Détecter les anomalies dans MetricBase les données à l’aide de modèles prédictifs

  • Rversion finale: Washingtondc
  • Mis à jour 1 févr. 2024
  • 2 minutes de lecture

    • Utilisez des modèles statistiques pour déterminer les anomalies significatives en temps réel à l’aide MetricBase de déclencheurs. Vous devrez entraîner un modèle à l’aide de données représentatives qui ont déjà été stockées dans MetricBase.

    Avant de commencer

    Rôle requis : admin

    Procédure

    1. Accédez à la Tous > MetricBase > Modèles MetricBase.
    2. Sélectionnez Nouveau.
    3. Renseignez les champs du formulaire.
      Tableau 1. Formulaire Modèle de nouvel enregistrement
      Champ Description
      Nom du modèle Nom du modèle. Le nom peut être n’importe quelle combinaison de caractères alphanumériques. Ce nom de modèle n’est pas le même que la classe de modèle. En général, le nom se rapporte à la valeur de Grouper par.
      Nom de table Nom de la table qui contient les données d’entraînement.
      Mesure Nom de la mesure que vous utilisez pour entraîner le modèle. La mesure doit appartenir à la table.
      Créé Date à laquelle vous avez formé le modèle.
      Filtre Filtres que vous utilisez pour exclure certaines données du jeu de données.
      Remarque :
      Lorsque vous choisissez des données pour entraîner votre modèle, essayez de sélectionner des données qui démontrent un comportement attendu afin de réduire les anomalies dans le jeu d’entraînement.
      Grouper par Vous pouvez utiliser Grouper par comme champ discriminant pour vos données de modèle. Par exemple, si vous souhaitez créer un modèle de données sur un groupe de serveurs de production dont les performances diffèrent selon le rôle (tels que les rôles de serveur de base de données ou de serveur d’applications), vous devez choisir le rôle comme champ Grouper par . Le processus de formation crée un modèle par rôle dans le groupe d’enregistrements sélectionné par le filtre. Vous n’avez pas besoin de créer manuellement un modèle pour chaque rôle.
      Classe de modèle L’algorithme à utiliser lors de l’entraînement des données. Sélectionnez un algorithme de moyenne mobile (PEWMA, ARIMA), un algorithme saisonnier (STL, HW) ou choisissez Find Best Fit Model (Trouver le modèle le mieux adapté). La valeur par défaut est Find Best Fit Model, qui essaie chaque algorithme et sélectionne celui qui semble avoir le meilleur ajustement sur l’ensemble d’entraînement.
      Date de début de l'ensemble de données de formation MetricBase Données de séries chronologiques pour la mesure commençant à cette date.
      Date de fin de l'ensemble de données de formation MetricBase Données de séries chronologiques pour la mesure se terminant par cette date.
      Fin de validité Date qui sert de rappel pour envisager de reformer le modèle. Si le modèle fonctionne bien, il n’est pas nécessaire de le reformer. Le modèle peut continuer à travailler après cette date.
      Actif Option permettant d’utiliser le modèle formé. Une fois que le modèle est actif, il peut être utilisé comme Concepteur de flux déclencheur.
    4. Cliquez sur Soumettre et former.
      MetricBase Forme le modèle. Lorsque vous avez terminé, le modèle s’affiche dans l’onglet Instances de modèle MetricBase .
    5. Cliquez sur le nom du modèle.
      Les données de modélisation s’affichent, tout comme la chaîne de modèle avec les paramètres optimisés par l’entraînement.
      Données du modèle formé
    6. Facultatif : Cliquez sur le nom du modèle, puis cliquez sur Définir le modèle pour modifier les paramètres du modèle.
      Vous pouvez modifier les paramètres du modèle lorsque vous souhaitez remplacer les paramètres d’entraînement de votre modèle. Le graphique n’est pas mis à jour, vous enregistrez la chaîne de modèle révisée.

    Que faire ensuite

    Vous pouvez créer un Concepteur de flux déclencheur pour ce modèle. Pour plus d’informations, consultez Créer un déclencheur de modèle.