优化 Amazon Timestream 中的数据访问

假设你有一个存储天气数据的 Timestream 数据库。假设位于美国不同州的气象站每小时记录一次温度。想象一下，您选择State作为客户定义的分区密钥 (CDPK) 来按状态对数据进行分区。

假设您执行查询以检索特定日期下午 2 点至下午 4 点之间加利福尼亚所有气象站的平均温度。以下示例显示了针对此场景的查询。

SELECT AVG(temperature) 
FROM "weather_data"."hourly_weather"
WHERE time >= '2024-10-01 14:00:00' AND time < '2024-10-01 16:00:00' 
  AND state = 'CA';

使用查询见解功能，您可以分析查询的空间覆盖范围。假设该QuerySpatialCoverage指标返回的值为 0.02。这意味着查询仅扫描了空间轴的 2%，这很高效。在本例中，该查询能够有效地修剪空间范围，只从加利福尼亚州检索数据，而忽略来自其他州的数据。

相反，如果QuerySpatialCoverage指标返回的值为 0.8，则表示查询扫描了 80% 的空间轴，效率较低。这可能表明，需要完善分区策略以改善空间修剪。例如，您可以将分区键选择为城市或区域，而不是州。通过分析QuerySpatialCoverage指标，您可以发现优化分区策略和提高查询性能的机会。

假设你有一个 Timestream 数据库，用于存储物联网传感器数据，每分钟从位于制造工厂的设备上进行一次测量。假设您已将数据分区为。device_ID

假设您执行查询以检索过去 30 分钟内特定设备的平均传感器读数。以下示例显示了针对此场景的查询。

SELECT AVG(sensor_reading) 
FROM "sensor_data"."factory_1"
WHERE device_id = 'DEV_123' 
  AND time >= NOW() - INTERVAL 30 MINUTE and time < NOW();

使用查询见解功能，您可以分析查询所扫描的时间范围。想象一下，该QueryTemporalCoverage指标返回的值为 1800000000000 纳秒（30 分钟）。这意味着该查询仅扫描最近 30 分钟的数据，这是一个相对狭窄的时间范围。这是一个好兆头，因为它表明查询能够有效地修剪时间分区，并且只检索了请求的数据。

相反，如果该QueryTemporalCoverage指标返回的值为 1 年（以纳秒为单位），则表示查询扫描了表中一年的时间范围，这会降低效率。这可能表明该查询未针对时间修剪进行优化，您可以通过添加时间过滤器来对其进行改进。