SLS Intelligent Anomaly Analysis - arsitektur manfaat batasan - Simple Log Service

Intelligent Anomaly Analysis adalah aplikasi SLS yang menawarkan ketersediaan tinggi dan skalabilitas tinggi, serta menyediakan pemeriksaan kesehatan cerdas, analitik teks, dan analisis akar penyebab.

Penting

Mulai 15 Juli 2025 (UTC+8), fitur Intelligent Anomaly Analysis tidak akan lagi tersedia untuk pengguna baru. Pengguna yang sudah ada dapat terus menggunakannya.

Lingkup dampak

Fitur inti berikut ini akan dihentikan: pemeriksaan kesehatan cerdas, analitik teks, dan peramalan deret waktu.
Solusi Migrasi Fitur

Fitur sintaksis pembelajaran mesin, kueri dan analisis terjadwal (SQL terjadwal), serta dashboard dari SLS dapat sepenuhnya menggantikan fitur-fitur yang dihentikan tersebut.

Arsitektur layanan

Intelligent Anomaly Analysis menerapkan pembelajaran mesin pada metrik, log, dan hubungan layanan dalam skenario O&M. Layanan ini menghasilkan event anomali dan mengorelasikan data deret waktu dengan event melalui topologi layanan, sehingga mengurangi kompleksitas O&M dan meningkatkan kualitas layanan.

Komponen utama:

Logstore: SLS menyediakan Logstore untuk menyimpan data log. Kueri dan analisis log menggunakan sintaksis SQL-92. Ikhtisar kueri dan analisis log.
Metricstore: SLS menyediakan Metricstore untuk menyimpan data deret waktu. Analisis metrik menggunakan sintaksis SQL-92 atau PromQL. Sintaksis untuk kueri dan analisis data metrik.
Algoritma pembelajaran mesin: SLS menyediakan algoritma spesifik skenario untuk data deret waktu dan teks guna menghasilkan data anomali. Algoritma pemeriksaan kesehatan cerdas dan Algoritma analitik teks.
Peringatan: Hasilkan notifikasi untuk hasil anomali. Apa itu fitur peringatan Simple Log Service?.

Manfaat

Mendeteksi anomali di berbagai metrik entitas dengan konfigurasi minimal—tidak memerlukan aturan peringatan khusus.
Menganalisis log teks tak terstruktur untuk secara otomatis menemukan pola abnormal.
Mendukung anotasi hasil algoritma untuk meningkatkan akurasi model seiring waktu.
Ketersediaan peringatan 99,9%, dibangun di atas ketersediaan tinggi dan keandalan data SLS.
Integrasi mendalam dengan fitur peringatan SLS untuk pengalaman yang mulus.

Skenario

Skenario yang Direkomendasikan:

Anda perlu mengamati banyak objek di berbagai dimensi.
Kurva metrik tidak memiliki aturan ambang batas yang jelas.
Mengelola banyak aturan pemantauan secara manual tidak praktis.
Anda perlu menambang pola dari log teks saat memproses data log tak terstruktur.
Skema jejak Anda memiliki topologi layanan yang telah ditetapkan.
Anda memiliki topologi layanan kustom.

