Fitur inspeksi cerdas memeriksa data layanan dan mengidentifikasi anomali secara otomatis, cerdas, serta adaptif. Topik ini menjelaskan cara menggunakan pernyataan SQL untuk mengagregasi metrik guna pelatihan model.
Prasyarat
Data telah dikumpulkan dan disimpan dalam Logstore, yang disebut sebagai Logstore sumber. Untuk informasi lebih lanjut, lihat Ikhtisar Pengumpulan Data.
Indeks telah dikonfigurasikan untuk Logstore sumber. Untuk informasi lebih lanjut, lihat Buat Indeks.
Sebuah instans Analisis Anomali Cerdas telah dibuat. Untuk informasi lebih lanjut, lihat Buat Instans.
Buat pekerjaan inspeksi cerdas
Pergi ke wizard Buat Pekerjaan Inspeksi Cerdas
Masuk ke Konsol Simple Log Service.
Pergi ke wizard Buat Pekerjaan Inspeksi Cerdas.
Di bagian Log Application, klik Intelligent Anomaly Analysis.
Dalam daftar instans, klik ID instans tempat Anda ingin membuat pekerjaan inspeksi cerdas.
Di panel navigasi sebelah kiri, klik Intelligent Inspection.
Klik Real-time Inspection.
Di bagian Inspection Job, klik Create Now.
Informasi Dasar
Di langkah Basic Information dari wizard Create Intelligent Inspection Job, konfigurasikan parameter dan klik Next. Tabel berikut menjelaskan parameter tersebut.
Parameter | Deskripsi |
Job Name | Nama pekerjaan inspeksi cerdas. Anda dapat memasukkan nama kustom. |
Project | Proyek tempat Logstore atau Metricstore sumber berada. |
Region | Wilayah tempat proyek berada. |
Logstore Type | Unit penyimpanan tempat data Anda disimpan.
|
Source Logstore | Logstore tempat data sumber Anda disimpan. Parameter ini hanya diperlukan jika Anda mengatur parameter Logstore Type menjadi Logstores. |
Metricstores | Metricstore tempat data sumber Anda disimpan. Parameter ini diperlukan hanya jika Anda menetapkan parameter Logstore Type ke Metricstores. |
Role | Alibaba Cloud Resource Name (ARN) dari |
Target Store | Logstore tujuan. Parameter ini secara otomatis diatur ke |
Pengaturan Fitur Data
Jika data deret waktu yang ingin Anda analisis berisi label anomali saat mengonfigurasi parameter di langkah Pengaturan Fitur Data, pilih tab Data Feature Setting pada tabel berikut. Jika data deret waktu tidak berisi label anomali, pilih tab Anomaly Injection.
Untuk informasi tentang pernyataan kueri, lihat Ikhtisar Pencarian Log dan Ikhtisar Kueri dan Analisis Log.
Pengaturan Fitur Data
Pernyataan kueri sampel
* | select (__time__ - __time__%60) as time, entity, count(*) as metric, if(count(*) > 1000, 1, 0) as label from log group by time, entity limit 1000000Nama Label:
labelEntitas:
entityFitur:
metricParameter
Deskripsi
Waktu
Bidang yang menentukan waktu dalam data sumber.
Granularitas
Interval pengamatan data. Satuan: detik. Nilai valid: 5 hingga 3600. Kami sarankan Anda menetapkan parameter ini ke nilai yang tidak kurang dari 60.
Entitas
Bidang yang menentukan entitas dalam data sumber. Pekerjaan inspeksi cerdas menggabungkan data untuk menghasilkan deret waktu untuk entitas berdasarkan bidang yang ditentukan.
Fitur
Bidang yang menentukan fitur dalam data sumber.
Nama Label
Bidang yang digunakan untuk mengidentifikasi label anomali dalam data sumber. Nilai valid:
1: titik data yang sesuai adalah data anomali.
0: titik data yang sesuai adalah data normal.
Injeksi Anomali
Pernyataan kueri sampel
* | select (__time__ - __time__%60) as time, entity, count(*) as metric from log group by time, entity limit 1000000Entitas:
entityFitur:
metricTingkat Anomali:
0,001
Parameter
Deskripsi
Waktu
Bidang yang menentukan waktu dalam data sumber.
Granularitas
Interval pengamatan data. Satuan: detik. Nilai valid: 5 hingga 3600. Kami sarankan Anda menetapkan parameter ini ke nilai yang tidak kurang dari 60.
Entitas
Bidang yang menentukan entitas dalam data sumber. Pekerjaan inspeksi cerdas menggabungkan data untuk menghasilkan deret waktu untuk entitas berdasarkan bidang yang ditentukan.
Fitur
Bidang yang menentukan fitur dalam data sumber.
Injeksi Anomali
Menentukan apakah akan menyimpan data anomali yang diinjeksikan.
Tingkat Anomali
Rasio data anomali yang diinjeksikan terhadap data deret waktu. Misalnya, jika Anda menetapkan parameter ini ke 0.001, 0,1% dari data deret waktu adalah anomali.
Tipe Anomali
Tipe anomali yang diinjeksikan ke dalam urutan fitur.
Konfigurasi Algoritma
Di langkah Konfigurasi Algoritma, konfigurasikan parameter Algoritma. Hanya algoritma deteksi anomali terawasi yang didukung.
Di bagian Scheduling Settings, konfigurasikan parameter. Tabel berikut menjelaskan parameter tersebut.
Parameter
Deskripsi
Mulai Pada
Waktu mulai dari deret waktu yang datanya diproses oleh tugas pelatihan model.
Waktu Akhir
Waktu akhir dari deret waktu yang datanya diproses oleh tugas pelatihan model.
Waktu Akhir Pembelajaran Model
Waktu akhir dari deret waktu yang digunakan untuk melakukan pelatihan model. Nilai parameter ini harus lebih besar dari nilai parameter Mulai Pada dan lebih kecil dari nilai parameter Waktu Akhir. Data deret waktu yang dihasilkan antara waktu yang ditentukan oleh parameter Mulai Pada dan waktu yang ditentukan oleh parameter Waktu Akhir Pembelajaran Model digunakan untuk pelatihan model. Data deret waktu yang dihasilkan antara waktu yang ditentukan oleh parameter Waktu Akhir Pembelajaran Model dan waktu yang ditentukan oleh parameter Waktu Akhir digunakan untuk validasi model.