--- sourceDocument: Yokohama IT Operations Management sourceDocumentLink: https://servicenow-prod.fluidtopics.net/r/de-DE/yokohama/it-operations-management Release : - yokohama ft:locale : - de-DE ft:publication_title : - Yokohama IT Operations Management ft:clusterId : - itom bundleId : - itom workflow : - Technology --- # Metrikdaten verstehen # Metrikdaten verstehen {#ariaid-title1} * Freigeben Version: Yokohama * * Aktualisiert 30. Januar 2025 * * ![](https://www.servicenow.com/docs/portal-asset/ico-clock) 8 Minuten Lesedauer Verwenden MetrikdatenUm potenzielle Serviceausfälle zu identifizieren und zu verhindern. Metrikdaten, Gibt basierend auf historischen Metrikdaten ein anomales Verhalten von CIs an, die Ereignisse möglicherweise nicht erfassen. Anomaliewarnungen können zu regelmäßigen IT-Warnungen heraufgestuft werden und für vorbeugende Aktionen im Arbeitsbereich „Servicebetrieb" und im Dashboard „Serviceintegrität" angezeigt werden. ## Anomalie-Erkennung {#operational-intelligence-overview__section_q4s_xfx_jdb} Metrikdaten werden von verschiedenen Datenquellen erfasst, z. B. SCOM, SolarWinds-Überwachungssystem oder Nagios XI-Server (einige sind standardmäßig teilweise für die Metrikerfassung konfiguriert). Diese Überwachungssysteme erfassen regelmäßig Metrikdaten aus der Quellumgebung. MetrikdatenErfasst die Rohdaten aus diesen Überwachungssystemen und verwendet Ereignisregeln und die CMDB-Identifizierungs-Engine, um Daten vorhandenen CIs und ihren Ressourcen zuzuordnen. Die Daten werden dann analysiert, um Anomalien zu erkennen und andere statistische Punktzahlen bereitzustellen. Metrikdaten Verwendet historische Metrikdaten, um statistische Modelle zu erstellen. Diese Modelle erleichtern die Projektion der erwarteten Metrikwerte zusammen mit Ober- und Untergrenzen. MetrikdatenVerwendet dann diese Prognosen, um statistische Ausreißer zu erkennen und Anomaliepunktzahlen zu berechnen. Anomalien werden in einem Bereich von 0 bis 10 bewertet. Hohe Anomaliepunktzahlen für CI-Metriken können darauf hinweisen, dass ein CI das Risiko hat, einen Serviceausfall zu verursachen. Nach der Verarbeitung wird [Einblicke-Explorer](https://servicenow-prod.fluidtopics.net/44MR38077E4QsY8UHNbgaQ "Metrik Intelligence berechnet Statistiken für CI-Metrikdaten. Der Explorer für Einblicke zeigt diese Metrikwerte als Metrikdiagramme für die CIs in der CMDB an. Mit dem Einblicke-Explorer können Sie alle Metriken für beliebige CIs in einem einzelnen Diagramm überschneiden, um eine mehrschichtige Ansicht von Metrikwerten über einen Zeitbereich zu erstellen.")Zeigt Metrikstatistiken und -Diagramme und an [Anomaliezuordnung](https://servicenow-prod.fluidtopics.net/QX~9KGVXbgVv6flzkDZDSw "Anomaliewarnungen geben eine Abweichung von den prognostizierten Metrikwerten für überwachte CIs an. Anomaliewarnungen sind von den regulären IT-Warnungen getrennt und werden nicht im Arbeitsbereich „Servicebetrieb“ angezeigt. Sie können eine Heraufstufungsregel für Anomaliewarnungen definieren, um eine IT-Warnung zu generieren, die auf Anomaliewarnungen basiert.")Zeigt korrelierte Punktzahlen für CIs mit den höchsten Anomaliepunktzahlen auf einer Zeitleiste an. Möglicherweise möchten Sie die Anomalieerkennung während der Systemwartung deaktivieren, da Anomalien möglicherweise irrelevant sind, wenn sie während der Wartung erkannt werden. Legen Sie dazu fest mid.mi.anomaly_detection.disableEigenschaft bis Wahr . ## Begriffe verwendet mit Metrikdaten {#operational-intelligence-overview__section_r4s_xfx_jdb} Quellmetriktyp : Eine Metrik wie „% freier Speicherplatz" oder „aktuelle Bandbreite", die von einer Datenquelle für ein CI gemessen werden kann. Sie können für jede Datenquelle auswählen, welche aller möglichen Quellmetriktypen verarbeitet werden. Beispielsweise gibt es etwa 380 Quellmetriktypen, die standardmäßig für die SCOM-Datenquelle aktiv sind. Abweichung : Daten, die sich außerhalb der Kontrollgrenzen befinden, werden als