Tüm Ürünler
Search

Bu Ürün

    Platform For AI:Anormal ölçümlerin izlenmesi

    Belge Merkezi

    Platform For AI:Anormal ölçümlerin izlenmesi

    Son Güncelleme:Oct 04, 2026

    Sistemler ani CPU artışları, ağ taşmaları ve beklenmeyen durum geçişleri gibi anormallikler üretebilir. Bu sorunların büyüyerek olaya dönüşmeden önce yakalanabilmesi için, ölçümlerinizi gerçek zamanlı olarak izleyen ve sapmaları önceden işaretleyen bir model gerekir. Bu konuda, Platform for AI (PAI) üzerinde ikili sınıflandırma modeli oluşturma ve değerlendirme adımlarını inceleyerek sistem günlüklerinden anormallikleri nasıl tespit edeceğinizi öğreneceksiniz.

    Ön koşullar

    Başlamadan önce aşağıdakilere sahip olduğunuzdan emin olun:

    • Makine öğrenimi temellerine, özellikle de özellik mühendisliğine ve ikili sınıflandırma algoritmalarına aşinalık

    • Her biri anomaly veya normal olarak etiketlenmiş 1.000'den fazla veri kaydı

    • Uçtan uca geliştirme için bir ila iki gün süre

    • Visualized Modeling (Designer) erişimine sahip aktif bir PAI çalışma alanı

    • Çalışma alanının MaxCompute kaynaklarıyla ilişkilendirilmiş olması. Daha fazla bilgi için bkz. Hızlı başlangıç - Hazırlıklar.

    Veri kümesi

    Bu konu, 22.544 kayıt içeren ve bunlardan 9.711'inin anormal olarak etiketlendiği sistem düzeyinde bir izleme günlüğü veri kümesini kullanır. Aşağıdaki şekil örnek verileri göstermektedir.

    Sample data of the pipeline


    Parametre


    Açıklama


    protocol_type


    Ağ bağlantısı için kullanılan protokol. Geçerli değerler: tcp, icmp, udp.


    service


    Hizmet protokolü. Geçerli değerler: http, finger, pop, private, smtp.


    flage


    Bağlantı durumu. Geçerli değerler: SF, RSTO, REJ.


    a2–a38


    Sistem ölçümleri.


    class


    Etiket alanı. normal normal bir sistem olayını; anomaly ise bir sistem anormalliğini gösterir.

    İşlem hattının çalışma yöntemi

    İşlem hattı dört aşamada çalışır:

    1. Veri alımı — Etiketli izleme günlüğü veri kümesini içeri aktarır.

    2. Özellik mühendisliği — Verileri eğitim için hazırlar:

      • One Hot Encoding özelliği, dize türündeki özellikleri (örneğin protocol_type ve service) sayısal değerlere dönüştürür.

      • Normalization özelliği, tüm sayısal değerleri 0–1 aralığına ölçeklendirir. Böylece, büyüklüğü nedeniyle tek bir ölçümün model üzerinde baskın hale gelmesi önlenir.

      • SQL Script özelliği, class etiketini ikili bir tamsayıya dönüştürür: anomaly → 1, normal → 0. SQL ifadesi şu şekildedir:

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

    3. Model eğitimi — Hazırlanan veriler üzerinde, normal olayları anormalliklerden ayırt etmek için lojistik regresyon tabanlı ikili sınıflandırma modeli eğitilir.

    4. Değerlendirme — Model kalitesi; eğri altındaki alan (AUC), Kolmogorov-Smirnov (KS) istatistiği ve F1 puanı kullanılarak ölçülür.

    İşlem hattını oluşturma ve çalıştırma

    Visualized Modeling (Designer) açma

    1. PAI console adresinde oturum açın.

    2. Sol gezinme bölmesinde Workspaces seçeneğine tıklayın, ardından kullanmak istediğiniz çalışma alanına tıklayın.

    3. Sol gezinme bölmesinde Model Training > Visualized Modeling (Designer) seçeneklerini belirleyin.

    Şablondan işlem hattı oluşturma

    1. Preset Templates sekmesinde Abnormal Behavior Risk Control şablonunu bulun ve Create seçeneğine tıklayın.

    2. Create Pipeline iletişim kutusunda parametreleri gözden geçirin.

      Data Storage parametresi, işlem hattının çalıştırma sırasında oluşturulan geçici verileri ve model yapıtlarını depoladığı Object Storage Service (OSS) paket yolunu belirtir.

    3. OK seçeneğine tıklayın. İşlem hattı yaklaşık 10 saniye içinde oluşturulur.

    4. Pipelines sekmesinde işlem hattını açmak için Abnormal Behavior Risk Control öğesine çift tıklayın. Tuvalde aşağıdaki şekilde gösterildiği gibi işlem hattı bileşenleri görüntülenir.

      Pipeline on predicting system anomalies by monitoring system metrics

    İşlem hattını çalıştırma

    1. Tuvalin sol üst köşesinde çalıştırmayı başlatmak için image simgesine tıklayın.

    2. İşlem hattı tamamlandıktan sonra Evaluate bileşenine sağ tıklayın ve Visual Analysis seçeneğini belirleyin.

    3. Evaluate iletişim kutusunda model değerlendirme ölçümlerini görüntülemek için Index data sekmesine tıklayın.

    Modeli değerlendirme

    Değerlendirme sonuçları aşağıdaki gibidir:

    • KS: 0.8821572036692878

    • AUC: 0.9834216679657054

    • F1 Puanı: 0.9510219822599307

    • Negatif Örnekler: 1950

    • Pozitif Örnekler: 2566

    • Toplam Örnekler: 4516

    AUC değeri 0,9'dan büyüktür; bu durum, modelin tahmin doğruluğunun %90'ın üzerinde olduğunu gösterir.

    Model, belirlediğiniz doğruluk eşiğini karşıladığında, canlı sistem ölçümleri üzerinde yakın çevrimiçi risk kontrolünü etkinleştirmek amacıyla modeli çevrimiçi bir tahmin hizmetine dağıtın.