Azure Stream Analytics是一个完全托管的平台即服务（PaaS），支持数千个由实时洞察支持的关键客户应用程序。与许多其他Azure服务的现成集成使开发人员和数据工程师能够在几分钟内构建高性能的热路径数据管道。流分析的主要原则包括易用性、开发人员生产力和企业就绪性。今天，我们宣布了几个新特性，进一步增强了这些关键原则。让我们仔细看看这些功能：预览功能这些预览功能将于2019年11月4日开始推出。随后几周内全球供货在线缩放过去，更改分配给流分析作业的流单元（su）需要用户停止并重新启动。这导致了额外的开销和延迟，即使这样做没有任何数据丢失。有了在线缩放功能，如果用户需要更改SU分配，就不再需要停止工作。用户可以增加或减少正在运行的作业的SU容量，而不必停止它。这是建立在客户对流分析提供的长期运行的关键任务管道的承诺之上的。在流分析作业运行时更改SU。C#自定义反序列化程序azurestreamanalytics一直支持JSON、CSV或AVRO数据格式的输入事件。然而，数以百万计的物联网设备通常被编程为以其他格式生成数据，从而以更高效且可扩展的格式对结构化数据进行编码。通过我们当前的创新，开发人员现在可以利用Azure流分析的能力来处理Protobuf、XML或任何自定义格式的数据。现在，您可以在C#中实现自定义反序列化程序，然后可以使用它对Azure Stream Analytics接收的事件进行反序列化。C自定义代码的可扩展性azurestreamanalytics传统上提供SQL语言，用于在事件流上执行转换和计算。尽管当前支持的SQL语言中有许多功能强大的内置函数，但在某些情况下，类似SQL的语言无法提供足够的灵活性或工具来处理复杂的场景。开发人员现在可以在云计算中调用定义的功能或在云计算中使用定义的功能。这将启用诸如复杂数学计算、导入自定义ML模型等场景毫升.NET，并编程自定义数据插补逻辑。在visualstudio中为这些功能提供了完全逼真的创作体验。使用Power BI进行托管身份验证使用Power BI的动态仪表盘体验是流分析帮助全球成千上万的客户实现操作的关键场景之一。Azure Stream Analytics现在通过Power BI为动态仪表盘体验提供了对基于身份的托管身份验证的全面支持。这有助于客户更好地与组织安全目标保持一致，使用visualstudioci/CD工具部署热路径管道，并支持长期运行的作业，因为用户不再需要每隔90天更改一次密码。虽然这项新功能将立即可用，但客户将继续选择使用azureactivedirectory基于用户的身份验证模型。Azure堆栈上的流分析Azure堆栈通过IoT边缘运行时支持Azure流分析。这使得客户在将数据移动到云时受到法规遵从性或其他原因的限制，但同时希望利用Azure技术在边缘提供混合数据分析解决方案。作为一个预览选项从2020年1月开始推出，这将为客户提供分析来自事件中心或Azure堆栈上的物联网中心的入口数据的能力，并将结果输出到blob存储或SQL数据库中。在此之前，您可以继续注册此功能的预览。在visualstudio中调试查询步骤我们已经听到很多用户反馈关于调试azurestreamanalytics查询中WITH语句中定义的中间行集的挑战。用户现在可以在azurestreamanalytics tools for visualstudio中进行本地测试时轻松预览数据图上的中间行集。这个特性可以极大地帮助用户分解查询，并在修复代码时逐步查看结果。使用visualstudio代码中的实时数据进行本地测试在开发Azure流分析作业时，开发人员表示需要连接到实时输入以可视化结果。现在，这在Azure Stream Analytics tools for Visual Studio代码中可用，这是一个轻量级、免费的跨平台编辑器。开发人员可以在向Azure提交作业之前，根据本地计算机上的实时数据测试查询。每次测试迭代平均花费不到2到3秒的时间，从而产生一个非常高效的开发过程。visualstudio代码中的实时数据测试功能Azure机器学习的私人预览基于自定义机器学习模型的实时评分Azure Stream Analytics现在通过利用由Azure机器学习服务管理的、托管在Azure Kubernetes服务（AKS）或Azure容器实例（ACI）中的自定义预培训机器学习模型来支持高性能、实时评分，使用的工作流要求用户绝对不编写代码。用户可以使用任何流行的python库（如Scikit learn、PyTorch、TensorFlow等）来构建定制模型，以在任何地方训练他们的模型，包括Azure Databricks、Azure Machine Learning Compute和HD Insight。一旦部署到azurekubernetes服务或Azure容器实例集群中，用户就可以使用Azure流分析来显示作业本身内的所有端点。用户只需导航到Azure流分析作业中的functions blade，选择Azure Machine Learning function选项，并将其绑定到Azure Machine Learning工作区中的一个部署。将提供高级配置，例如发送到Azure机器学习端点的并行请求数，以最大限度地提高性能。您现在可以注册预览此功能。反馈和参与通过@AzureStreaming在Twitter上关注我们，与我们联系，尽早了解新功能。Azure流分析团队高度致力于倾听您的反馈，并让用户的声音影响我们未来的投资。我们欢迎您加入对话，并通过我们的用户语音页面让您的声音被听到。