SLS intelligent inspection algorithms - stream graph, stream decomposition, supervised anomaly detection - Simple Log Service: Central de Documentação do Alibaba Cloud

Algoritmo stream graph

O algoritmo stream graph baseia-se em Time-Series Event Prediction with Evolutionary State Graph (Time2Graph). Ele reduz o ruído dos dados e calcula o deslocamento de amostras anormais. Esse algoritmo é ideal para cenários com grande volume de séries temporais ruidosas e variações cíclicas mínimas.

Cenários

O algoritmo stream graph analisa cada amostra em tempo real por meio de aprendizado de máquina online. Ele identifica anomalias nos seguintes tipos de séries temporais:

Métricas de nível de máquina, como utilização de CPU, uso de memória e velocidades de leitura e gravação de disco
Métricas de desempenho, como consultas por segundo (QPS), volume de tráfego, taxas de sucesso e latência
Golden metrics

Parâmetros

Configure os parâmetros do stream graph na seção Algorithm Configurations do assistente Create Intelligent Inspection Job. Use SQL statements to aggregate metrics for real-time inspection.

Parâmetro	Subparâmetro	Descrição
(Obrigatório) Parâmetros avançados	Time Series Segments	Número de segmentos para discretização da série temporal. A discretização facilita a construção de gráficos de métricas. Valor padrão: 8. Intervalo recomendado: 5 a 20. A sensibilidade da detecção de anomalias diminui linearmente conforme esse valor aumenta.
	Observation Length	Número de amostras históricas utilizadas na detecção de anomalias. Valor padrão: 2.880. Intervalo recomendado: 200 a 4.000. Em séries temporais cíclicas, defina este valor para abranger pelo menos dois ciclos completos. Com granularidade de 1 minuto e ciclo de 1 dia, dois ciclos contêm 2.880 amostras — defina este parâmetro como 2.880 ou superior.
	Period-over-period Comparison Length	Período (em dias) para comparação entre períodos durante a detecção de anomalias. Defina como 0 para desativar a análise de comparação entre períodos.
	Major Capture Type	Tipos de anomalia a priorizar. Valores válidos: Upward Spike: Aumento repentino no valor da métrica. Downward Spike: Queda repentina no valor da métrica. Upward Shift: O valor da métrica sobe e estabiliza durante um período. Downward Shift: O valor da métrica cai e estabiliza durante um período. Upward Trend: Aumento sustentado no valor da métrica. Downward Trend: Queda sustentada no valor da métrica.
	Trees	Número de árvores de decisão usadas na inspeção auxiliar de anomalias.
	Sample Size per Tree	Número de amostras coletadas por árvore de detecção durante a construção.
	Overall Anomaly Rate	Taxa estimada de anomalias na série temporal. Valores válidos: 0,001 a 0,01.
	Minimum Window of Anomaly Type Check	Comprimento mínimo da série temporal referenciado durante a captura de anomalias.
	Maximum Window of Anomaly Type Check	Comprimento máximo da série temporal referenciado durante a captura de anomalias.
	Minimum Window for Anomaly Confirmation	Comprimento mínimo da série temporal inspecionado durante a confirmação de anomalias.
	Maximum Window for Anomaly Confirmation	Comprimento máximo da série temporal inspecionado durante a confirmação de anomalias.
Single-dimension Feature Configuration	-	Recursos da série temporal a inspecionar. Configure cada recurso separadamente: Maximum Value: Valor máximo da série temporal. Minimum Value: Valor mínimo da série temporal. Normalization: Método de normalização aplicado durante a inspeção. Anomaly Type to Follow: Tipos de anomalia a priorizar durante a inspeção.
Notification Sensitivity Configuration	-	Limiar de notificação de alerta. Configure limiares diferentes para períodos distintos. Por exemplo, suprima alertas durante janelas de manutenção programada.

Algoritmo stream decomposition

O algoritmo stream decomposition baseia-se em RobustSTL: A Robust Seasonal-Trend Decomposition Algorithm for Long Time Series. Ele suporta processamento em lote com custo superior ao algoritmo stream graph, sendo ideal para a inspeção precisa de um pequeno número de métricas de desempenho. Para grandes conjuntos de dados, divida-os em lotes ou use o algoritmo stream graph.

Cenários

Use o algoritmo stream decomposition para dados com variações cíclicas significativas, como métricas de desempenho com padrões periódicos fortes.

Nota

Exemplos de dados cíclicos: contagem de visitas a jogos e volume de pedidos de clientes.

Parâmetros

Configure os parâmetros do stream decomposition na seção Algorithm Configurations do assistente Create Intelligent Inspection Job. Use SQL statements to aggregate metrics for real-time inspection.

Configure o algoritmo.

