Fitur inspeksi cerdas dari Simple Log Service memungkinkan Anda memeriksa data seperti metrik dan log bisnis serta mengidentifikasi anomali secara otomatis, cerdas, dan adaptif. Fitur ini menggunakan algoritma graf aliran, algoritma dekomposisi aliran, dan algoritma deteksi anomali terawasi untuk memeriksa data. Topik ini menjelaskan skenario, pengaturan parameter, dan deskripsi pratinjau dari ketiga algoritma tersebut.
Algoritma graf aliran
Algoritma graf aliran dikembangkan berdasarkan Time2Graph. Algoritma ini dapat mengurangi kebisingan data dan menghitung offset setiap sampel abnormal. Cocok digunakan dalam skenario pemeriksaan sejumlah besar deret waktu dengan tingkat kebisingan data yang signifikan tetapi perubahan siklus yang tidak signifikan. Untuk informasi lebih lanjut, lihat Prediksi Peristiwa Deret Waktu dengan Graf Keadaan Evolusioner.
Skenario
Algoritma graf aliran menggunakan metode pembelajaran mesin online untuk menganalisis setiap sampel dan belajar dari data sampel secara real-time. Algoritma ini dapat digunakan untuk mengidentifikasi anomali pada jenis deret waktu berikut:
Metrik tingkat mesin, seperti utilisasi CPU, penggunaan memori, dan kecepatan baca/tulis disk.
Metrik kinerja, seperti permintaan per detik (QPS), volume lalu lintas, tingkat keberhasilan, dan latensi.
Metrik emas.
Parameter
Anda dapat mengonfigurasi parameter algoritma graf aliran di bagian Algorithm Configurations pada langkah Konfigurasi Algoritma dalam wizard Create Intelligent Inspection Job. Untuk informasi lebih lanjut, lihat Gunakan pernyataan SQL untuk mengumpulkan metrik untuk inspeksi real-time.
Parameter | Subparameter | Deskripsi |
(Diperlukan) Parameter Lanjutan | Segmen Deret Waktu | Jumlah segmen ke dalam mana deret waktu metrik yang ditentukan didiskretisasi. Diskretisasi membantu membangun grafik metrik.
|
Panjang Observasi | Jumlah sampel historis yang ingin Anda periksa selama deteksi anomali.
| |
Panjang Perbandingan Periode-ke-Periode | Periode waktu berdasarkan mana analisis periode-ke-periode dilakukan. Satuan: hari. Analisis periode-ke-periode dilakukan pada metrik yang ingin Anda periksa selama deteksi anomali. Jika Anda menetapkan parameter ini ke 0, algoritma tidak akan melakukan analisis periode-ke-periode. | |
Tipe Penangkapan Utama | Tipe anomali deret waktu yang memerlukan perhatian khusus. Nilai valid:
| |
Pohon | Jumlah pohon keputusan. Algoritma graf aliran menggunakan pohon keputusan untuk inspeksi tambahan. | |
Ukuran Sampel per Pohon | Jumlah sampel yang dikumpulkan dari data yang ingin Anda periksa ketika algoritma graf aliran membangun pohon deteksi selama deteksi anomali. | |
Tingkat Anomali Keseluruhan | Perkiraan tingkat data anomali yang termasuk dalam deret waktu. Nilai valid: 0,001 hingga 0,01. | |
Panjang Minimum untuk Pemeriksaan Tipe Anomali | Panjang minimum deret waktu yang dirujuk selama penangkapan anomali. | |
Panjang Maksimum untuk Pemeriksaan Tipe Anomali | Panjang maksimum deret waktu yang dirujuk selama penangkapan anomali. | |
Panjang Minimum untuk Konfirmasi Anomali | Panjang minimum deret waktu yang ingin Anda periksa selama penangkapan anomali. | |
Panjang Maksimum untuk Konfirmasi Anomali | Panjang maksimum deret waktu yang ingin Anda periksa selama penangkapan anomali. | |
Konfigurasi Fitur Dimensi Tunggal | - | Fitur deret waktu yang ingin Anda periksa. Anda harus mengonfigurasi fitur-fitur berikut secara terpisah:
|
Konfigurasi Sensitivitas Notifikasi | - | Ambang batas berdasarkan mana notifikasi peringatan dikirim. Anda harus mengonfigurasi ambang batas yang berbeda untuk anomali yang terdeteksi pada periode waktu yang berbeda. Misalnya, Anda dapat mengabaikan anomali yang terdeteksi selama periode pemeliharaan mingguan terjadwal layanan. |
Algoritma dekomposisi aliran
Algoritma dekomposisi aliran dikembangkan berdasarkan RobustSTL. Algoritma ini mendukung pemrosesan batch tetapi memiliki biaya lebih tinggi dibandingkan algoritma graf aliran. Cocok digunakan dalam skenario pemeriksaan sejumlah kecil metrik kinerja secara presisi. Jika Anda ingin menganalisis sejumlah besar data, kami merekomendasikan untuk membagi data menjadi batch atau menggunakan algoritma graf aliran. Untuk informasi lebih lanjut, lihat RobustSTL: Algoritma Dekomposisi Musiman-Tren yang Kuat untuk Deret Waktu Panjang.
