Lindorm:時系列異常検出

適用可能なエンジンとバージョン

時系列異常検出構文は、LindormTSDB にのみ適用できます。 時系列異常検出構文は、LindormTSDB のすべてのバージョンでサポートされています。

制限事項

時系列異常検出構文は、SAMPLE BY 句と一緒に使用する必要があります。

概要

時系列異常検出は、指定された時系列の異常点を検出するために、DAMO Academy によって開発されたオンライン異常検出アルゴリズムをサポートしています。 検出中に、これらのアルゴリズムは、データの傾向や期間などの時系列データの特性を継続的に学習し、新しく挿入された時系列ポイントの異常を検出します。 たとえば、新しく追加された時系列ポイントの値が他のポイントと大きく異なる場合、アルゴリズムはこのポイントが異常であると想定します。

SAMPLE BY 句を使用して、時系列異常検出を以下の方法で使用できます。

• SAMPLE BY 0 句を使用して、すべての時系列の各データポイントを検出します。 この句の使用方法の詳細については、例 1、例 2、および 例 3 をご参照ください。

• SAMPLE BY INTERVAL 句を使用して、ダウンサンプリング間隔を指定し、MIN、MAX、AVG、COUNT、SUM などのネストされたダウンサンプリング演算子を使用します。

  重要

  INTERVAL の値を 0 にすることはできません。

  この句の使用方法の詳細については、例 4 をご参照ください。

• SAMPLE BY 0 句と、LATEST、DELTA、RATE などのネストされたダウンサンプリング演算子を使用して、異なるデータをクエリします。 この句の使用方法の詳細については、例 5 をご参照ください。

構文

select_sample_by_statement ::=  SELECT ( select_clause )
                                FROM table_identifier
                                WHERE where_clause
                                SAMPLE BY 0
select_clause              ::=  selector [ AS identifier ] ( ',' selector [ AS identifier ] )
selector                   ::=  tag_identifier, | time | anomaly_detect '(' field_identifier ',' algo_identifier | model_identifier [ ',' options] ')'
where_clause               ::=  relation ( AND relation )* (OR relation)*
relation                   ::=  ( field_identifier| tag_identifier, ) operator term
operator                   ::=  '=' | '<' | '>' | '<=' | '>=' | '!=' | IN | CONTAINS | CONTAINS KEY

カテゴリ

パラメーター

例

• 例 1: esd アルゴリズムを使用して、sensor という名前の時系列テーブルの特定の時間範囲内の温度データの異常を検出します。

  SELECT device_id, region, time, anomaly_detect(temperature, 'esd') AS detect_result FROM sensor WHERE time >= '2022-01-01 00:00:00' and time < '2022-01-01 00:01:00' SAMPLE BY 0;

  次の結果が返されます。

  +-----------+----------+---------------------------+---------------+
  | device_id |  region  |           time            | detect_result |
  +-----------+----------+---------------------------+---------------+
  | F07A1260  | north-cn | 2022-01-01T00:00:00+08:00 | true          |
  | F07A1260  | north-cn | 2022-01-01T00:00:01+08:00 | false         |
  | F07A1260  | north-cn | 2022-01-01T00:00:02+08:00 | true          |
  | F07A1261  | south-cn | 2022-01-01T00:00:00+08:00 | false         |
  | F07A1261  | south-cn | 2022-01-01T00:00:01+08:00 | false         |
  | F07A1261  | south-cn | 2022-01-01T00:00:02+08:00 | false         |
  | F07A1261  | south-cn | 2022-01-01T00:00:03+08:00 | false         |
  +-----------+----------+---------------------------+---------------+

• 例 2: esd アルゴリズムを使用して、sensor テーブルの特定の時間範囲内の F07A1260 デバイスの温度データの異常を検出します。

  SELECT device_id, region, time, anomaly_detect(temperature, 'esd') AS detect_result FROM sensor WHERE device_id in ('F07A1260') and time >= '2022-01-01 00:00:00' and time < '2022-01-01 00:01:00' SAMPLE BY 0;

  次の結果が返されます。

  +-----------+----------+---------------------------+---------------+
  | device_id |  region  |           time            | detect_result |
  +-----------+----------+---------------------------+---------------+
  | F07A1260  | north-cn | 2022-01-01T00:00:00+08:00 | true          |
  | F07A1260  | north-cn | 2022-01-01T00:00:01+08:00 | false         |
  | F07A1260  | north-cn | 2022-01-01T00:00:02+08:00 | true          |
  +-----------+----------+---------------------------+---------------+

• 例 3: esd アルゴリズムを使用し、パラメーターを構成して、sensor テーブルの特定の時間範囲内の F07A1260 デバイスの温度データの異常を検出します。

  SELECT device_id, region, time, anomaly_detect(temperature, 'esd', 'lenHistoryWindow=30,maxAnomalyRatio=0.1') AS detect_result FROM sensor WHERE device_id in ('F07A1260') and time >= '2022-01-01 00:00:00' and time < '2022-01-01 00:01:00' SAMPLE BY 0;

  次の結果が返されます。

  +-----------+----------+---------------------------+---------------+
  | device_id |  region  |           time            | detect_result |
  +-----------+----------+---------------------------+---------------+
  | F07A1260  | north-cn | 2022-01-01T00:00:00+08:00 | false         |
  | F07A1260  | north-cn | 2022-01-01T00:00:01+08:00 | false         |
  | F07A1260  | north-cn | 2022-01-01T00:00:02+08:00 | true          |
  +-----------+----------+---------------------------+---------------+

• 例 4: ステートメントでネストされたダウンサンプリング演算子 MAX を使用し、ダウンサンプリング間隔を 1 分として指定します。

  SELECT time, anomaly_detect(max(temperature), 'esd') AS ad_result, max(temperature) AS rawVal FROM sensor SAMPLE BY 1m;

  次の結果が返されます。

  +---------------------------+-----------+-------------+
  |           time            | ad_result |   rawVal    |
  +---------------------------+-----------+-------------+
  | 2022-04-12T06:00:00+08:00 | null      | 923091.3175 |
  | 2022-04-11T08:00:00+08:00 | null      | 8035700     |
  | 2022-04-11T09:00:00+08:00 | null      | 8035690.25  |
  | 2022-04-11T10:00:00+08:00 | null      | 3306277.545 |
  | 2022-04-11T11:00:00+08:00 | null      | 5921167.787 |
  | 2022-04-11T12:00:00+08:00 | null      | 833541.304  |
  +---------------------------+-----------+-------------+

• 例 5: ステートメントでネストされた非ダウンサンプリング演算子 LATEST を使用し、ダウンサンプリング間隔を 0 として指定します。

  SELECT time, anomaly_detect(latest(temperature), 'esd') AS ad_result, latest(temperature) AS latestVal FROM sensor SAMPLE BY 0;

  次の結果が返されます。

  +---------------------------+-----------+-------------+
  |           time            | ad_result |  latestVal  |
  +---------------------------+-----------+-------------+
  | 2022-04-12T06:00:00+08:00 | false     | 923091.3175 |
  | 2022-04-13T07:00:00+08:00 | false     | 8037506.75  |
  | 2022-04-13T07:00:00+08:00 | false     | 50490.2     |
  +---------------------------+-----------+-------------+