在之前的文章 “Observability：使用 Elastic Stack 分析地理空間數據 （一）”，我詳述瞭如何從 OpenSky Network API 接口把數據導入到 Elasticsearch，並對這些數據進行可視化分析。也許針對很對的情況這個已經很滿足了，因爲它確實可以幫我們從很多實時數據中提取很多有用用用的東西。
在今天的文章中，我們將參考之前的文章 “如何使用 Elasticsearch ingest 節點來豐富日誌和指標” 。我們可以利用 Elasticsearch ingest 節點來更加豐富我們的數據，並對這些數據做更進一步的的分析。
爲了達到這個目的，我們必須首先了解在之前索引中的 icao 字段。這個字段的意思是：
ICAO 機場代碼或位置指示器是由四個字母組成的代碼，用於指定世界各地的機場。 這些代碼由國際民用航空組織定義併發布在國際民航組織7910號文件：位置指示器中，供空中交通管制和航空公司運營（例如飛行計劃）使用。
我們之前的每個文檔是這樣的：
{
"velocity" : 0.0,
"icao" : "ad0851",
"true_track" : 264.38,
"time_position" : 1591190152,
"callsign" : "AAL2535",
"origin_country" : "United States",
"position_source" : "ADS-B",
"spi" : false,
"request_time" : 1591190160,
"last_contact" : 1591190152,
"@timestamp" : "2020-06-03T13:16:03.723Z",
"on_ground" : true,
"location" : "32.7334,-117.2035"
}
另外，我們可以在地址 https://opensky-network.org/datasets/metadata/ 找到一個如下文件：
在這裏，我們可以找到一個叫做 aircraftDatabase.csv 的文件。它裏面的內容如下：
在上面的表格中，我們發現有一個叫做 icao24 的字段。這個字段和我們之前的文檔可以進行關聯，從而我們可以得到更多關於某個航班的更多信息。
創建 enrich index
由於下載的文檔時一個是一個 csv 的文件。我們可以使用 data visualizer 來導入。
點擊上面的 Override settings 鏈接：
點擊 Apply 按鈕：
點擊上面的 Import 按鈕：
我們把這個索引的名字稱作爲 aircraft。點擊 Advaned:
再次確認 mapping，如果沒有問題的話，點擊 Import 按鈕:
由於這個文件比較大，所以需要一點時間來進行導入：
等完成後，我們可以在 Elasticsearch 中找到一個叫做 aircraft 的索引：
GET _cat/indices
上面顯示有一個新的 aircraft 的索引生成了。
創建 Enrich policy
接下來，我們來創建 enrich policy。它告訴我們如何豐富數據。在 Kibana 中打入如下的命令：
PUT /_enrich/policy/flights_policy
{
"match": {
"enrich_fields": [
"acars",
"adsb",
"built",
"category_description",
"engines",
"first_flight_date",
"icao_aircraft_type",
"line_number",
"manufacturer_icao",
"manufacturer_name",
"model",
"modes",
"notes",
"operator",
"operator_callsign",
"operator_iata",
"operator_icao",
"owner",
"reg_until",
"registered",
"registration",
"seat_configuration",
"serial_number",
"status",
"test_reg",
"type_code"
],
"indices": [
"aircraft"
],
"match_field": "icao"
}
}
我們使用 execute enrich policy API 爲該策略創建enrich索引：
POST /_enrich/policy/flights_policy/_execute
接着，我們創建一個叫做 flights_aircraft_enrichment 的 pipeline：
PUT /_ingest/pipeline/flights_aircraft_enrichment
{
"description": "joins incoming ADSB state info with richer aircraft metadata",
"processors": [
{
"enrich": {
"field": "icao",
"policy_name": "flights_policy",
"target_field": "aircraft"
}
}
]
}
到此爲止，我們已經成功地創建了 豐富策略。接下來，我們將展示如何使用這個 pipeline 來豐富我們的數據。
豐富數據
爲了能夠使用我們上面定義好的 pipeline，我們重參考之前的文章 “Observability：使用 Elastic Stack 分析地理空間數據 （一）”裏的 fligths_logstash.conf 文件，並修改如下的 output 部分：
output {
stdout {
codec => rubydebug
}
elasticsearch {
manage_template => "false"
