Funções de machine learning do SLS - previsão de séries temporais, detecção de anomalias, clustering - Simple Log Service: Central de Documentação do Alibaba Cloud

O SLS oferece funções de machine learning compatíveis com SQL para análise de séries temporais, incluindo suavização, previsão, detecção de anomalias, decomposição e clustering de múltiplas séries.

Recursos

Suavização de dados de série temporal única.
Previsão, detecção de anomalias, detecção de pontos de mudança, detecção de pontos de inflexão e estimativa de múltiplos períodos para dados de série temporal única.
Decomposição de dados de série temporal única.
Algoritmos de clustering para múltiplas séries temporais.
Mineração de padrões em vários campos de dados numéricos ou de texto.

Limites

A amostragem dos dados de série temporal deve ocorrer no mesmo intervalo.
Os dados não podem conter múltiplas amostras do mesmo ponto no tempo.

Limites de capacidade de processamento:

Item	Limite
Processamento de séries temporais	Máximo de 150.000 pontos de dados consecutivos. Se exceder, agregue os dados ou reduza a quantidade de amostragem.
Clustering baseado em densidade	Até 5.000 séries temporais, cada uma limitada a 1.440 pontos de dados.
Clustering hierárquico	Até 2.000 séries temporais, cada uma limitada a 1.440 pontos de dados.

Funções de machine learning

Categoria		Função	Descrição
Série temporal	Função de suavização	ts_smooth_simple	Suaviza dados de séries temporais com o algoritmo Holt Winters.
		ts_smooth_fir	Suaviza dados de séries temporais com um filtro de resposta ao impulso finito (FIR).
		ts_smooth_iir	Suaviza dados de séries temporais com um filtro de resposta ao impulso infinito (IIR).
	Função de estimativa de múltiplos períodos	ts_period_detect	Estima dados de séries temporais por período.
	Função de detecção de pontos de mudança	ts_cp_detect	Detecta intervalos com características estatísticas distintas e identifica seus extremos como pontos de mudança.
	Função de detecção de pontos de mudança	ts_breakout_detect	Identifica pontos em que os dados sofrem alterações drásticas.
	Função de detecção de valor máximo	ts_find_peaks	Localiza valores máximos locais em uma janela especificada.
	Função de previsão e detecção de anomalias	ts_predicate_simple	Modela, prevê e detecta anomalias em dados de séries temporais com parâmetros padrão.
		ts_predicate_ar	Modela, prevê e detecta anomalias com um modelo autorregressivo (AR).
		ts_predicate_arma	Modela, prevê e detecta anomalias com um modelo de média móvel autorregressiva (ARMA).
		ts_predicate_arima	Modela, prevê e detecta anomalias com um modelo de média móvel integrada autorregressiva (ARIMA).
		ts_regression_predict	Prevê a tendência de longo prazo de uma série temporal periódica única.
	Função de decomposição de sequência	ts_decompose	Decompõe dados de séries temporais com o algoritmo STL (Decomposição Sazonal e de Tendência usando Loess).
	Funções de estimativa de densidade kernel	kernel_density_estimation	Ajusta pontos de dados observados a uma função de pico suave para aproximar a distribuição de probabilidade.
Mineração de padrões	Funções de mineração de padrões frequentes	pattern_stat	Extrai combinações representativas de atributos de amostras de campos multiatributo para identificar padrões frequentes.
	Função de mineração de padrões (análise detalhada de dados tabulares)	pattern_diff	Identifica padrões responsáveis pelas diferenças entre duas coleções de dados.
	Funções de análise de causa raiz	rca_kpi_search	Analisa atributos de subdimensão causadores de anomalias em métricas.
	Funções de análise de correlação	ts_association_analysis	Identifica métricas correlacionadas a uma métrica específica entre várias métricas observadas.
	Funções de análise de correlação	ts_similar	Localiza métricas correlacionadas a dados de séries temporais específicos entre múltiplas métricas observadas no sistema.
	Função de classificação de URL de solicitação	url_classify	Classifica URLs de solicitação e atribui tags com base em expressões regulares definidoras.