La inspección inteligente de Simple Log Service utiliza tres algoritmos para detectar anomalías en métricas y registros de negocio: gráfico de flujo, descomposición de flujo y detección supervisada de anomalías. Cada algoritmo se adapta a distintos escenarios según el volumen de datos, el nivel de ruido y los patrones cíclicos.
Algoritmo de gráfico de flujo
El algoritmo de gráfico de flujo se basa en Time-Series Event Prediction with Evolutionary State Graph (Time2Graph). Este método reduce el ruido de los datos y calcula la desviación de las muestras anómalas. Es adecuado para escenarios con una gran cantidad de series temporales ruidosas y cambios cíclicos mínimos.
Escenarios
El algoritmo de gráfico de flujo analiza cada muestra en tiempo real mediante aprendizaje automático en línea. Identifica anomalías en los siguientes tipos de series temporales:
Métricas a nivel de máquina, como el uso de CPU, el consumo de memoria y las velocidades de lectura y escritura de disco.
Métricas de rendimiento, como consultas por segundo (QPS), volumen de tráfico, tasas de éxito y latencia.
Métricas clave (golden metrics).
Parámetros
Configure los parámetros del gráfico de flujo en la sección Algorithm Configurations del asistente Create Intelligent Inspection Job. Use SQL statements to aggregate metrics for real-time inspection.
|
Parámetro |
Subparámetro |
Descripción |
|
(Obligatorio) Advanced Parameters |
Time Series Segments |
Número de segmentos en los que se discretiza la serie temporal. La discretización facilita la construcción de gráficos de métricas.
|
|
Observation Length |
Cantidad de muestras históricas utilizadas para la detección de anomalías.
|
|
|
Period-over-period Comparison Length |
Período (en días) para la comparación entre períodos durante la detección de anomalías. Establezca 0 para deshabilitar el análisis entre períodos. |
|
|
Major Capture Type |
Tipos de anomalías que se priorizan. Valores válidos:
|
|
|
Trees |
Número de árboles de decisión utilizados para la inspección auxiliar de anomalías. |
|
|
Sample Size per Tree |
Cantidad de muestras recopiladas por cada árbol de detección durante su construcción. |
|
|
Overall Anomaly Rate |
Tasa estimada de anomalías en la serie temporal. Valores válidos: de 0.001 a 0.01. |
|
|
Minimum Window of Anomaly Type Check |
Longitud mínima de la serie temporal que se toma como referencia durante la captura de anomalías. |
|
|
Maximum Window of Anomaly Type Check |
Longitud máxima de la serie temporal que se toma como referencia durante la captura de anomalías. |
|
|
Minimum Window for Anomaly Confirmation |
Longitud mínima de la serie temporal que se inspecciona durante la confirmación de anomalías. |
|
|
Maximum Window for Anomaly Confirmation |
Longitud máxima de la serie temporal que se inspecciona durante la confirmación de anomalías. |
|
|
Single-dimension Feature Configuration |
- |
Funciones de la serie temporal que se van a inspeccionar. Configure cada función por separado:
|
|
Notification Sensitivity Configuration |
- |
Umbral de notificación de alertas. Configure umbrales distintos para diferentes períodos de tiempo. Por ejemplo, suprima las alertas durante las ventanas de mantenimiento programadas. |
Algoritmo de descomposición de flujo
El algoritmo de descomposición de flujo se basa en RobustSTL: A Robust Seasonal-Trend Decomposition Algorithm for Long Time Series. Admite procesamiento por lotes con un costo mayor que el algoritmo de gráfico de flujo, por lo que es ideal para la inspección precisa de unas cuantas métricas de rendimiento. Si trabaja con conjuntos de datos grandes, divida los datos en lotes o utilice el algoritmo de gráfico de flujo.
Escenarios
Utilice el algoritmo de descomposición de flujo para datos con cambios cíclicos importantes, como las métricas de rendimiento con patrones periódicos marcados.
Ejemplos de datos cíclicos: recuentos de visitas en videojuegos y volúmenes de pedidos de clientes.
Parámetros
Configure los parámetros de descomposición de flujo en la sección Algorithm Configurations del asistente Create Intelligent Inspection Job. Use SQL statements to aggregate metrics for real-time inspection.
-
Configure el algoritmo.
Parámetro
Subparámetro
Descripción
Automatic period detection
-
Habilite la detección automática de períodos para datos de series temporales con un patrón periódico. Si la serie temporal tiene un período constante, deshabilite esta función y establezca la longitud del período manualmente.