index => "flights"
# pipeline => "flights_aircraft_enrichment"
hosts => "localhost:9200"
}
}
我們把上面的這一行的註釋拿掉：
# pipeline => "flights_aircraft_enrichment"
這樣變成了：
output {
stdout {
codec => rubydebug
}
elasticsearch {
manage_template => "false"
index => "flights"
pipeline => "flights_aircraft_enrichment"
hosts => "localhost:9200"
}
}
在啓動 Logstash 之前，我們可以先刪除之前的 flights 索引：
DELETE flights
再接着執行如下的命令：
PUT flights
{
"mappings": {
"properties": {
"@timestamp": {
"type": "date"
},
"baro_altitude": {
"type": "float"
},
"callsign": {
"type": "keyword"
},
"geo_altitude": {
"type": "float"
},
"icao": {
"type": "keyword"
},
"last_contact": {
"type": "long"
},
"location": {
"type": "geo_point"
},
"on_ground": {
"type": "boolean"
},
"origin_country": {
"type": "keyword"
},
"position_source": {
"type": "keyword"
},
"request_time": {
"type": "long"
},
"spi": {
"type": "boolean"
},
"squawk": {
"type": "long"
},
"time_position": {
"type": "long"
},
"true_track": {
"type": "float"
},
"velocity": {
"type": "float"
},
"vertical_rate": {
"type": "float"
}
}
}
}
重新運行 Logstash：
sudo ./bin/logstash -f fligths_logstash.conf
我們在 Kibana 中檢查 flights 的 mapping:
GET flights/_mapping
我們可以看到一些新增加的各個新字段：
我們可以通過 search：
"_source" : {
"aircraft" : {
"owner" : "Wells Fargo Trust Co Na Trustee",
"reg_until" : "2021-04-30",
"modes" : false,
"built" : "1984-01-01",
"acars" : false,
"manufacturer_icao" : "BOEING",
"serial_number" : "23018",
"manufacturer_name" : "Boeing",
"icao_aircraft_type" : "L2J",
"operator_callsign" : "GIANT",
"operator_icao" : "GTI",
"engines" : "GE CF6-80 SERIES",
"icao" : "a8a763",
"registration" : "N657GT",
"model" : "767-281",
"type_code" : "B762",
"adsb" : false
},
"true_track" : 272.81,
"velocity" : 5.14,
"spi" : false,
"origin_country" : "United States",
"@timestamp" : "2020-06-04T10:41:00.558Z",
"request_time" : 1591267250,
"time_position" : 1591267168,
"last_contact" : 1591267168,
"callsign" : "GTI165",
"icao" : "a8a763",
"location" : "39.0446,-84.6505",
"on_ground" : true,
"position_source" : "ADS-B"
}
}
我們可看到一個叫做 aircraft 的字段，它含有這個飛機所有被豐富的信息。
運用 Kibana 分析數據
找出前10的飛機型號
因爲有新的字段進來，所以我們必須重新創建新的 inde pattern:
我們可以看到最多的是 PC-12/47E 這個機型。
找出飛機制造商的分佈
我們看到 BOING 公司的市場份額是最大的。AIRBUS 處於第二的位置。
飛機機齡分佈
我們可以看出來最多的飛機是2019年生產的。
飛機機型和飛行高度的關係
可以看出來 A320-214 飛機飛的是最高的。
Graph
運用 Graph 來找出數據直接的關係。如果你對 Graph 還不是很瞭解的話，請參閱我之前的教程 “Elastic Graph 介紹”。
點擊 Create graph:
點擊 Select a data source:
選擇 flights* :
點擊 Add fields:
添加 fields：
我們需要保持這個 graph。然後進行搜索：
從上面，我們可看出來 BOING 和我們想要的各個字段之間的關係。
我們從收集的數據可以有更多的其它的分析。在這裏，我就不一一枚舉了。你們可以做任何你想要的分析。