Log Service は、異常なメトリックのサブディメンションをすばやく分析して特定するのに役立つ強力な警告機能と分析機能を提供します。 時系列メトリックが異常な場合は、根本原因分析機能を使用して、異常なメトリックの原因となったディメンション属性をすばやく分析することができます。

rca_kpi_search

関数のフォーマット: 
select rca_kpi_search(varchar_array, name_array, real, forecast, level)
次の表に、関数のパラメーターを示します。
項目説明値
varchar_アレイディメンションです。配列。 Example: アレイ [col1、col2、col3] 。
名_アレイディメンション属性です。配列。 例: array['col1', 'col2', 'col3'] 。
リアルvarchar_arrayで指定された各ディメンションの実際の値。Double 型 有効な値: すべての実数
予測The予測値の各寸法varchar_arrayで指定された。Double 型 有効な値: すべての実数
level出力根本原因セットに対応するディメンションの数です。 値 0 は、見つかったすべての根本原因セットが返されることを示します。long 型。 有効な値: [0, 分析されるディメンションの数] 分析されるディメンションの数は、varchar_array パラメーターで指定された配列の要素の数です。
例：
  • Theクエリ文は以下のように。

    クエリステートメントでは、サブクエリを使用して各細粒属性の実際の値と予測値を取得し、rca_kpi_search関数を呼び出して例外の根本原因を分析します。

    * notステータス: 200 |
rca_kpi_searchを選択 (
 array[ ProjectName, LogStore, UserAgent, Method ],
 array[ 'ProjectName', 'LogStore', 'UserAgent', 'Method' ], real, forecast, 1)
から (
ProjectName、LogStore、UserAgent、メソッド、
 sum (time < 1552436040 then real else 0 endの場合) * 1.0 / sum (time < 1552436040の場合)
次に1 else 0 end) を予測として、
 sum (time >=1552436040 then real else 0 endの場合) * 1.0 / sum (time >=1552436040の場合)
その後1 else 0 end) としてリアル
 から (
__time__ - _time__ % 60をtimeとして選択、ProjectName、LogStore、UserAgent、メソッド、COUNT(*) をrealとして選択
ロググループから時間、ProjectName、LogStore、UserAgent、メソッド)
GROUP BY ProjectName、LogStore、UserAgent、メソッド制限100000000)
  • 以下の図にテスト結果を示します。出力結果
出力結果の構造を次の図に示します。出力結果構造
表示項目について、次の表に説明します。
表示項目説明
rcSets根本原因セットです。 各値は配列です。
rcItems根本原因セットです。
kpi配列である根本原因セット内のKPI。 配列内の各値はJSON形式です。 attrはディメンションを示し、valはディメンション内の属性を示します。
nleaf現在の KPI が生データでカバーするリーフの数です。
説明 リーフは、最もきめ細かい属性のログです。
変更現在の KPI でカバーされるリーフの変化の、同じ時点での総変化に対する比率です。
スコア現在の KPI の異常スコアです。 有効な値: [0, 1]
出力結果は次のようにJSON形式です。 
{
  "rcSets": [
  {
    "rcItems": [
    {
      "kpi": [
      {
        "attr": "国" 、
        "val": "*"
      },
      {
        "attr": "province" 、
        "val": "*"
      },
      {
        "attr": "provider" 、
        "val": "*"
      },
      {
        "attr": "domain" 、
        "val": "example.com"
      },
      {
        "attr": "method" 、
        "val": "*"
      }
      ],
      "nleaf": 119、
      "change": 0.3180687806279939、
      "score": 0.14436007709620113
    }
    ]
  }
  ]
}