Skenario
Algoritma dekomposisi aliran dapat digunakan untuk memeriksa data dengan perubahan siklikal utama, seperti metrik kinerja yang memiliki pola siklikal yang jelas.
Contoh data dengan perubahan siklikal mencakup jumlah kunjungan ke game dan jumlah pesanan yang ditempatkan oleh pelanggan.
Parameter
Anda dapat mengonfigurasi parameter algoritma dekomposisi aliran di bagian Algorithm Configurations pada langkah Konfigurasi Algoritma dalam wizard Create Intelligent Inspection Job. Untuk informasi lebih lanjut, lihat Gunakan pernyataan SQL untuk mengumpulkan metrik untuk inspeksi real-time.
Konfigurasikan algoritma.
Parameter
Subparameter
Deskripsi
Deteksi Periodik Otomatis
-
Menentukan apakah akan mengaktifkan deteksi periodik otomatis. Deteksi periodik otomatis cocok untuk skenario di mana data deret waktu memiliki musiman. Jika musiman deret waktu konstan, kami merekomendasikan Anda menonaktifkan deteksi periodik otomatis dan mengonfigurasi panjang periode secara manual.
Frekuensi Deteksi Periodik
-
Frekuensi di mana deteksi periodik dilakukan. Parameter ini hanya berlaku jika Anda mengaktifkan deteksi periodik otomatis. Algoritma secara berkala memperbarui musiman deret waktu berdasarkan frekuensi yang dikonfigurasi. Misalnya, jika Anda menetapkan nilainya ke 12 jam, algoritma secara otomatis mendeteksi dan memperbarui musiman deret waktu setiap 12 jam.
Panjang Periode
-
Panjang waktu musiman deret waktu. Parameter ini hanya berlaku jika Anda menonaktifkan deteksi periodik otomatis. Jika deret waktu tidak memiliki musiman, tetapkan nilainya ke 0.
Panjang Observasi
-
Panjang waktu selama data historis dirujuk selama deteksi anomali. Jika deret waktu memiliki musiman, kami merekomendasikan Anda menetapkan nilainya ke tiga kali nilai parameter Panjang Periode. Misalnya, jika Anda menetapkan parameter Panjang Periode ke 1 hari, tetapkan parameter ini ke 3 hari.
Sensitivitas
-
Sensitivitas deteksi. Jumlah anomali yang terdeteksi dan skor anomali meningkat secara linear dengan nilai parameter ini. Jika Anda menetapkan parameter ini ke nilai besar, tingkat recall anomali tinggi dan akurasi deteksi rendah.
Parameter Lanjutan
Sensitivitas Komponen Tren
Sensitivitas komponen tren. Algoritma mendekomposisi deret waktu menjadi komponen tren, komponen musiman, dan komponen kebisingan. Selama deteksi anomali komponen tren, jumlah anomali yang terdeteksi dan skor anomali meningkat secara linear dengan sensitivitas komponen tren. Jika Anda menetapkan parameter ini ke nilai besar, tingkat recall anomali tinggi dan akurasi deteksi rendah.