Parâmetro	Subparâmetro	Descrição
Automatic period detection	-	Ative a detecção automática de período para séries temporais com padrão periódico. Se a série tiver período constante, desative este recurso e defina o comprimento do período manualmente.
Period detection frequency	-	Este parâmetro tem efeito quando a detecção automática de período está ativada. O algoritmo atualiza o período da série temporal na frequência especificada. Se a frequência de detecção de período for definida como 12 horas, o algoritmo detecta e atualiza o período da série a cada 12 horas.
Period length	-	Este parâmetro tem efeito quando a detecção automática de período está desativada. Defina o comprimento do período da série. Se a série não tiver período, defina este valor como 0.
Observation length	-	Comprimento dos dados históricos referenciados na detecção de anomalias. Para séries periódicas, defina o comprimento de observação como três vezes o comprimento do período. Caso o período da série seja de 1 dia, defina o comprimento de observação como 3 dias.
Sensitivity	-	Valores de sensibilidade mais altos resultam em mais anomalias detectadas e pontuações de anomalia mais elevadas. Isso aumenta a taxa de revocação de anomalias, mas reduz a taxa de precisão.
Parâmetros avançados	Trend component sensitivity	O algoritmo decompõe a série em componentes de tendência, periodicidade e ruído. Este parâmetro ajusta a sensibilidade da detecção de anomalias no componente de tendência. Valores mais altos resultam em mais anomalias detectadas e pontuações de anomalia mais elevadas, aumentando a taxa de revocação, mas reduzindo a taxa de precisão.
	Noise component sensitivity	O algoritmo decompõe a série em componentes de tendência, periodicidade e ruído. Este parâmetro ajusta a sensibilidade da detecção de anomalias no componente de ruído. Valores mais altos resultam em mais anomalias detectadas e pontuações de anomalia mais elevadas, aumentando a taxa de revocação, mas reduzindo a taxa de precisão.
	Trend component sample length	O algoritmo decompõe a série em componentes de tendência, periodicidade e ruído. Se o comprimento de observação for muito extenso, a análise de tendência pode ficar lenta. Comprimentos de amostra maiores aceleram a análise, mas podem reduzir a precisão. Caso o comprimento da amostra seja 8, o algoritmo analisa um ponto de dados a cada 8 pontos na série original.
	Periodicity component sample length	O algoritmo decompõe a série em componentes de tendência, periodicidade e ruído. Se o comprimento de observação for muito extenso, a análise de periodicidade pode ficar lenta. Comprimentos de amostra maiores aceleram a análise, mas podem reduzir a precisão. Caso o comprimento da amostra seja 8, o algoritmo analisa um ponto de dados a cada 8 pontos na série original. Defina este valor como 5 ou inferior.
	Window length	Se o comprimento de observação da série for muito extenso, a detecção de anomalias pode ficar lenta. Defina um comprimento de janela para que o algoritmo de detecção use uma janela deslizante. O algoritmo detecta anomalias em segmentos da série de dados, melhorando a velocidade de detecção. Defina este valor como 5.000 ou inferior. Se não for necessário usar uma janela deslizante, defina este valor como 0.

Visualize o desempenho do algoritmo com as configurações atuais dos parâmetros.
1. Defina um intervalo de tempo e especifique os horários de início e término da série temporal. Clique em Data Query. As instruções de consulta e análise configuradas em Data Feature Settings processam os dados no intervalo de tempo especificado e geram dados de séries temporais.
2. Selecione Entity Information e Feature para especificar a série de recursos para detecção. Clique em Preview. O algoritmo de detecção processa a série de recursos especificada e exibe os resultados abaixo. Clique em Show Parameters para visualizar as configurações atuais dos parâmetros do algoritmo.
3. Os resultados da detecção mostram o Trend Component Preview, o Periodicity Component Preview e o Noise Component Preview. Ajuste o limiar de anomalia no Trend Component Preview e Noise Component Preview. Somente eventos anômalos com pontuação superior ao limiar geram alertas.

Algoritmo de detecção de anomalias supervisionada

O algoritmo de detecção de anomalias supervisionada cria recursos a partir de dados de séries temporais e usa esses recursos junto com rótulos de anomalia para treinar modelos de classificação, como árvores de decisão e florestas aleatórias. Em seguida, os modelos treinados executam a detecção de anomalias.

Cenários

O algoritmo de detecção de anomalias supervisionada adequa-se a dados de séries temporais rotulados que os algoritmos stream graph ou stream decomposition não processam com eficácia.

Parâmetros

Configure os parâmetros de detecção de anomalias supervisionada na seção Algorithm Configurations do assistente Create Model Training Job. Use SQL statements to aggregate metrics for model training.