Hier ist eine Frage: Was tun selbstfahrende Teslas, selbstlenkende Money Road, die Berechnungen austauschen, eifrige Häuser, Transportvorkehrungen, die extrem schnelle Beförderungen am selben Tag befriedigen, und eine offene Information, die NYPD-Anteile für alle Absichten und Zwecke verteilt?

Zum einen sind sie Zeichen dafür, dass sich unsere Realität in Windeseile verändert, weil wir immer mehr Informationen immer schneller und schneller als bisher erfassen und prüfen können.

Auf jeden Fall werden Sie, wenn Sie genau hinsehen, feststellen, dass jeder dieser Anträge eine außergewöhnliche Art von Informationen erfordert:

Selbstfahrende Fahrzeuge sammeln beharrlich Informationen darüber, wie sich der Zustand ihrer Nachbarschaft um sie herum verändert.

Der selbstbestimmte Austausch von Berechnungen sammelt unaufhörlich Informationen darüber, wie sich die Wirtschaftssektoren entwickeln.

Unsere scharfsinnigen Homescreens filmen, was in ihnen passiert, um die Temperatur zu kontrollieren, Eindringlinge zu unterscheiden und auf unseren Weckruf zu reagieren (“Alexa, spiel etwas auflockernde Musik”).

Unsere Einzelhandelsbranche schaut, wie sich ihre Vorteile mit einer solchen Genauigkeit und Produktivität bewegen, dass eine bescheidene Beförderung am selben Tag eine Extravaganz ist, die viele von uns unterschätzen.

Das NYPD verfolgt seine Fahrzeuge, damit wir sie zunehmend als verantwortlich betrachten können (z.B. für die Untersuchung der Reaktionszeiten von 911).

Diese Anwendungen hängen von einer Art von Informationen ab, die abschätzen, wie sich die Dinge nach einiger Zeit ändern. Dabei ist Zeit nicht nur ein Maß, sondern ein wesentlicher Dreh- und Angelpunkt. Es handelt sich dabei um Zeit-Arrangement-Informationen, und sie beginnen, in unserer Realität eine größere Rolle zu spielen.

Programmierer verwenden ab sofort Designs, die dies widerspiegeln. Um der Wahrheit die Ehre zu geben, sind Zeitordnungsdatenbanken (TSDBs) im Laufe der letzten Monate durchweg die sich am schnellsten entwickelnde Klassifizierung von Datenbanken geblieben:

Was sind Zeit-Arrangement-Daten?

Einige betrachten “Zeitanordnungsdaten” als eine Gruppierung von Informationsschwerpunkten, die nach einiger Zeit etwas sehr Ähnliches schätzen, das in der Zeitanfrage beiseite gelegt wird. Das ist gültig, aber es fängt gerade erst an, das, was darunter liegt, freizulegen.

Andere denken vielleicht über eine Abfolge von numerischen Qualitäten nach, die jeweils mit einem Zeitstempel versehen sind und durch einen Namen und viele benannte Messungen (oder “Labels”) gekennzeichnet sind. Dies ist vielleicht ein Ansatz zur Darstellung von Zeitanordnungsinformationen, jedoch nicht die Bedeutung der Informationen selbst.

Hier ist eine grundlegende Abgrenzung. Vorstellungssensoren sammeln Informationen aus drei Bereichen: einer Stadt, einer Ranch und einem Werk. In diesem Modell sendet jede dieser Quellen intermittierend neue Messwerte und macht nach einiger Zeit eine Reihe von Schätzungen, die gesammelt werden.

Hier ist ein weiteres Modell, mit echten Informationen der Stadt New York, das Taxifahrten für die ersten Augenblicke des Jahres 2018 demonstriert. Wie offensichtlich sein sollte, ist jede Zeile eine “Schätzung”, die zu einem bestimmten Zeitpunkt gesammelt wurde:

Es gibt zahlreiche verschiedene Arten von Informationen zur Zeiteinteilung. Um einige Beispiele zu nennen: DevOps beobachtende Informationen, vielseitige/webtechnische Gelegenheitsströme, moderne Maschineninformationen, logische Schätzungen.

