מבוא

בסביבה העסקית המהירה של היום, היכולת לנתח נתונים כפי שמגיע - לא שעות מאוחר יותר - יכול להיות ההבדל בין הטמעת הזדמנות ופספסה לחלוטין.ניתוחים בזמן אמת מספקים צוותים תפעוליים, מנהלים ואנליסטים נתונים עם תובנות מעודכנים ברציפות לתוך מדדים כגון בריאות מערכת, התנהגות לקוחות, חיישנים IoT, ועסקאות פיננסיות כגון דורשות לוח זמנים לאחור שיכול לענות על שאילתות ביעילות, ושאילתות מורכבות, תוך כדי שאילתות נתונים.

Azure Data Explorer (ADX) מופיע כפתרון מוביל שהונדס במיוחד לדרישות אלה.הוא מציע צינורות צפיית מנוהל, אחסון עמודה מותאם להגרלות זמן ולנתוני יומן, ואת קווי שפה רבת העוצמה של קוסטו קווירי (KQL) כדי להפוך את האירועים הגלום לויזואליזציה יעילה של ה-BIL. מאמר זה מספק מדריך מעשי, ידיים על מנת לבנות לוח זמנים אמיתי בזמן ייצור באמצעות ניתוח נתונים נמוך, כמו אינדקס נתונים של Microsoft כדי ליצור ® כדי ליצור , כדי ליצור ® כדי ליצור ® עם ® PowerL.

מה זה Azure Data Explorer?

(א) Azure Data Explorer הוא שירות ניתוח נתונים גדול מנוהל במלואו, בעל ביצועים גבוהים, המצוין בניתוח אינטראקטיבי של כמויות גדולות של נתונים מובנים למחצה ומבנים למחצה.הוא בנוי לתרחישים כגון FLT:0application MonitorFLT:1, FLT:2 IoT:2 מטלמטארי FLT 3:, FLT:4 ללא הרף ניתוח ייצוב:5, ו-FIRSTIQ2 חייב להחזיר נתונים 7.

תכונות מפתח שהופכות את ADX אידיאלי עבור לוחות נתונים בזמן אמת כוללות:

  • (FLT:0) צבירת הצלקות: איור 1 (Ingest data from Azure Event Hubs, IoT Hub, קפקא ומקורות זרימה אחרים עם נטיות נמוכות כמו כמה שניות.
  • (FLT:0) אחסון קולומנאר ואינדקס: ההרחבה 1 (Dאטה) דחוסה ואינדקס באמצעות אינדקסים לא מוגנים ו B-tree, המאפשר סריקה מהירה וסינון.
  • (FLT:0) כוסטו קווירי (KQLura): 1 A Read-Only, SQL-like Language with Built-in-intor for time-series Analysis, פונקציות סטטיסטיות, מצטרף ואגורגים.
  • (FLT:0) אינטגרציה Power BI:FLT:1 DirectQuery מצב יבוא ו- ייבוא מאפשר לדיור באופן אוטומטי או קרוב בזמן אמת.
  • (FLT:0) ניהול עלויות ועלויות: אנדרל 1 (Clusters) יכול להגדיל את החיוב ואת האחסון באופן עצמאי, ואתה יכול להגדיר מדיניות מטמון כדי לשמור על נתונים חמים בזיכרון עבור שאילתות מהירות.

(א) , לעומת מחסני נתונים מסורתיים כגון Azure Synapse או Amazon Redshift, אך הוא מותאם ל-FLT:0 קרדינליות גבוהה FLT:1 (למשל, מיליוני מכשירים ייחודיים) ו-FLT:2append-רק עומסי עבודה (FLT 3 טיפוסי של יומני וזמני זמן) עבור הבנה עמוקה יותר, מתייחס לתיעוד נתונים LT5:5Fרש:

הקמת הסביבה

יצירת Azure Data Explorer Cluster

כדי להתחיל, היכנס ל-FLT:0Zonee Portalearph1 וליצור משאב חדש מסוג "אזור Data Explorer Cluster" ( בחר מנוי, קבוצת משאבים ואזור שמיישר עם מקורות הנתונים שלך (עדיף אותו אזור למזער את הגמישות). בחר SKU מותאמת את קצב הצפיפות והשאלה המצופה שלך:

  • (ב) ⁇ :0 (Dev/Test:FLT:1 Dev(Standard D13 v2) או Standard D14 v2 עבור עומסי עבודה קטנים.
  • (FLT:0) הפקה: VisFLT:1 Standard L8s v2, Standard L16s v2, או משפחת SKU החדשה עם NVMe SSDs (למשל, תקן L8s v3) עבור גבוה באמצעות חישוב.
  • (ב) ⁇ :0) גבוה: (ב) 1 (Clusters) עם מספר מקרים שיכולים להיות בקנה מידה אוטומטי על בסיס CPU או עומס צלקות.

