時序SPL - Simple Log Service

在LogStore中存在很多時序資料，Log Service支援通過時序SPL指令和SPL函數處理LogStore中的時序資料。

什麼是Series

Series是由時間維度序列和指標維度序列組成的二維資料結構，適用於表達隨時間變化的觀測值集合。和Series相對應的是Table資料。

與Table模型的對比

對比維度	Table模型	Series模型
資料群組織方式	離散時間點記錄（行式儲存）	連續時間序列（列式儲存）
查詢模式	基於離散點的彙總計算	支援滑動視窗等時序運算
儲存效率	適合低頻離散事件	最佳化高頻連續指標儲存

樣本

以Nginx訪問日誌分析為例，計算URI維度分鐘級平均回應時間。

Table模型

* 
| extend ts =  to_unixtime(date_trunc('hour',date_parse(time_local, '%d/%b/%Y:%H:%i:%s')))
| stats avg_latency = avg(cast(upstream_response_time as double)) by ts,request_uri

離散時間點彙總結果樣本：

Series模型實現

* 
| stats avg_latency=avg(cast(upstream_response_time as double)) by time_local, request_uri
| make-series avg_latency default = 'last'
    on time_local 
    from 'sls_begin_time' to 'sls_end_time' 
    step '1m' 
    by request_uri

連續時間序列可視化樣本：

SPL指令

SPL指令用於將Table資料轉換為Series資料。

指令名稱	說明
make-series	將Table資料構建成Series資料。
render	將SPL查詢結果渲染為圖表以實現可視化。

SPL函數

通過make-series處理資料得到serie後，可調用SPL函數進行可視化。

函數名稱	說明
second_to_nano函數	時間轉換函式：將秒級時間戳記轉為納秒級，適用於高精度情境。
series_forecast函數	時間序列預測函數：基於歷史資料預測未來趨勢，適用於監控、分析和規劃。
series_pattern_anomalies函數	異常檢測函數：基於機器學習演算法，識別時間序列中的異常點或異常模式，適用於監控、警示和資料分析等情境。
series_decompose_anomalies函數	時間序列分解與異常檢測函數：基於時間序列分解演算法，將未經處理資料拆分為趨勢、季節性和殘差分量，並通過統計方法分析殘差分量以識別異常點，適用於即時監控、根因分析及資料品質檢測等情境。
series_drilldown函數	用於時間序列分析的下鑽函數，允許在時間分組統計的基礎上，進一步對特定時間段內的資料進行細粒度分析。
cluster函數	支援對多條時間序列（或向量資料）進行快速分組分析，識別相似形態的指標曲線、檢測異常模式或歸類資料模式。
series_describe函數	一種用於時間序列分析的函數。該函數從多個維度對時間序列進行分析並返回結果，具體包括：資料是否連續、資料缺失情況、序列是否穩定、序列是否具有周期性及周期長度、以及序列是否存在顯著趨勢。
correlation函數	用於計算兩個對象之間的相似性。具體功能包括： 1. 如果兩個對象均為單個向量，返回兩序列的相似性。 2. 如果一個對象是向量組，另一個是單個向量，返迴向量組中每個向量與該單個向量的相似性。 3. 如果兩個對象均為向量組，返回兩組向量之間兩兩相似性的矩陣。