Sensitivitas Kebisingan
Sensitivitas komponen kebisingan. Algoritma mendekomposisi deret waktu menjadi komponen tren, komponen musiman, dan komponen kebisingan. Selama deteksi anomali komponen kebisingan, jumlah anomali yang terdeteksi dan skor anomali meningkat secara linear dengan sensitivitas komponen tren. Jika Anda menetapkan parameter ini ke nilai besar, tingkat recall anomali tinggi dan akurasi deteksi rendah.
Langkah Pengambilan Sampel Komponen Tren
Langkah pengambilan sampel komponen tren. Algoritma mendekomposisi deret waktu menjadi komponen tren, komponen musiman, dan komponen kebisingan. Jika panjang deret waktu yang diamati terlalu panjang, analisis komponen tren lambat. Jika Anda menetapkan parameter ini ke nilai besar, analisis komponen tren cepat. Namun, akurasi deteksi komponen tren mungkin berkurang. Misalnya, jika Anda menetapkan parameter ini ke 8, satu titik data dari setiap delapan titik data diambil sampelnya dari deret waktu asli untuk analisis komponen tren.
Langkah Pengambilan Sampel Komponen Musiman
Langkah pengambilan sampel komponen musiman. Algoritma mendekomposisi deret waktu menjadi komponen tren, komponen musiman, dan komponen kebisingan. Jika panjang deret waktu yang diamati terlalu panjang, analisis komponen musiman lambat. Jika Anda menetapkan parameter ini ke nilai besar, analisis komponen musiman cepat. Namun, akurasi deteksi komponen musiman mungkin berkurang. Misalnya, jika Anda menetapkan parameter ini ke 8, satu titik data dari setiap delapan titik data diambil sampelnya dari deret waktu asli untuk analisis komponen musiman. Kami merekomendasikan Anda menetapkan parameter ini ke nilai tidak lebih dari 5.
Panjang Jendela
Jika panjang deret waktu yang diamati terlalu panjang, deteksi anomali lambat. Setelah Anda menentukan parameter ini, algoritma mendeteksi data dalam segmen-segmen di jendela geser untuk meningkatkan kecepatan deteksi. Kami merekomendasikan Anda menetapkan parameter ini ke nilai tidak lebih dari 5000. Jika Anda tidak ingin algoritma mendeteksi data di jendela geser, tetapkan parameter ini ke 0.
Di bagian pratinjau, klik Show untuk melihat hasil konfigurasi algoritma.
Tentukan rentang waktu selama deteksi dilakukan pada deret waktu. Klik Data Query untuk memproses data dalam rentang waktu yang ditentukan dan menghasilkan data deret waktu menggunakan pernyataan kueri yang dikonfigurasi di langkah Data Feature Settings.
Konfigurasikan parameter Entity Information dan Feature untuk menentukan urutan fitur yang akan dideteksi. Klik Preview untuk memanggil algoritma deteksi guna memproses urutan fitur yang ditentukan. Hasil deteksi ditampilkan di bagian bawah halaman. Klik Display Parameters untuk menampilkan konfigurasi algoritma.
Trend Component Preview, Seasonal Component Preview, dan Noise Preview ditampilkan dalam hasil deteksi. Anda dapat menyesuaikan ambang batas anomali untuk Trend Component Preview dan Noise Preview. Dengan demikian, peringatan hanya akan dihasilkan jika skor anomali melebihi ambang batas yang telah ditentukan.
Algoritma deteksi anomali terawasi
Algoritma deteksi anomali terawasi
Algoritma deteksi anomali terawasi membangun fitur untuk data deret waktu. Algoritma ini menggunakan fitur dan label anomali data deret waktu untuk melatih model klasifikasi terawasi, seperti pohon keputusan dan random forest. Setelah model dilatih, algoritma menggunakan model tersebut untuk melakukan deteksi anomali.
Skenario
Algoritma deteksi anomali terawasi cocok untuk data deret waktu yang berisi label anomali, serta data deret waktu yang tidak dapat diproses oleh algoritma graf aliran atau algoritma dekomposisi aliran.
Parameter
Anda dapat mengonfigurasi parameter algoritma deteksi anomali terawasi di bagian Algorithm Configurations pada langkah Konfigurasi Algoritma dalam wizard Create Model Training Job. Untuk informasi lebih lanjut, lihat Gunakan pernyataan SQL untuk mengumpulkan metrik untuk pelatihan model.