Istilah

Konsep Dasar	Deskripsi
Deret waktu	Nilai metrik yang direkam pada interval sama dengan stempel waktu UNIX. Diperlukan sebagai input untuk algoritma pemeriksaan kesehatan.
Entitas	Objek yang diamati dalam tugas pemeriksaan kesehatan cerdas. Contohnya, entitas untuk layanan pada sebuah mesin dijelaskan sebagai `"192.0.2.0": alamat IP mesin, "80": nomor port layanan`. Anda dapat mengidentifikasi entitas tersebut secara unik menggunakan alamat IP mesin dan nomor port layanan.
Metrik emas	Metrik yang secara akurat menggambarkan kualitas layanan atau stabilitas entitas yang diamati. Contoh: Untuk menggambarkan kualitas permintaan suatu nama domain, metrik emas yang sesuai adalah latensi respons rata-rata per menit, jumlah permintaan per menit, jumlah permintaan gagal per menit, dan jumlah trafik tulis per menit. Untuk menggambarkan status mesin, metrik emas yang sesuai adalah utilisasi CPU dalam mode user per menit, utilisasi CPU dalam mode kernel per menit, ukuran memori resident per menit, jumlah I/O disk per menit, dan beban sistem rata-rata per menit. Untuk menggambarkan status bucket OSS, metrik emas yang sesuai adalah jumlah operasi tulis dalam bucket per menit, jumlah operasi baca dalam bucket per menit, dan jumlah trafik tulis dalam bucket per menit.
Jenis anomali	Tujuh jenis anomali bawaan membantu Anda menyaring titik-titik yang menarik. Jenis anomali pemeriksaan kesehatan cerdas dan Jenis anomali analitik teks.
Metode normalisasi	Mengubah ekspresi berdimensi menjadi skalar tanpa dimensi untuk meningkatkan efektivitas deteksi anomali.
Metode penyaringan	Menghilangkan sinyal pada pita frekuensi tertentu untuk menekan gangguan. Menghasilkan kurva yang lebih halus untuk deteksi anomali yang lebih efektif.
Anotasi	Beri label hasil pemeriksaan kesehatan sebagai umpan balik ke sistem analisis anomali.
Positif palsu	Ketika model melaporkan anomali yang menurut Anda salah, beri label sebagai positif palsu. Sistem menggunakan umpan balik ini untuk pelatihan ulang model.
Negatif palsu	Ketika model melewatkan suatu anomali, beri label secara manual pada titik data apa pun untuk melaporkan deteksi yang terlewat.
Ekstraksi pola	Menarik pola dari teks untuk menggambarkan kelas teks yang serupa.
Pengelompokan	Mengelompokkan objek serupa ke dalam kluster. Objek dalam satu kluster mirip satu sama lain dan berbeda dari objek di kluster lain.
Tidak terawasi	Pengenalan pola menggunakan sampel pelatihan tanpa label.
Terawasi	Menyimpulkan fungsi atau model dari data pelatihan berlabel.
Konstanta log	Log sering dihasilkan oleh pernyataan `logging` atau `print` dalam program. Misalnya, log `connect mysql server, latency 212ms` mungkin dihasilkan oleh pernyataan keluaran log `logging.info("connect mysql server, latency %dms")`. Bagian yang selalu disertakan setiap kali pernyataan keluaran log dieksekusi disebut konstanta log, seperti `connect mysql server, latency ms`.
Variabel log	Log sering dihasilkan oleh pernyataan `logging` atau `print` dalam program. Misalnya, log `connect mysql server, latency 212ms` mungkin dihasilkan oleh pernyataan keluaran log `logging.info("connect mysql server, latency %dms")`. Bagian yang berubah setiap kali pernyataan keluaran log dieksekusi disebut variabel log, seperti angka `212` dalam contoh ini.
Templat log	Teks yang terdiri dari bagian konstan log dan karakter wildcard untuk bagian variabel disebut templat log. Sebagai contoh, templat untuk log `connect mysql server, latency 212ms` adalah `connect mysql server, latency ms`. Karakter wildcard asterisk () menggantikan variabel numerik `212`. Anda dapat memilih karakter wildcard berdasarkan jenis variabel. Misalnya, Anda dapat menggunakan `NUM` untuk merepresentasikan variabel numerik. Templat log kemudian menjadi `connect mysql server, latency NUMms`.
Kelas log	Setiap kelas log mencakup satu templat log yang merepresentasikan kelas tersebut. Jika konten log cocok dengan templat log, maka log tersebut dianggap termasuk dalam kelas log tersebut.

Batasan

Jenis tugas	Batasan	Deskripsi
Pemeriksaan kesehatan cerdas	Skala entitas pemeriksaan	Satu tugas mendukung maksimal 10.000 entitas pemeriksaan. Untuk meningkatkan batas ini, ajukan tiket untuk mengajukan permintaan.
	Granularitas deret waktu pemeriksaan	Kurva satu entitas harus berjarak sama dan kontinu. Dalam skenario SQL, granularitas minimum yang didukung adalah per menit. Untuk granularitas lebih halus, ajukan tiket untuk mengajukan permintaan.
	Notifikasi hasil anomali	Saat ini, hanya saluran notifikasi DingTalk Robot yang mendukung pelabelan umpan balik untuk hasil anomali. Untuk saluran notifikasi lainnya, ajukan tiket untuk mengajukan permintaan.
Analitik teks	Skala bidang teks	Maksimal lima bidang teks per tugas.
Analitik teks	Skala templat bidang umum	Maksimal enam templat umum per tugas.

Penagihan

Aplikasi pemeriksaan kesehatan cerdas sedang dalam pratinjau publik dan gratis.