לאחר שהציר מופרש, ניתן ליצור מסד נתונים בתוכו, להשתמש במדיניות שמירת ברירת המחדל ובמגש (או שבועות) תחילה עבור לוחות עת אמתיים, ייתכן שתרצה להגדיר בסיס נתונים:0cache מדיניות מדיניות מדיניות ההרחבה 1 של מספר ימים (או שבועות) כך שכל הנתונים האחרונים מוגשים מזיכרון.

מקורות נתונים מזהמים

לוחות נתונים בזמן אמת תלויים בסטרימינג נתונים. ADX תומך במספר גישות להפחתה:

  • (FLT:0) אפילו Hubsib: 1FLT (הנפוץ) הנפוץ ביותר עבור יומנים וטלמטארי. צור שם Event Hubs ו-Aרכזת, ולאחר מכן להגדיר חיבור נתונים ב- ADX הממפה את אירועי JSON או Avro לטבלת schema.
  • (FLT:0) IoT Hub:miaFLT:1 עבור מכשירי IoT, IoT Hub מספק אימות המכשיר והודעה המסתתרים ישירות ל- ADX.
  • (ב) ,0)Kafka: 1FLT (ה) השתמש מחבר הקשר ADX קפקא כדי להביא זרמים מאפאצ'י קפקא או מתוקף.
  • (FLT:0)Blob Storage/Data Lake:FreaLT:1) עבור אצווה או ליד זמן רב בטבלאות של קבצי Parkt/CSV מאוחסנים ב- Azure Blob או AD Gen2.

כאשר הגדרת אירועים Hubs, ודא כי ספירת החלוקה תואמת את צרכיך באמצעות לוח הזמנים ADX יכולה לעיין בנתונים מכמה מחיצות במקביל.עבור כל חיבור נתונים, תוכל להגדיר את ה-FLT:0tableearFLT:1 ו-FLT:2mappingFLT 3FLT, אשר הופך את שדות JSON לעמודות ADX.

מידע בזמן אמת

יצירת טבלאות ומיפוי

לפני השימוש, ליצור את שולחן היעד במסד הנתונים של ADX באמצעות KQL. לדוגמה, שולחן עבור יומני שגיאות יישום עשוי להיראות:

.create table AppLogs (Timestamp: datetime, Level: string, Service: string, Message: string, CorrelationId: string)

לאחר מכן ליצור מיפוי צצה לתבנית שהמקור הזרמת שלך משתמש.עבור ג'ייסון מאירוע Hubs, הפקודה היא:

.create table AppLogs ingestion json mapping 'AppLogsJsonMapping' '[{"column":"Timestamp","datatype":"datetime","properties":{"path":"$.timestamp"}},{"column":"Level","datatype":"string","properties":{"path":"$.level"}},{"column":"Service","datatype":"string","properties":{"path":"$.service"}},{"column":"Message","datatype":"string","properties":{"path":"$.message"}},{"column":"CorrelationId","datatype":"string","properties":{"path":"$.correlationId"}}]'

מיפוי זה אומר ל- ADX כיצד לחלץ שדות מכל אירוע.

המונחים: Event Hubs Connection

בפורטל Azure, לנווט אל מסד הנתונים ADX שלך, בחר "קשרי נתונים", ולהוסיף חיבור Event Hubs.ספק את שם ה- Event Hubs, שם מרכז, קבוצת הצרכנים (באמצעות קבוצת צרכנים ייעודית עבור ADX כדי להימנע מסכסוכים), ואת שם השולחן. ציין את ההתייחסות למיפוי שיצרת. ADX יתחיל באופן אוטומטי לצרוך אירועים ולהפוך אותם לזמינים בתוך שניות.

