کرونس پوری دنیا میں بریوری، مشروبات کے بوتل بنانے والے، اور کھانے پینے کی اشیاء فراہم کرنے والوں کو انفرادی مشینیں اور مکمل پروڈکشن لائنز فراہم کرتا ہے۔ ہر روز، لاکھوں شیشے کی بوتلیں، کین، اور پی ای ٹی کنٹینرز کرون لائن سے گزرتے ہیں۔ پروڈکشن لائنز پیچیدہ نظام ہیں جن میں بہت ساری ممکنہ خرابیاں ہیں جو لائن کو روک سکتی ہیں اور پیداوار کی پیداوار کو کم کر سکتی ہیں۔ Krones جلد از جلد ناکامی کا پتہ لگانا چاہتا ہے (بعض اوقات اس سے پہلے بھی) اور پروڈکشن لائن آپریٹرز کو قابل اعتماد اور آؤٹ پٹ بڑھانے کے لیے مطلع کرنا چاہتا ہے۔ تو ناکامی کا پتہ کیسے لگائیں؟ Krones ڈیٹا اکٹھا کرنے کے لیے اپنی لائنوں کو سینسر سے لیس کرتا ہے، جس کا پھر قواعد کے خلاف جائزہ لیا جا سکتا ہے۔ کرونز، لائن مینوفیکچرر کے ساتھ ساتھ لائن آپریٹر کے پاس مشینوں کے لیے نگرانی کے اصول بنانے کا امکان ہے۔ لہذا، مشروبات کی بوتلیں بنانے والے اور دوسرے آپریٹرز لائن کے لیے اپنی غلطی کے مارجن کی وضاحت کر سکتے ہیں۔ ماضی میں، کرونس نے ٹائم سیریز ڈیٹا بیس پر مبنی ایک سسٹم استعمال کیا۔ اہم چیلنجز یہ تھے کہ اس سسٹم کو ڈیبگ کرنا مشکل تھا اور سوالات بھی مشینوں کی موجودہ حالت کی نمائندگی کرتے تھے لیکن ریاست کی منتقلی کی نہیں۔

اس پوسٹ سے پتہ چلتا ہے کہ کس طرح کرونز نے اپنی لائنوں کی نگرانی کے لیے ایک اسٹریمنگ حل بنایا، جس کی بنیاد پر ایمیزون کنیسیس اور Apache Flink کے لیے Amazon کے زیر انتظام سروس. یہ مکمل طور پر منظم خدمات اپاچی فلنک کے ساتھ اسٹریمنگ ایپلی کیشنز بنانے کی پیچیدگی کو کم کرتی ہیں۔ Apache Flink کے لیے مینیجڈ سروس بنیادی Apache Flink اجزاء کا انتظام کرتی ہے جو پائیدار ایپلیکیشن اسٹیٹس، میٹرکس، لاگز، اور بہت کچھ فراہم کرتے ہیں، اور Kinesis آپ کو کسی بھی پیمانے پر اسٹریمنگ ڈیٹا کو لاگت سے مؤثر طریقے سے پروسیس کرنے کے قابل بناتا ہے۔ اگر آپ اپنی اپاچی فلنک ایپلیکیشن کے ساتھ شروعات کرنا چاہتے ہیں تو دیکھیں GitHub ذخیرہ فلنک کے Java، Python، یا SQL APIs استعمال کرنے والے نمونوں کے لیے۔

حل کا جائزہ

کرونز کی لائن مانیٹرنگ اس کا حصہ ہے۔ کرونس شاپ فلور گائیڈنس نظام یہ کمپنی میں تمام سرگرمیوں کی تنظیم، ترجیح، انتظام اور دستاویزات میں مدد فراہم کرتا ہے۔ یہ انہیں آپریٹر کو مطلع کرنے کی اجازت دیتا ہے اگر مشین بند ہو یا مواد کی ضرورت ہو، قطع نظر اس سے کہ آپریٹر لائن میں کہاں ہے۔ ثابت کنڈیشن مانیٹرنگ رولز پہلے سے ہی بلٹ ان ہیں لیکن یوزر انٹرفیس کے ذریعے صارف کی تعریف بھی کی جا سکتی ہے۔ مثال کے طور پر، اگر ایک مخصوص ڈیٹا پوائنٹ جس کی نگرانی کی جاتی ہے ایک حد کی خلاف ورزی کرتا ہے، تو لائن پر ایک ٹیکسٹ میسج یا مینٹیننس آرڈر کے لیے ٹرگر ہو سکتا ہے۔