Diese Datensätze haben im Grunde genommen für alle Absichten und Zwecke 3 Dinge gemeinsam:

Die Informationen, die auftauchen, werden ziemlich oft als ein weiterer Abschnitt

Die Informationen landen regelmäßig rechtzeitig Anfrage

Zeit ist ein wesentlicher Dreh- und Angelpunkt (Zeitabschnitte können entweder gewöhnlich oder unvorhersehbar sein)

Am Ende des Tages sind die Restlasten der Zeiteinteilungsinformationen größtenteils “sozusagen beigefügt”. Es kann zwar sein, dass sie zu einem späteren Zeitpunkt fehlerhafte Informationen korrigieren oder aufgeschobene oder nicht angeforderte Informationen bearbeiten müssen, aber dies sind Sonderfälle, nicht der Standard.

Sie fragen sich vielleicht: Inwiefern ist dies einzigartig in Bezug auf die einfache Verwendung eines Periodenfeldes in einem Datensatz? Alles in allem hängt es davon ab: Wie verfolgt Ihr Datensatz Veränderungen? Durch Auffrischen der vorliegenden Passage oder durch Einbetten einer anderen Passage?

Wenn Sie eine weitere Lektüre für sensor_x zusammenstellen, überschreiben Sie dann Ihre bisherige Lektüre, oder machen Sie eine neue Lektüre in einer anderen Spalte aus der Schachtel? Während beide Strategien Ihnen den gegenwärtigen Zustand des Rahmens geben, haben Sie allein durch die Zusammenstellung der neuen Durchsicht in einer anderen Spalte die Möglichkeit, nach einiger Zeit allen Bedingungen des Rahmens zu folgen.

Grundsätzlich gilt: Zeitreihen-Datensätze verfolgen Änderungen am allgemeinen Rahmen als Supplements, nicht als UPDATEs.

Dieser Akt, jede einzelne Änderung des Rahmens als eine weitere, unverwechselbare Linie aufzuzeichnen, ist das, was die Informationen zur Zeiteinteilung so unglaublich macht. Sie ermöglicht es uns, Veränderungen zu messen: Wir können aufschlüsseln, wie sich etwas zuvor verändert hat, wir können sehen, wie sich etwas in der Gegenwart verändert, und wir können vorhersehen, wie es sich später verändern könnte.

Um es einfach auszudrücken, hier ist die Art und Weise, wie ich Informationen über die Zeiteinteilung charakterisiere: Informationen, die in ihrer Gesamtheit darüber Auskunft geben, wie sich ein Rahmenwerk/ein Prozess/ein Verhalten nach einiger Zeit verändert.

Dies ist etwas anderes als eine wissenschaftliche Qualifikation. Wenn wir unsere Definition auf “transformieren” stützen, können wir damit beginnen, Datensätze zur Zeiteinteilung zu unterscheiden, die wir heute noch nicht sammeln, die wir aber trotzdem sammeln sollten. Um die Wahrheit zu sagen: Häufig verfügen Einzelpersonen über Zeitanordnungsdaten, verstehen sie aber nicht.

Stellen Sie sich vor, Sie halten eine Webanwendung am Laufen. Jedes Mal, wenn ein Kunde sich anmeldet, können Sie einfach einen “last_login”-Zeitstempel für diesen Kunden in einem einzelnen Push in Ihrer “Kunden”-Tabelle aktualisieren. Wie dem auch sei, stellen Sie sich ein Szenario vor, in dem Sie jede Anmeldung als eine andere Gelegenheit behandeln und sie nach einiger Zeit sammeln. Zu diesem Zeitpunkt könnten Sie: authentische Login-Bewegungen verfolgen, wahrnehmen, wie sich die Benutzung nach einiger Zeit (ein-/aus-)falten lässt, Kunden danach beurteilen, wie oft sie zur Anwendung gelangen, und das ist nur die Spitze des Eisbergs.

Dieses Modell stellt einen Kernpunkt dar: Indem wir die charakteristische zeitliche Anordnung unserer Informationen sicherstellen, können wir wichtige Daten darüber schützen, wie sich diese Informationen nach einiger Zeit verändern. Ein weiterer Punkt: Gelegenheitsinformationen sind ebenfalls Zeitanordnungsinformationen.

Es liegt auf der Hand, dass das Weglegen von Informationen zu diesem Ziel mit einem unbestreitbaren Problem einhergeht: Man erhält am Ende eine Unmenge an Informationen, und zwar ziemlich schnell. Mit dem Ziel, das ist der Trick: die Informationen zur Zeiteinteilung häufen sich schnell an.

Eine große Menge an Informationen macht Probleme, wenn man sie sowohl chronologisch erfasst als auch performant hinterfragt, was der Grund dafür ist, dass Einzelpersonen derzeit zu Zeitordnungsdatenbanken gehen.