努力从流事件和上下文数据中提供连续的情报

我们已经解决了几个至关重要的问题，这些问题与支持连续智能的运行时基础架构的分布，可伸缩性，负载平衡，安全性，持久性和可用性有关，这些都是至关重要的问题，对于以持续获取见解为基础的任何用例，必须全面解决，应用程序本身内部的资源管理的两个层之间进行区分，即应用程序层和基础结构层，后者仅与部署和运行应用程序所需的基础结构有关，它们熄灭，同时确保该应用程序具有弹性，可伸缩性，安全性，并向所有用户提供有价值的持续智能。

开发人员仅将注意力集中在其应用程序的对象模型上

使用Java（针对其的游泳扩展名）和JavaScript用于基于浏览器的实时UI。到达事件用于构建和缩放并发Web代理的运行应用程序图，这些图作为数据流进行计算，管理应用程序的资源。它根据事件发生率和计算复杂性自动缩放应用程序运行时基础结构，以确保所有Web都满足其实时处理需求。

应用程序将迅速运行，安全高效地提供详尽的见解和响应而无需复杂的运营开销

应用程序受益于Web代理的有状态并发计算，这些计算可以分布在覆盖许多可用性区域甚至混合企业/云资源的许多运行时实例上。在应用程序层，随着数据在Web代理的图形上流动而进行计算，当Web代理链接到在相同实例中运行的另一个Web代理时，它们以内存的速度共享状态。当Web代理跨实例链接时，它们之间的RTT多不同步½，这比任何服务快许多倍。

组织需要在上下文中进行大规模的连续分析，学习和预测

他们需要实时采取行动，或者落后于资产和基础设施流事件的发生率。事件流是一种有用的抽象，但无法解决开发有状态的并发应用程序的挑战，这些应用程序会在流数据上连续进行计算以提供实时的洞察力和大规模响应。将其他分析功能或数据管理系统推入数据库也无济于事：数据库不执行复杂的上下文计算，该上下文计算从看似无关的事件流中传递含义，流分析系统提供了自上而下，以管理为中心的方法来创建仪表板和交付KPI，它们往往是特定于应用程序领域的，

持续智能解决了有必要将流和传统数据有状态地融合在一起

以同时并大规模地响应来自分布式源的流数据来进行动态分析，学习和预测的问题，持续智能包含事件流中的基础结构服务模式，例如“发布/订阅”。它满足了应用平台的需求，以帮助组织开发，部署和操作有状态的应用程序，这些应用程序使用流事件，实时分析，学习和预测以提供实时洞察和响应流。

尽管现代数据库可以存储数据以供以后分析

更新关系表或修改图，但持续的智能驱动着数据的到来分析–采用“分析-存储”架构，该架构可以自动构建并连续执行分布式实时模型。流数据。流分析应用程序使用自上而下的查询/响应可视化/用户驱动的控制环，而连续智能应用程序则不断计算和流化见解，提供真正的实时用户体验，并促进大规模的实时自动响应。