حالت کی نگرانی اور اصول کی تشخیص کا نظام AWS پر بنایا گیا ہے، AWS تجزیاتی خدمات کا استعمال کرتے ہوئے۔ مندرجہ ذیل خاکہ فن تعمیر کو واضح کرتا ہے۔

تقریباً ہر ڈیٹا سٹریمنگ ایپلیکیشن پانچ پرتوں پر مشتمل ہوتی ہے: ڈیٹا سورس، سٹریم ادخال، سٹریم اسٹوریج، سٹریم پروسیسنگ، اور ایک یا زیادہ منازل۔ مندرجہ ذیل حصوں میں، ہم ہر پرت میں گہرائی میں غوطہ لگاتے ہیں اور یہ کہ کرونز کے ذریعے بنایا گیا لائن مانیٹرنگ سلوشن تفصیل سے کیسے کام کرتا ہے۔

ڈیٹا کا ذریعہ

ڈیٹا ایک ایج ڈیوائس پر چلنے والی سروس کے ذریعے جمع کیا جاتا ہے جس میں کئی پروٹوکولز جیسے Siemens S7 یا OPC/UA پڑھتے ہیں۔ ایک متحد JSON ڈھانچہ بنانے کے لیے خام ڈیٹا کو پہلے سے پروسیس کیا جاتا ہے، جو رول انجن میں بعد میں اس پر کارروائی کرنا آسان بناتا ہے۔ JSON میں تبدیل کردہ ایک نمونہ پے لوڈ درج ذیل کی طرح نظر آ سکتا ہے:

{
  "version": 1,
  "timestamp": 1234,
  "equipmentId": "84068f2f-3f39-4b9c-a995-d2a84d878689",
  "tag": "water_temperature",
  "value": 13.45,
  "quality": "Ok",
  "meta": {      
    "sequenceNumber": 123,
    "flags": ["Fst", "Lst", "Wmk", "Syn", "Ats"],
    "createdAt": 12345690,
    "sourceId": "filling_machine"
  }
}

سٹریم ادخال

AWS IoT گرین گراس ایک اوپن سورس انٹرنیٹ آف تھنگز (IoT) ایج رن ٹائم اور کلاؤڈ سروس ہے۔ یہ آپ کو ڈیٹا پر مقامی طور پر عمل کرنے اور ڈیوائس ڈیٹا کو مجموعی اور فلٹر کرنے کی اجازت دیتا ہے۔ AWS IoT گرین گراس پہلے سے تعمیر شدہ اجزاء فراہم کرتا ہے جو کنارے پر تعینات کیے جا سکتے ہیں۔ پروڈکشن لائن حل سٹریم مینیجر کے جزو کا استعمال کرتا ہے، جو ڈیٹا پر کارروائی کر سکتا ہے اور اسے AWS منزلوں پر منتقل کر سکتا ہے جیسے AWS IoT تجزیات, ایمیزون سادہ اسٹوریج سروس (ایمیزون S3)، اور Kinesis۔ سٹریم مینیجر ریکارڈ کو بفر کرتا ہے اور جمع کرتا ہے، پھر اسے Kinesis ڈیٹا سٹریم میں بھیجتا ہے۔

