All Products
Search

This Product

    Platform For AI:Pemantauan metrik abnormal

    Document Center

    Platform For AI:Pemantauan metrik abnormal

    Last Updated:Aug 10, 2026

    Sistem dapat menghasilkan anomali—seperti lonjakan CPU mendadak, banjir lalu lintas jaringan, atau transisi status yang tidak terduga. Mendeteksi anomali tersebut sebelum eskalasi memerlukan model yang memantau metrik sistem secara real time dan mengidentifikasi penyimpangan sebelum berubah menjadi insiden. Tutorial ini memandu Anda dalam membangun dan mengevaluasi model klasifikasi biner di PAI (Platform for AI) untuk mendeteksi anomali sistem berdasarkan log pemantauan.

    Prasyarat

    Sebelum memulai, pastikan Anda telah memiliki:

    • Pemahaman dasar pembelajaran mesin, khususnya rekayasa fitur dan algoritma klasifikasi biner

    • Lebih dari 1.000 catatan data berlabel (masing-masing diberi label anomaly atau normal)

    • Waktu satu hingga dua hari untuk pengembangan end-to-end

    • Ruang kerja PAI aktif dengan akses ke Visualized Modeling (Designer)

    • Ruang kerja tersebut dikaitkan dengan sumber daya MaxCompute. Untuk informasi selengkapnya, lihat Quick start - Preparations.

    Set Data

    Tutorial ini menggunakan set data log pemantauan tingkat sistem yang terdiri atas 22.544 catatan, di mana 9.711 di antaranya diberi label sebagai anomali. Gambar berikut menunjukkan contoh data.

    Sample data of the pipeline

    Parameter

    Deskripsi

    protocol_type

    Protokol yang digunakan untuk koneksi jaringan. Nilai yang valid: tcp, icmp, udp.

    service

    Protokol layanan. Nilai yang valid: http, finger, pop, private, smtp.

    flage

    Status koneksi. Nilai yang valid: SF, RSTO, REJ.

    a2–a38

    Metrik sistem.

    class

    Bidang label. normal menunjukkan peristiwa sistem normal; anomaly menunjukkan anomali sistem.

    Cara kerja pipeline

    Pipeline dijalankan dalam empat tahap:

    1. Data ingestion — Mengimpor set data log pemantauan berlabel.

    2. Feature engineering — Menyiapkan data untuk pelatihan:

      • One Hot Encoding mengonversi fitur bertipe string (seperti protocol_type dan service) menjadi nilai numerik.

      • Normalization menskalakan semua nilai numerik ke rentang 0–1 agar tidak ada metrik tunggal yang mendominasi model karena besarnya nilai.

      • SQL Script mengonversi label class menjadi bilangan bulat biner: anomaly → 1, normal → 0. Pernyataan SQL-nya adalah:

        SELECT (CASE class WHEN 'anomaly' THEN 1 ELSE 0 END) AS class FROM ${t1};

    3. Model training — Melatih model klasifikasi biner regresi logistik pada data yang telah disiapkan untuk membedakan peristiwa normal dari anomali.

    4. Evaluation — Mengukur kualitas model menggunakan area under the curve (AUC), statistik Kolmogorov-Smirnov (KS), dan Skor F1.

    Buat dan jalankan pipeline

    Buka Pemodelan Visual (Designer)

    1. Masuk ke Konsol PAI.

    2. Di panel navigasi sebelah kiri, klik Workspaces, lalu klik ruang kerja yang ingin Anda gunakan.

    3. Di panel navigasi sebelah kiri, pilih Model Training > Visualized Modeling (Designer).

    Buat pipeline dari templat

    1. Di tab Preset Templates, temukan templat Abnormal Behavior Risk Control dan klik Create.

    2. Di kotak dialog Create Pipeline, tinjau parameter-parameter tersebut.

      Parameter Data Storage menentukan path bucket Object Storage Service (OSS) tempat pipeline menyimpan data sementara dan artefak model yang dihasilkan selama eksekusi.

    3. Klik OK. Pipeline akan dibuat dalam waktu sekitar 10 detik.

    4. Di tab Pipelines, klik ganda Abnormal Behavior Risk Control untuk membuka pipeline tersebut. Kanvas akan menampilkan komponen-komponen pipeline seperti yang ditunjukkan pada gambar berikut.

      Pipeline on predicting system anomalies by monitoring system metrics

    Jalankan pipeline

    1. Di pojok kiri atas kanvas, klik image untuk memulai eksekusi.

    2. Setelah pipeline selesai dijalankan, klik kanan komponen Evaluate dan pilih Visual Analysis.

    3. Di kotak dialog Evaluate, klik tab Index data untuk melihat metrik evaluasi model.

    Evaluasi model

    Hasil evaluasi adalah sebagai berikut:

    • KS: 0,8821572036692878

    • AUC: 0,9834216679657054

    • Skor F1: 0,9510219822599307

    • Sampel Negatif: 1.950

    • Sampel Positif: 2.566

    • Total Sampel: 4.516

    Nilai AUC lebih besar dari 0,9, yang menunjukkan bahwa akurasi prediksi model lebih dari 90%.

    Jika model telah memenuhi ambang batas akurasi Anda, deploy model tersebut ke layanan prediksi online untuk mengaktifkan kontrol risiko nearline pada metrik sistem langsung.