Period detection frequency
-
Este parámetro surte efecto cuando la detección automática de períodos está habilitada. El algoritmo actualiza el período de la serie temporal con la frecuencia especificada. Por ejemplo, si establece la frecuencia de detección de períodos en 12 horas, el algoritmo detecta y actualiza el período de la serie cada 12 horas.
Period length
-
Este parámetro surte efecto cuando la detección automática de períodos está deshabilitada. Establezca la longitud del período de la serie. Si la serie no tiene período, configure este valor en 0.
Observation length
-
Extensión de los datos históricos que se toman como referencia para detectar anomalías. Si la serie es periódica, establezca la longitud de observación en tres veces la longitud del período. Por ejemplo, si la serie tiene un período de 1 día, configure la longitud de observación en 3 días.
Sensitivity
-
Un valor de sensibilidad más alto genera más anomalías detectadas y puntuaciones de anomalía mayores. Esto incrementa la tasa de recuperación de anomalías, pero reduce la tasa de precisión.
Advanced parameters
Trend component sensitivity
El algoritmo descompone una serie en componentes de tendencia, periodicidad y ruido. Este parámetro ajusta la sensibilidad para la detección de anomalías en el componente de tendencia. Un valor más alto produce más anomalías detectadas y puntuaciones mayores, lo que incrementa la tasa de recuperación pero reduce la tasa de precisión.
Noise component sensitivity
El algoritmo descompone una serie en componentes de tendencia, periodicidad y ruido. Este parámetro ajusta la sensibilidad para la detección de anomalías en el componente de ruido. Un valor más alto produce más anomalías detectadas y puntuaciones mayores, lo que incrementa la tasa de recuperación pero reduce la tasa de precisión.
Trend component sample length
El algoritmo descompone una serie en componentes de tendencia, periodicidad y ruido. Si la longitud de observación es demasiado grande, el análisis de tendencia puede ser lento. Una longitud de muestra mayor acelera el análisis, aunque podría reducir la precisión. Por ejemplo, si la longitud de muestra es 8, el algoritmo analiza un punto de datos por cada 8 puntos de la serie original.
Periodicity component sample length
El algoritmo descompone una serie en componentes de tendencia, periodicidad y ruido. Si la longitud de observación es demasiado grande, el análisis de periodicidad puede ser lento. Una longitud de muestra mayor acelera el análisis, aunque podría reducir la precisión. Por ejemplo, si la longitud de muestra es 8, el algoritmo analiza un punto de datos por cada 8 puntos de la serie original. Establezca este valor en 5 o menos.
Window length
Si la longitud de observación de la serie es demasiado grande, la detección de anomalías puede ser lenta. Establezca una longitud de ventana para que el algoritmo de detección utilice una ventana deslizante. De este modo, el algoritmo detecta anomalías en segmentos de la serie de datos, lo que mejora la velocidad de detección. Configure este valor en 5000 o menos. Si no necesita usar una ventana deslizante, establezca este valor en 0.
-
Obtenga una vista previa del rendimiento del algoritmo con la configuración actual de parámetros.
Establezca un intervalo de tiempo para especificar las horas de inicio y fin de la serie temporal. Haga clic en Data Query. Las instrucciones de consulta y análisis configuradas en Data Feature Settings se utilizan para procesar los datos del intervalo de tiempo especificado y generar los datos de la serie temporal.
Seleccione Entity Information y Feature para especificar la serie de funciones que se va a analizar. Haga clic en Preview. El algoritmo de detección procesa la serie de funciones especificada y muestra los resultados a continuación. Haga clic en Show Parameters para consultar la configuración actual de parámetros del algoritmo.
Los resultados de detección muestran Trend Component Preview, Periodicity Component Preview y Noise Component Preview. Ajuste el umbral de anomalías en Trend Component Preview y Noise Component Preview. Solo los eventos anómalos con una puntuación superior al umbral generan alertas.
Algoritmo de detección supervisada de anomalías
Algoritmo de detección supervisada de anomalías
El algoritmo de detección supervisada de anomalías construye funciones a partir de datos de series temporales. Luego utiliza estas funciones junto con etiquetas de anomalías para entrenar modelos de clasificación, como árboles de decisión y bosques aleatorios. Los modelos entrenados se encargan de detectar las anomalías.
Escenarios
Este método es adecuado para datos de series temporales etiquetados que los algoritmos de gráfico de flujo o de descomposición de flujo no pueden procesar de manera eficaz.
Parámetros
Configure los parámetros de detección supervisada de anomalías en la sección Algorithm Configurations del asistente Create Model Training Job. Use SQL statements to aggregate metrics for model training.