اسٹریم اسٹوریج

سٹریم سٹوریج کا کام پیغامات کو غلطی سے برداشت کرنے والے طریقے سے بفر کرنا اور اسے ایک یا زیادہ صارفین کی ایپلی کیشنز کے لیے استعمال کے لیے دستیاب کرنا ہے۔ AWS پر اسے حاصل کرنے کے لیے، سب سے عام ٹیکنالوجیز Kinesis اور ہیں۔ ایمیزون نے اپاچی کافکا کے لیے سٹریمنگ کا انتظام کیا۔ (ایمیزون ایم ایس کے)۔ پروڈکشن لائنوں سے ہمارے سینسر ڈیٹا کو اسٹور کرنے کے لیے، Krones Kinesis کا انتخاب کرتے ہیں۔ Kinesis ایک سرور لیس سٹریمنگ ڈیٹا سروس ہے جو کم تاخیر کے ساتھ کسی بھی پیمانے پر کام کرتی ہے۔ Kinesis ڈیٹا سٹریم کے اندر موجود شارڈز ڈیٹا ریکارڈز کا منفرد طور پر شناخت شدہ ترتیب ہیں، جہاں ایک سٹریم ایک یا زیادہ شارڈز پر مشتمل ہوتا ہے۔ ہر شارڈ میں 2 MB/s پڑھنے کی گنجائش اور 1 MB/s لکھنے کی گنجائش ہوتی ہے (زیادہ سے زیادہ 1,000 ریکارڈ/s کے ساتھ)۔ ان حدود کو مارنے سے بچنے کے لیے، ڈیٹا کو شارڈز میں جتنا ممکن ہو یکساں طور پر تقسیم کیا جانا چاہیے۔ ہر ریکارڈ جو کائنسس کو بھیجا جاتا ہے ایک پارٹیشن کلید ہوتی ہے، جو ڈیٹا کو شارڈ میں گروپ کرنے کے لیے استعمال ہوتی ہے۔ لہذا، آپ لوڈ کو یکساں طور پر تقسیم کرنے کے لیے بڑی تعداد میں پارٹیشن کیز حاصل کرنا چاہتے ہیں۔ AWS IoT Greengrass پر چلنے والا سٹریم مینیجر بے ترتیب تقسیم کلیدی اسائنمنٹس کو سپورٹ کرتا ہے، جس کا مطلب ہے کہ تمام ریکارڈز بے ترتیب شارڈ میں ختم ہوتے ہیں اور بوجھ کو یکساں طور پر تقسیم کیا جاتا ہے۔ رینڈم پارٹیشن کلیدی اسائنمنٹس کا ایک نقصان یہ ہے کہ ریکارڈز کائنیسس میں ترتیب سے محفوظ نہیں ہوتے ہیں۔ ہم اگلے حصے میں اس کو حل کرنے کا طریقہ بتاتے ہیں، جہاں ہم واٹر مارکس کے بارے میں بات کرتے ہیں۔

واٹر مارکس

A آبی نشان ایک ایسا طریقہ کار ہے جو ڈیٹا سٹریم میں ایونٹ کے وقت کی پیشرفت کو ٹریک کرنے اور اس کی پیمائش کرنے کے لیے استعمال ہوتا ہے۔ ایونٹ کا وقت وہ ٹائم اسٹیمپ ہے جب سے ایونٹ کو ماخذ پر بنایا گیا تھا۔ واٹر مارک سٹریم پروسیسنگ ایپلیکیشن کی بروقت پیشرفت کی نشاندہی کرتا ہے، اس لیے پہلے یا مساوی ٹائم اسٹیمپ والے تمام ایونٹس کو پروسیس شدہ سمجھا جاتا ہے۔ یہ معلومات Flink کے لیے ایونٹ کے وقت کو آگے بڑھانے اور متعلقہ حسابات کو متحرک کرنے کے لیے ضروری ہے، جیسے ونڈو کی تشخیص۔ ایونٹ کے وقت اور واٹر مارک کے درمیان اجازت شدہ وقفہ کو اس بات کا تعین کرنے کے لیے کنفیگر کیا جا سکتا ہے کہ ونڈو کو مکمل کرنے اور واٹر مارک کو آگے بڑھانے پر غور کرنے سے پہلے دیر سے ڈیٹا کا کتنا انتظار کرنا ہے۔

