075,\r\n      \"date\": \"2013-06-11T00:00:00.000Z\",\r\n      \"alto\": 31.47,\r\n      \"bajo\": 30.985,\r\n      \"abierto\": 31.15,\r\n      \"volumen\": 5540312\r\n    }\r\n  }, ...<\/pre>\n
            2. Utilizar SQL++ para transformar la colecci\u00f3n c1<\/em> en la estructura de datos de series temporales y, a continuaci\u00f3n, insertar en la colecci\u00f3n c3:<\/em><\/span><\/p>\n
            INSERT INTO ts.s1.c3 (CLAVE _k, VALOR _v)\r\nSELECT \"acci\u00f3n:XYZ:2013\" _k,\r\n{\"ticker\": a.Nombre ,\r\n  \"ts_start\" : MIN(STR_TO_MILLIS(a.date)),\r\n  \"ts_end\" : MAX(STR_TO_MILLIS(a.date)),\r\n  \"ts_data\" : ARRAY_AGG([STR_TO_MILLIS(a.date), a.close]) } _v\r\nFROM ts.s1.c1 a\r\nWHERE a.date BETWEEN \"2013-01-01\" Y \"2013-12-31\"\r\nGROUP BY a.Nombre;<\/pre>\n
            El SQL++ realiza una INSERTAR SELECCIONAR<\/em> y crea un \u00fanico documento con la estructura requerida para el procesamiento de series temporales de Couchbase. Tenga en cuenta que el ts_datos<\/em> contiene todos los puntos de datos de precios de cierre diarios de 2013.\u00a0<\/span><\/p>\n
            3. Repita la operaci\u00f3n INSERT\/SELECT para 2014 y 2015.<\/span><\/p>\n
            [\r\n  {\r\n    \"id\": \"stock:XYZ:2013\",\r\n    \"ticker\": \"XYZ\",\r\n    \"ts_start\": 1387497600000,\r\n    \"ts_end\": 1365465600000,\r\n    \"ts_data\": [\r\n      [ 1387497600000, 38.67 ],\r\n      [ 1380585600000, 36.21 ],\r\n      ...]\r\n\r\n  },\r\n  {\r\n    \"id\": \"stock:XYZ:2014\",\r\n    \"ticker\": \"XYZ\",\r\n    \"ts_start\": 1413331200000,\r\n    \"ts_end\": 1402444800000,\r\n    \"ts_data\": [\r\n      [ 1413331200000, 42.59 ],\r\n      [ 1399507200000, 36.525],\r\n      ...]\r\n  },\r\n  {\r\n    \"id\": \"stock:XYZ:2015\",\r\n    \"ticker\": \"XYZ\",\r\n    \"ts_start\": 1444780800000,\r\n    \"ts_end\": 1436313600000,\r\n    \"ts_data\": [\r\n      [ 1444780800000, 62.92 ],\r\n      [ 1421280000000, 46.405],\r\n      ...]\r\n\r\n  }\r\n]<\/pre>\n
            Estrategias de ingesti\u00f3n de datos<\/span><\/h3>\n
            Hay varios escenarios que puede tener para la carga incremental de sus documentos JSON de Series Temporales.<\/span><\/p>\n
              \n
            1. \n
                \n
              1. A\u00f1adir un rango de puntos de datos como un nuevo documento JSON - Para este escenario se puede utilizar el anterior SQL++ INSERT. S\u00f3lo tiene que asegurarse de que los rangos de puntos de datos no se superpongan a los documentos existentes.<\/span><\/li>\n
              2. A\u00f1adir un rango de puntos de datos a <\/span>un documento JSON existente<\/b> - Aqu\u00ed tienes dos opciones:<\/span>\n