0

我很难理解这个查询：

from heartbeats#window.time(1 hour) insert expired events into delayedStream;

from every e = heartbeats -> e2 = heartbeats[deviceId == e.deviceId]
  or expired = delayedStream[deviceId == e.deviceId]
within 1 hour 10 minutes 
select e.deviceId, e2.deviceId as id2, expired.deviceId as id3
insert into tmpStream;
  • 第一个查询将所有事件延迟 1 小时。
  • 第二个查询过滤了 1 小时前发生的所有事件，并且没有找到更新的事件。

这有效，但我不明白这部分：

从每个 e = heartbeats -> e2 = heartbeats[deviceId == e.deviceId] 或 expired = delayedStream[deviceId == e.deviceId]

查询的第二部分（或 expired = ...）检查具有给定 deviceId 的事件是否在延迟流上。第一部分的目的是什么？它是如何组合在一起的，这个查询会找到超过 1 小时没有发送数据的设备？

4

1 回答 1

0

如果您想检查传感器在过去 1 小时内是否没有发送读数，我认为上述查询并不准确。我将窗口调整为 1 分钟并发送了 2 个事件，

[2019-07-19 16:48:23,774] heartbeats : Event{timestamp=1563535103772, data=[1], isExpired=false}
[2019-07-19 16:48:24,696] tmpStream : Event{timestamp=1563535104694, data=[1, 1, null], isExpired=false}
[2019-07-19 16:48:24,697] heartbeats : Event{timestamp=1563535104694, data=[1], isExpired=false}
[2019-07-19 16:49:23,774] tmpStream : Event{timestamp=1563535163772, data=[1, null, 1], isExpired=false}

假设事件在 10 和 10.15 到达，tmpStream 的输出将在 10.15（第一部分）和 11（由于延迟流）。第二个匹配不正确，因为它必须根据用例在 11.15 匹配。

但是，如果您想改进查询，您可以为您的用例使用 Siddhi 检测非出现模式功能，https://siddhi.io/en/v5.0/docs/query-guide/#detecting-non-发生事件，它会更简单

于 2019-07-19T11:23:20.037 回答