Krones کے پاس پوری دنیا میں سسٹم موجود ہیں، اور کنکشن کے نقصانات یا نیٹ ورک کی دیگر رکاوٹوں کی وجہ سے دیر سے آنے والوں کو سنبھالنے کی ضرورت ہے۔ انہوں نے تاخیر سے آمد کی نگرانی کرکے اور پہلے سے طے شدہ Flink لیٹ ہینڈلنگ کو اس میٹرک میں زیادہ سے زیادہ قیمت پر سیٹ کرکے شروعات کی۔ انہوں نے ایج ڈیوائسز سے ٹائم سنکرونائزیشن کے مسائل کا سامنا کیا، جو انہیں واٹر مارکنگ کے زیادہ نفیس طریقے کی طرف لے جاتا ہے۔ انہوں نے تمام بھیجنے والوں کے لیے ایک عالمی واٹر مارک بنایا اور واٹر مارک کے طور پر سب سے کم قیمت کا استعمال کیا۔ ٹائم اسٹیمپس آنے والے تمام واقعات کے لیے HashMap میں محفوظ کیے جاتے ہیں۔ جب واٹر مارکس وقفے وقفے سے خارج ہوتے ہیں، تو اس HashMap کی سب سے چھوٹی قدر استعمال ہوتی ہے۔ لاپتہ ڈیٹا کی وجہ سے واٹر مارکس کو روکنے سے بچنے کے لیے، انہوں نے ایک ترتیب دیا۔ idleTimeOut پیرامیٹر، جو ٹائم اسٹیمپ کو نظر انداز کرتا ہے جو ایک مخصوص حد سے زیادہ پرانے ہوتے ہیں۔ یہ تاخیر کو بڑھاتا ہے لیکن مضبوط ڈیٹا مستقل مزاجی دیتا ہے۔

public class BucketWatermarkGenerator implements WatermarkGenerator<DataPointEvent> {
private HashMap <String, WatermarkAndTimestamp> lastTimestamps;
private Long idleTimeOut;
private long maxOutOfOrderness;
}

اسٹریم پروسیسنگ

سینسرز سے ڈیٹا اکٹھا کرنے اور Kinesis میں داخل ہونے کے بعد، اسے ایک اصول انجن کے ذریعے جانچنے کی ضرورت ہے۔ اس نظام میں ایک اصول واحد میٹرک کی حالت (جیسے درجہ حرارت) یا میٹرکس کے مجموعہ کی نمائندگی کرتا ہے۔ میٹرک کی تشریح کرنے کے لیے، ایک سے زیادہ ڈیٹا پوائنٹ استعمال کیے جاتے ہیں، جو کہ ایک اسٹیٹفول کیلکولیشن ہے۔ اس سیکشن میں، ہم اپاچی فلنک میں کلیدی حالت اور براڈکاسٹ حالت میں گہرائی میں غوطہ لگاتے ہیں اور یہ کہ کرون رول انجن بنانے کے لیے ان کا استعمال کیسے کیا جاتا ہے۔

کنٹرول اسٹریم اور براڈکاسٹ اسٹیٹ پیٹرن

اپاچی فلنک میں، تھے وقت اور آپریشنز کے دوران معلومات کو مستقل طور پر ذخیرہ کرنے اور ان کا نظم کرنے کے نظام کی صلاحیت سے مراد ہے، اسٹیٹفول کمپیوٹیشنز کے لیے معاونت کے ساتھ سٹریمنگ ڈیٹا کی پروسیسنگ کو قابل بناتا ہے۔

۔ براڈکاسٹ اسٹیٹ پیٹرن آپریٹر کی تمام متوازی مثالوں میں ریاست کی تقسیم کی اجازت دیتا ہے۔ لہذا، تمام آپریٹرز کی ایک ہی حالت ہے اور اسی حالت کا استعمال کرتے ہوئے ڈیٹا پر کارروائی کی جا سکتی ہے۔ یہ صرف پڑھنے والا ڈیٹا کنٹرول سٹریم کا استعمال کر کے ہضم کیا جا سکتا ہے۔ کنٹرول سٹریم ایک باقاعدہ ڈیٹا سٹریم ہے، لیکن عام طور پر بہت کم ڈیٹا ریٹ کے ساتھ۔ یہ پیٹرن آپ کو تمام آپریٹرز پر ریاست کو متحرک طور پر اپ ڈیٹ کرنے کی اجازت دیتا ہے، جس سے صارف کو دوبارہ تعیناتی کی ضرورت کے بغیر ایپلیکیشن کی حالت اور رویے کو تبدیل کرنے کے قابل بناتا ہے۔ زیادہ واضح طور پر، ریاست کی تقسیم ایک کنٹرول سٹریم کے استعمال کی طرف سے کیا جاتا ہے. کنٹرول سٹریم میں ایک نیا ریکارڈ شامل کرنے سے، تمام آپریٹرز یہ اپ ڈیٹ حاصل کرتے ہیں اور نئے پیغامات کی کارروائی کے لیے نئی حالت کا استعمال کر رہے ہیں۔

