在 Trendz 中，可创建在固定时间间隔自动执行特定数据处理任务的后台作业。
支持的作业类型有三种：cache refresh job（缓存刷新作业）、save telemetry job（保存遥测作业）和 anomaly autodiscovery job（异常自动发现作业）。
这些作业在后台运行，无需用户干预。但需在ThingsBoard中为后台作业配置认证方式，以保证执行安全。
作业认证
后台作业通过 API 周期性从 ThingsBoard 获取数据，这些请求需要认证。要实现此功能，须将 JWT 签名密钥存入 Trendz 配置文件。
具体步骤及签名密钥校验说明见安装后步骤页面。
缓存作业
Trendz 中的缓存自动刷新作业用于定期更新数据源缓存。
该预取方式可加快从 ThingsBoard 获取数据，支持预聚合和后台计算。
定期刷新缓存后，可视化所需数据在用户请求时即可可用，提升数据展示的速度与效率。
保存遥测作业
Trendz 提供转换原始遥测、计算新指标、预测时序行为和检测异常的工具。
可将计算结果以新遥测形式保存到 ThingsBoard 中的设备或资产。该能力支持构建复杂数据处理流水线，并按预设条件触发操作。
Save Telemetry 作业支持在 Trendz 中按计划周期执行，确保新上报遥测得到处理并将结果写回 ThingsBoard，实现数据处理自动化并增强 IoT 应用能力。
异常自动发现作业
在 Trendz 中构建的异常检测模型用于识别设备和资产采集数据集中的异常。
模型配置完成后，可按既定计划用于检测实时异常。
Trendz 从 ThingsBoard 拉取新数据、应用异常检测模型并保存新发现的异常。
该自动化流程保证对 IoT 数据的持续监控与及时异常检测，为主动决策提供支撑。
下一步
-
快速入门指南 - 快速了解 Trendz 主要功能。
-
安装指南 - 学习在各种操作系统上部署 Trendz。
-
指标探索器 - 学习使用 Trendz Metric Explorer 探索和创建指标。
-
异常检测 - 学习识别数据中的异常。
-
字段计算 - 了解字段计算及使用方法。
-
状态 - 学习基于原始遥测定义和分析资产状态。
-
预测 - 学习进行预测及遥测行为预测。
-
筛选器 - 学习在分析中筛选数据集。
-
可用可视化部件 - 了解 Trendz 中可用的可视化部件及配置方法。
-
AI 助手 - 学习使用 Trendz AI 功能。