עבור תרחישים בעלי ביצועים גבוהים, לשקול שימוש ב-FLT:0streaming ingestion1 (התקבל על ידי אשכול) במקום קידוד הזרמת הזרמת וידאו כותב נתונים ישירות לתוך ממדי העמודה ללא עוקץ ביניים, מתן לביות מתחת ל 10 שניות.עבור רוב לוחות הזמנים האמיתיים, זהו מצב מועדף של בוץ (default) לאסוף נתונים עד 2 דקות לפני מספר דקות.

קוויאט עם שפת קוסטו קווירי (KQL)

הלב של כל לוח נתונים ADX הוא שאילתות KQL המצטברות ופילטר נתונים בזמן אמת.

סינון ו Aggregation

לספור אירועים שגיאה בשירות במהלך השעה האחרונה בזוגיות דקות:

AppLogs
| where Timestamp > ago(1h)
| where Level == "Error"
| summarize ErrorCount = count() by Service, bin(Timestamp, 1m)
| order by Timestamp asc

זה מחזיר סדרה של זמן מוכן לטבלת קו.

המונחים: Percentile Calculations

עבור מדדי שקיפות, ייתכן שתרצה P50, P95 ו- P99:

ServiceLatency
| where Timestamp > ago(30m)
| summarize P50 = percentile(LatencyMs, 50), P95 = percentile(LatencyMs, 95), P99 = percentile(LatencyMs, 99) by Service

הצטרף עם נתונים

לעתים קרובות לוחות נתונים צריכים להעשיר אירועים עם נתוני בדיקת סטטי (למשל, מיקומים למכשירים) ADX תומך בהצטרפות קל משקל.

Telemetry
| where Timestamp > ago(15m)
| lookup Devices on DeviceId
| project Timestamp, DeviceId, Region, MetricValue

לטבלאות התייחסות גדולות, יש לשקול אותם באמצעות מיפוי:0 צפיות ממאירות: 1:1 או לאחסן אותם במקבץ נפרד עם מדיניות מטמון מתאימה.

זמן-סדרה מתפקדת

ADX כולל פעולות עת חזקות כגון FLT:5 עבור גילוי אנומלי, כרך 6 עבור עונות, ו-FLT 7 עבור ניתוח תדירות.

AppLogs
| where Timestamp > ago(2h)
| make-series ErrorCount = count() on Timestamp step 1m
| extend anomalies = series_decompose(ErrorCount, -1, 2.0, 'ok')
| mv-expand Timestamp, ErrorCount, anomalies
| where anomalies[2] < 0 or anomalies[2] > 0

שאילתות כאלה מתקדמות אך יכולות להאכיל את לוחות המחוונים באופן ישיר.

(ב) ראו את ה-FLT:0) כסטו לתיעוד שפה קווירי (FLT:1).

בניית Power BI Dashboard

שיתוף פעולה עם Power BI to ADX

Azure Data Explorer משלב עם Power BI דרך ה-FLT:0 (Kusto)PSK Data Explorer (Kusto)אנדרט 1) כדי להתחבר:

  1. Open Power BI, לחץ על "Get Data" > "More..."
  2. חפש את "אזור Data Explorer" ובחר את המחבר.
  3. היכנסו ל-URL של ה-URL (למשל, FLT:9) ושמות מסד הנתונים.
  4. (ה) בין ה-FLT:0) ,(ImportFLT:1) (נתונים נמשכים ל- Power BI ומדענן מעת לעת) או ל-FLT:2DirectQueryFLT 3 (הדברים נשלחים ל- ADX על כל אינטראקציה) עבור לוחות עת אמתיים, השתמש ב-DirectQuery.זה מבטיח שכל מסנן, פרוסה, וויזואלית נגד ה-KLQ נגד הנתונים האחרונים.

« לכתוב KQL Queries in Power BI

בשיח המחבר, אתה יכול להקליד שאילתת KQL ישירות. שמור שאילתות ממוקדות ולהבטיח שהם להחזיר נתונים לשוניים שכוח BI יכול מודל. לדוגמה, כדי ליצור מצגת עם סימני שגיאה לכל שירות לדקה עבור השעה האחרונה:

AppLogs
| where Timestamp > ago(1h)
| summarize ErrorCount = count() by Service, bin(Timestamp, 1m)

לאחר טעינה של השאילתה, השתמש במודל של Power BI כדי להגדיר אמצעים, היררכיות, ומערכות יחסים אם יש לך מספר שאילתות.הימנעות מעומס יומני מלאים גולמיים - להפיץ ככל האפשר ב-KQL.

« « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « «

במצב DirectQuery, הויזואליות באופן אוטומטי requery ADX כאשר משתמשים אינטראקציה עם הדו"ח (למשל, שינוי פרוסת תאריך) עם זאת, כדי להפוך את לוח המחוונים אוטומטי ללא אינטראקציה למשתמש, אתה צריך להגדיר את ה-FLT:0auto-page רענון FLT:1 תכונה בשירות כוח:

  1. עיין בדו"ח של [[1924]], [[1924]], [[1924]]]]
  2. בהגדרות הדו"ח, תחת "מדנון מעודן", קבע מרווחי הרענן DirectQuery - עבור לוחות זמנים אמיתיים, השתמש 1 או 2 דקות.
  3. לחלופין, השתמש בתכונה (FLT:0) של refreshph (preview) המרעננת את הדף במרווח קבוע (למשל, כל 30 שניות).

זכור כי כל שאילתות KQL יוציאו לפועל את כל שאילתות KQL בבסיס הויזואליות.אופטימיזציה של השאילתות שלך כדי לחזור במהירות (תוך 5 שניות) כדי למנוע ממתן משתמשים ועומס מופרז.

ויזואליזציה הטובה ביותר

  • (ב) שימוש ב-[[1924]] ב[[1924]], ב[[1924]], [[1924]], [[1924]]]]
  • (ב) ⁇ 0.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.
  • (ב) ,0) ,(ב) ,(ב) , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) ,0) ,5 ,5 ,5 , אם יש לך נתונים.
  • (ב) ,0) ,(ג'ומב"ד) כדי להראות התקדמות לקראת סף.

מכיוון ש DirectQuery שולח שאילתות על כל אינטראקציה, להימנע משימוש בויזואלים מותאמים אישית שיוצרים שאילתות רבות.בנוסף, ליישם מסננים מוקדם ככל האפשר ב-KQL כדי להפחית את נפח הנתונים.

אופטימיזציה של ביצועים עבור שאילתות בזמן אמת

Clustering ואינדקס Tuning

ADX יוצר באופן אוטומטי וממזג את ההיקף (נתונים) לאורך זמן.

  • בחירת מדיניות FLT:0 (cluster PolicyFLT:1) אשר מאזן גבוה דיו באמצעות צום עם הנפקת שאילתה.עבור לוחות זמנים אמיתיים עם שאילתות חזותיות רבות, בקנה מידה (מקרים חריגים) ולא סקאלה.
  • (הופנה מהדף FLT:0) מדיניות מדיניות ⁇ 1:1 על מסד הנתונים או הטבלאות, למשל, כדי לשמור את 7 הימים האחרונים במגיפה חמה: FLT:11
  • באמצעות השקפה ממולאת:0 (חומרית) 1 (FLT:1) לתוצאות מראש, אשר עדכון באופן מצטבר.השקפה ממולאת יכולה לנסח באופן זמני או יומי, אשר לאחר מכן לשרת לוחות נתונים ברמה גבוהה באופן מיידי.

טיפים אופטימיזציה

  • (ב) ,0) ,575 מוקדם: 1 (ב) השתמש בסעיפים על עמודה הטיימס-אמפ וממדי דיוק גבוהה כדי להפחית נתונים סרופים.
  • (ב) ,0) ,מאחדים: 1FLT אם ניתן, להפיג נתונים במהלך הצפיות כך שהנתונים כבר מוטבעים באירועים.
  • (ב) [ה]ב[[1924]]]]]], [[1924]]]]]]]], [[1966]]]]]], [[1924]]]]]], [[1924]]]]]]]]]]
  • (ב) ,0) ,Use (FLT:14 ; ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) [ה]: [ה], [ה]], [ה]], [ה]], [ה]], [ה]]], [ה'] ב'[[המאה ה'], [ה'], [ה'], [ה'] ב'[[ה''''''']', ב''[[ה'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''

מעקב אחר Cluster Health

Azure Data Explorer מספק יומני אבחון ומדדים באמצעות Azure Monitor. Key metrics לצפייה:

  • (ב) ויקרא י"א: ויקרא י"ד: "ה', מ': ויקרא י', מ'"ב', מ'"ב"א, כ"כ,"ל).
  • (ב) ויקרא י"א: ויקרא י"ד: ויקרא י"א, ו-"ב.
  • (ב) ,0)CPU והשימוש בזיכרון: FLT:1 אם הוא גבוה באופן עקבי, לשקול קנה מידה.
  • (ב) ,0) שיעור ההפחתה: 1:1 וודא שאתה לא מתפרק; פיזור זרמים לתוך מחיצות נוספות במידת הצורך.