یہ Krones ایپلی کیشن کے صارفین کو Flink ایپلی کیشن کو دوبارہ شروع کیے بغیر نئے قواعد داخل کرنے کی اجازت دیتا ہے۔ یہ ڈاؤن ٹائم سے بچتا ہے اور حقیقی وقت میں تبدیلیاں ہونے پر صارف کو ایک بہترین تجربہ فراہم کرتا ہے۔ عمل کے انحراف کا پتہ لگانے کے لیے ایک اصول ایک منظر نامے کا احاطہ کرتا ہے۔ بعض اوقات، مشین کے ڈیٹا کی تشریح کرنا اتنا آسان نہیں ہوتا جتنا کہ پہلی نظر میں نظر آتا ہے۔ اگر درجہ حرارت کا سینسر اعلی قدریں بھیج رہا ہے، تو یہ غلطی کی نشاندہی کر سکتا ہے، لیکن یہ دیکھ بھال کے جاری طریقہ کار کا اثر بھی ہو سکتا ہے۔ میٹرکس کو سیاق و سباق میں رکھنا اور کچھ اقدار کو فلٹر کرنا ضروری ہے۔ یہ ایک تصور کے ذریعہ حاصل کیا جاتا ہے جسے کہا جاتا ہے۔ گروپ.

میٹرکس کی گروپ بندی

ڈیٹا اور میٹرکس کی گروپ بندی آپ کو آنے والے ڈیٹا کی مطابقت کی وضاحت کرنے اور درست نتائج پیدا کرنے کی اجازت دیتی ہے۔ آئیے مندرجہ ذیل تصویر میں مثال کے ذریعے چلتے ہیں.

مرحلہ 1 میں، ہم دو کنڈیشن گروپس کی وضاحت کرتے ہیں۔ گروپ 1 مشین کی حالت کو جمع کرتا ہے اور کون سا پروڈکٹ لائن سے گزر رہا ہے۔ گروپ 2 درجہ حرارت اور پریشر سینسر کی قدر کا استعمال کرتا ہے۔ ایک کنڈیشن گروپ کی مختلف حالتیں ہو سکتی ہیں اس پر منحصر ہے کہ اسے موصول ہونے والی اقدار۔ اس مثال میں، گروپ 1 کو ڈیٹا ملتا ہے کہ مشین چل رہی ہے، اور ایک لیٹر کی بوتل کو پروڈکٹ کے طور پر منتخب کیا جاتا ہے۔ یہ اس گروپ کو ریاست دیتا ہے۔ ACTIVE. گروپ 2 میں درجہ حرارت اور دباؤ کی پیمائش ہے۔ دونوں میٹرکس 5 منٹ سے زیادہ کے لیے اپنی حد سے اوپر ہیں۔ اس کے نتیجے میں گروپ 2 اے میں ہے۔ WARNING حالت. اس کا مطلب ہے کہ گروپ 1 رپورٹ کرتا ہے کہ سب کچھ ٹھیک ہے اور گروپ 2 ایسا نہیں کرتا ہے۔ مرحلہ 2 میں، وزن گروپوں میں شامل کیے جاتے ہیں۔ کچھ حالات میں اس کی ضرورت ہے، کیونکہ گروپ متضاد معلومات کی اطلاع دے سکتے ہیں۔ اس منظر نامے میں، گروپ 1 رپورٹ کرتا ہے۔ ACTIVE اور گروپ 2 رپورٹس WARNING، لہذا یہ سسٹم کے لیے واضح نہیں ہے کہ لائن کی حالت کیا ہے۔ وزن شامل کرنے کے بعد، ریاستوں کی درجہ بندی کی جا سکتی ہے، جیسا کہ مرحلہ 3 میں دکھایا گیا ہے۔ آخر میں، سب سے زیادہ درجہ بندی والی ریاست کو جیتنے والی ریاست کے طور پر چنا جاتا ہے، جیسا کہ مرحلہ 4 میں دکھایا گیا ہے۔

