Todos os produtos
Search

Este produto

    Platform For AI:Monitoramento de métricas anômalas

    Central de documentação

    Platform For AI:Monitoramento de métricas anômalas

    Última atualização: Jun 27, 2026

    Sistemas geram anomalias, como picos repentinos de CPU, inundações de rede e transições de estado inesperadas. Identificá-las antes que se agravem exige um modelo capaz de monitorar métricas em tempo real e sinalizar desvios antes que se tornem incidentes. Este tutorial ensina a criar e avaliar um modelo de classificação binária no PAI (Platform for AI) para detectar anomalias do sistema com base em logs de monitoramento.

    Pré-requisitos

    Antes de começar, verifique se você atende aos seguintes requisitos:

    • Conhecimento dos fundamentos de machine learning, especialmente engenharia de features e algoritmos de classificação binária

    • Mais de 1.000 registros de dados rotulados (cada um classificado como anomaly ou normal)

    • Disponibilidade de um a dois dias para o desenvolvimento de ponta a ponta

    • Um workspace do PAI ativo com acesso ao Visualized Modeling (Designer)

    Conjunto de dados

    Este tutorial utiliza um conjunto de dados de logs de monitoramento no nível do sistema com 22.544 registros, dos quais 9.711 são rotulados como anomalias. A figura a seguir mostra uma amostra dos dados.

    Sample data of the pipeline

    Parâmetro

    Descrição

    protocol_type

    Protocolo da conexão de rede. Valores válidos: tcp, icmp, udp.

    service

    Protocolo de serviço. Valores válidos: http, finger, pop, private, smtp.

    flage

    Status da conexão. Valores válidos: SF, RSTO, REJ.

    a2–a38

    Métricas do sistema.

    class

    Campo de rótulo. normal indica um evento normal do sistema; anomaly indica uma anomalia do sistema.

    Funcionamento do pipeline

    O pipeline é executado em quatro etapas:

    1. Ingestão de dados: importa o conjunto de dados de logs de monitoramento rotulados.

    2. Engenharia de features: prepara os dados para treinamento.

      • O componente One Hot Encoding converte features do tipo string (como protocol_type e service) em valores numéricos.

      • A Normalization ajusta todos os valores numéricos para a faixa de 0 a 1. Isso evita que uma única métrica domine o modelo devido à sua magnitude.

      • O SQL Script transforma o rótulo class em um inteiro binário: anomaly → 1, normal → 0. A instrução SQL é:

        SELECT (CASE class WHEN 'anomaly' THEN 1 ELSE 0 END) AS class FROM ${t1};

    3. Treinamento do modelo: treina um modelo de classificação binária por regressão logística nos dados preparados para distinguir eventos normais de anomalias.

    4. Avaliação: mede a qualidade do modelo usando a área sob a curva (AUC), estatística de Kolmogorov-Smirnov (KS) e F1 score.

    Crie e execute o pipeline

    Abra o Visualized Modeling (Designer)

    1. Faça login no PAI console.

    2. No painel de navegação à esquerda, clique em Workspaces e selecione o workspace desejado.

    3. No painel de navegação à esquerda, escolha Model Training > Visualized Modeling (Designer).

    Crie o pipeline a partir de um modelo

    1. Na aba Preset Templates, localize o modelo Abnormal Behavior Risk Control e clique em Create.

    2. Na caixa de diálogo Create Pipeline, revise os parâmetros.

      O parâmetro Data Storage especifica o caminho do bucket do Object Storage Service (OSS) onde o pipeline armazena dados temporários e artefatos de modelo gerados durante a execução.

    3. Clique em OK. O pipeline será criado em aproximadamente 10 segundos.

    4. Na aba Pipelines, clique duas vezes em Abnormal Behavior Risk Control para abrir o pipeline. O canvas exibirá os componentes do pipeline, conforme mostrado na figura a seguir.

      Pipeline on predicting system anomalies by monitoring system metrics

    Execute o pipeline

    1. No canto superior esquerdo do canvas, clique em image para iniciar a execução.

    2. Após a conclusão do pipeline, clique com o botão direito no componente Evaluate e selecione Visual Analysis.

    3. Na caixa de diálogo Evaluate, clique na aba Index data para visualizar as métricas de avaliação do modelo.

    Avalie o modelo

    A figura a seguir apresenta os resultados da avaliação.

    Model evaluation chart

    O valor de AUC é superior a 0,9, indicando que a precisão de previsão do modelo ultrapassa 90%.

    Quando o modelo atingir o limiar de precisão desejado, implante-o em um serviço de previsão online para ative o controle de risco nearline nas métricas ativas do sistema.