הגדר התראות ב- Azure Monitor עבור כאשר כיתות השאילתה עולה על סף (למשל, P99 > 10 שניות) כך שתוכל לכוון באופן פעיל.

אזהרות בזמן אמת ואוטומציה

לוח נתונים בזמן אמת הוא חזק ביותר כאשר הוא בשילוב עם תגובות אוטומטיות. Azure Data Explorer מציע מספר נקודות שילוב:

Azure Monitor אזהרות מ- ADX

ניתן ליצור שאילתות מרופדות 1 (FLT:0) ב- ADX שפועלות על לוח זמנים (למשל, כל 5 דקות) ושולחות תוצאות ל- Azure Monitor. ואז מגדירים כללים מזהירים שאש כאשר התנאים נפגשים (למשל, ספירת שגיאות > 100 בחלון 5 דקות).

  • שליחת דואר אלקטרוני או SMS באמצעות קבוצות פעולה.
  • Triggering Azure Logic Apps כדי להפעיל זרימות עבודה (למשל, הפעלת שירות, ליצור כרטיס אירוע).
  • קריאה ל-Webhooks להודיע על מערכות חיצוניות.

Azure Logic Apps ו- Microsoft Power Automate

השתמש באפליקציות לוגיות עם מחבר "Execute Kusto Query" כדי להביא נתונים מ- ADX ולאחר מכן לנקוט פעולה.לדוגמה, אם שאילתה מזהה ספייק בשימוש CPU ברחבי VMs, אפליקציה הגיונית יכולה לגרום ל- Azure Automation Runbook כדי לדרג את VMSS. זה סוגר את הלולאה בין ניטור והפעלה.

Analytics ו- ADX כ-Sink

אפילו התראות קלות יותר של שקיפות, סטרימינג נתונים באמצעות Azure Stream Analytics, אשר יכול ליישם חלונות זמניים לדחוף אירועים ערניים בו זמנית ל- ADX (לניתוח היסטורי) ולמנוי לאירוע Hubs לכוננות מיידית.

השתמש במקרים ודוגמאות בעולם האמיתי

  • (FLT:0DevOps Observability Dashboard:FearLT:1 ; ⁇ Aggregate, מדדים, ושרידים של מיקרו-שירותים על פני אשכולות Kubernetes. ADX ingests מ Fluentd /Logstash Azure Event Hubs, ואת Power BI מראה שיעורי לוח המחוונים, שגיאות, ו-Ltencies.
  • (FLT:0) ניטור צי ה-IoT: 10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10. ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑
  • (FLT:0)Financial Fraud Detection: FIRLT:1 , עסקאות באמצעות Event Hubs לתוך ADX. Dashboards להראות נפח העסקה על ידי אזור וציונים אנומליים; התראות מעוררות חסימות כאשר סףים נשברים.
  • ניתוח:0Clickstream Analysis: FLT:1 פעילות המשתמש מאתרי אינטרנט מוכנסת ל- ADX.הלוחם עוקב אחר משתמשים פעילים, תצוגות דף לשנייה, ומשפך המרה מעודכנים כל דקה.

מסקנה

בניית לוח נתונים בזמן אמת עם Azure Data Explorer ו- Power BI היא גישה חזקה, מדרגית, המקיימת את הביקוש הגדל לתובנות מיידיות. על ידי מינוף אי-הההה של ADX, יכולות התזמון החזקות של KQL, וחיבורים ישירים של DirectQuery ב-BI, תוכל ליצור לוחות נתונים כי לרענן כל כמה שניות ומטפלים של נתונים נכנסים.

התחל קטן עם זרם טלמטי יחיד, הגמישות של ADX מבטיחה כי הגדלות של המחוונים שלך ללא מהירות משולבת יותר.