قواعد کا جائزہ لینے اور مشین کی حتمی حالت کی وضاحت کے بعد، نتائج پر مزید کارروائی کی جائے گی۔ کی گئی کارروائی کا انحصار اصول کی ترتیب پر ہے۔ یہ لائن آپریٹر کو مواد کو دوبارہ ذخیرہ کرنے، کچھ دیکھ بھال کرنے، یا ڈیش بورڈ پر صرف ایک بصری اپ ڈیٹ کرنے کی اطلاع ہو سکتی ہے۔ نظام کا یہ حصہ، جو میٹرکس اور قواعد کا جائزہ لیتا ہے اور نتائج کی بنیاد پر اقدامات کرتا ہے، اسے کہا جاتا ہے۔ قاعدہ انجن.

اصول کے انجن کو پیمانہ کرنا

صارفین کو اپنے اصول خود بنانے کی اجازت دے کر، رول انجن کے پاس بہت زیادہ قواعد ہو سکتے ہیں جن کا اسے جائزہ لینے کی ضرورت ہے، اور کچھ اصول دوسرے اصولوں کی طرح سینسر ڈیٹا کا استعمال کر سکتے ہیں۔ فلنک ایک تقسیم شدہ نظام ہے جو افقی طور پر بہت اچھی طرح سے ترازو کرتا ہے۔ ڈیٹا سٹریم کو کئی کاموں میں تقسیم کرنے کے لیے، آپ استعمال کر سکتے ہیں۔ keyBy() طریقہ یہ آپ کو ڈیٹا اسٹریم کو منطقی انداز میں تقسیم کرنے اور ڈیٹا کے کچھ حصے مختلف ٹاسک مینیجرز کو بھیجنے کی اجازت دیتا ہے۔ یہ اکثر ایک صوابدیدی کلید کو منتخب کرکے کیا جاتا ہے تاکہ آپ کو یکساں طور پر تقسیم شدہ بوجھ حاصل ہو۔ اس صورت میں، Krones نے ایک شامل کیا ruleId ڈیٹا پوائنٹ پر اور اسے کلید کے طور پر استعمال کیا۔ بصورت دیگر، ڈیٹا پوائنٹس جن کی ضرورت ہوتی ہے دوسرے کام کے ذریعے کارروائی کی جاتی ہے۔ کلیدی ڈیٹا سٹریم کو باقاعدہ متغیر کی طرح تمام اصولوں میں استعمال کیا جا سکتا ہے۔

مقامات

جب کوئی قاعدہ اپنی حالت بدلتا ہے، تو معلومات ایک Kinesis سٹریم کو بھیجی جاتی ہے اور پھر اس کے ذریعے ایمیزون ایونٹ برج صارفین کو. صارفین میں سے ایک واقعہ سے ایک اطلاع تیار کرتا ہے جو پروڈکشن لائن میں منتقل ہوتا ہے اور عملے کو کارروائی کرنے کے لیے متنبہ کرتا ہے۔ قاعدہ کی حالت میں ہونے والی تبدیلیوں کا تجزیہ کرنے کے لیے، ایک اور سروس ڈیٹا کو لکھتی ہے۔ ایمیزون ڈائنومو ڈی بی تیز رسائی کے لیے ٹیبل اور مزید رپورٹنگ کے لیے طویل مدتی تاریخ Amazon S3 پر آف لوڈ کرنے کے لیے TTL موجود ہے۔

نتیجہ

اس پوسٹ میں، ہم نے آپ کو دکھایا کہ کس طرح کرونز نے AWS پر ریئل ٹائم پروڈکشن لائن مانیٹرنگ سسٹم بنایا۔ Apache Flink کے لیے منظم سروس نے Krones ٹیم کو انفراسٹرکچر کی بجائے ایپلیکیشن ڈویلپمنٹ پر توجہ دے کر تیزی سے شروع کرنے کی اجازت دی۔ Flink کی حقیقی وقت کی صلاحیتوں نے Krones کو مشین کے ڈاؤن ٹائم کو 10% تک کم کرنے اور کارکردگی کو 5% تک بڑھانے کے قابل بنایا۔

اگر آپ اپنی اسٹریمنگ ایپلی کیشنز خود بنانا چاہتے ہیں تو، پر دستیاب نمونے دیکھیں GitHub ذخیرہ. اگر آپ اپنی فلنک ایپلیکیشن کو کسٹم کنیکٹرز کے ساتھ بڑھانا چاہتے ہیں تو دیکھیں اپاچی فلنک کے ساتھ کنیکٹرز کی تعمیر کو آسان بنانا: Async سنک کا تعارف. Async سنک Apache Flink ورژن 1.15.1 اور بعد میں دستیاب ہے۔

مصنفین کے بارے میں

فلورین مائر AWS میں ایک سینئر سولیوشن آرکیٹیکٹ اور ڈیٹا سٹریمنگ ماہر ہے۔ وہ ایک ٹیکنولوجسٹ ہے جو AWS کلاؤڈ سروسز کا استعمال کرتے ہوئے کاروباری چیلنجوں کو حل کرکے یورپ میں صارفین کو کامیابی اور اختراع کرنے میں مدد کرتا ہے۔ سولیوشن آرکیٹیکٹ کے طور پر کام کرنے کے علاوہ، فلورین ایک پرجوش کوہ پیما ہے، اور اس نے پورے یورپ کے کچھ بلند ترین پہاڑوں کو سر کیا ہے۔

ایمل ڈیٹل اپاچی فلنک اور مائیکرو سروسز میں کلیدی فیلڈ کے ساتھ ڈیٹا انجینئرنگ میں مہارت رکھنے والے کرونز میں ایک سینئر ٹیک لیڈ ہیں۔ اس کے کام میں اکثر مشن کے اہم سافٹ ویئر کی ترقی اور دیکھ بھال شامل ہوتی ہے۔ اپنی پیشہ ورانہ زندگی سے باہر، وہ اپنے خاندان کے ساتھ معیاری وقت گزارنے کو بہت اہمیت دیتا ہے۔

سائمن پیئر سوئٹزرلینڈ میں مقیم AWS میں ایک حل آرکیٹیکٹ ہے۔ وہ ایک عملی کام کرنے والا ہے اور ٹیکنالوجی اور AWS کلاؤڈ سروسز استعمال کرنے والے لوگوں کو جوڑنے کا شوق رکھتا ہے۔ اس کے لیے ایک خاص توجہ ڈیٹا اسٹریمنگ اور آٹومیشن ہے۔ کام کے علاوہ، سائمن اپنے خاندان، باہر، اور پہاڑوں میں پیدل سفر سے لطف اندوز ہوتا ہے۔

• SEO سے چلنے والا مواد اور PR کی تقسیم۔ آج ہی بڑھا دیں۔
• پلیٹو ڈیٹا ڈاٹ نیٹ ورک ورٹیکل جنریٹو اے آئی۔ اپنے آپ کو بااختیار بنائیں۔ یہاں تک رسائی حاصل کریں۔
• پلیٹوآئ اسٹریم۔ ویب 3 انٹیلی جنس۔ علم میں اضافہ۔ یہاں تک رسائی حاصل کریں۔
• پلیٹو ای ایس جی۔ کاربن، کلین ٹیک، توانائی ، ماحولیات، شمسی، ویسٹ مینجمنٹ یہاں تک رسائی حاصل کریں۔
• پلیٹو ہیلتھ۔ بائیوٹیک اینڈ کلینیکل ٹرائلز انٹیلی جنس۔ یہاں تک رسائی حاصل کریں۔
• ماخذ: https://aws.amazon.com/blogs/big-data/krones-real-time-production-line-monitoring-with-amazon-managed-service-for-apache-flink/