statistischer Ausreißer betrachtet. Diese Ausreißer werden verwendet, um eine Anomaliepunktzahl zu berechnen. Dies ist ein Wert zwischen 0 und 10, der angibt, inwieweit die Metrik unwahrscheinlich erscheint. Wenn eine Anomaliepunktzahl über einem Schwellenwert liegt, wird eine Anomaliewarnung generiert. Anomaliewarnungen werden getrennt von regulären IT-Warnungen gemeldet. Ressource : Eine Komponente eines CI, die aus mehreren einzelnen Komponenten ähnlichen Typs besteht, wobei jede Unterkomponente separat überwacht werden kann. Beispiel: Einzelne Webseiten oder bestimmte Datenträger wie „Datenträger C:" und „Datenträger D:". Zeitreihen : Eine Reihe von Werten (z. B. Metrikwerte) über einen Zeitbereich, die einem CI und einem Metriktyp zugeordnet sind. Da für jede Metrik eine Anomaliepunktzahl ausgewertet wird, ist die Reihe der Anomaliepunktzahlen über einen Zeitraum auch eine Zeitreihe. Zeitreihen werden vom statistischen Modell berechnet, das für eine Metrikdatenreihe erstellt wurde, und werden mit Metrikdatenwerten, Anomaliepunktzahlen und oberen und unteren Kontrollgrenzen verwendet. ## Statistische Modelle {#operational-intelligence-overview__section_nkj_1qk_4gb} Metrik Intelligence-Aufträge lernen aus vergangenen Metrikdaten (bis zu 32 Tage alt). Ein Modelltrainingsprozess analysiert Verlaufsdaten, um ein Modell zu erstellen, das zukünftige Werte projiziert. Normalerweise sind Modelle bis zum nächsten Mal in Kraft, wenn der Modelllernprozess ausgeführt wird. Diese Modelle werden verwendet, um Ober- und Untergrenzen zu berechnen. Eingehende Werte, die diese Grenzen überschreiten und die mit statistischer Bedeutung von den erwarteten Werten abweichen, generieren Anomalien. Jedes Modell hat ein eindeutiges Muster und ist mit einer Klassifizierung gekennzeichnet, die das allgemeine Verhalten des Modells veranschaulicht. Diese Klassifizierung bestimmt, ob die Anomalieerkennung angewendet werden kann. Für die meisten Modelle kann projiziert werden, welche zukünftigen Werte von den erwarteten Werten abweichen. Solche Modelle sind Kontrollgrenzen zugeordnet, und Anomalieerkennung kann angewendet werden (wenn aktiviert). Für einige Modelle sind jedoch unzureichende Daten vorhanden, um zu bestimmen, welche Werte anomal sind, und die Anomalieerkennung kann nicht ohne zusätzliche Informationen angewendet werden (auch wenn die Anomalieerkennung aktiviert ist). Die gelernten Datenmodelle werden in der Tabelle „Metrikzeitreihenmodelle" \[sa_time_Series\] gespeichert. Die folgenden statistischen Modelle und Klassifizierer werden bei der Anomalie-Erkennung verwendet: Statistisches Zeitreihenmodell : Nachdem es eingerichtet wurde, passt sich ein Zeitreihenmodell nicht an Änderungen an den eingehenden Metrikdaten an. Wenn sich das Muster der eingehenden Daten ändert, werden diese Änderungen wahrscheinlich als anomal identifiziert. Obere und untere Kontrollgrenzen werden nach dem Lernen bis zum nächsten Mal beibehalten (Daten werden jeden Tag gelernt). Wöchentlich : Daten mit einem Muster, das sich in wöchentlichen Intervallen wiederholt (saisonales Modell).Erfordert mindestens 15 Tage Daten in der Serie, wie von festgelegt [weekly_model_min_days](https://servicenow-prod.fluidtopics.net/4ueNGUPkwk4uG5jGwBUzzg "Konfigurationseinstellungen wirken sich auf die Verarbeitung von Metrikdaten aus. Konfigurationseinstellungsregeln überschreiben das standardmäßige Metrikverarbeitungsverhalten, um die Systemaktionen zu bestimmen, wenn eine Anomalie erkannt wird.")Konfigurationseinstellung. Täglich : Daten mit einem Muster, das sich über ein tägliches Intervall wiederholt (saisonales Modell).Erfordert mindestens 3 Tage Daten in der Serie, wie von festgelegt [daily_model_min_days](https://servicenow-prod.fluidtopics.net/4ueNGUPkwk4uG5jGwBUzzg "Konfigurationseinstellungen wirken sich auf die Verarbeitung von Metrikdaten aus. Konfigurationseinstellungsregeln überschreiben das standardmäßige Metrikverarbeitungsverhalten, um die Systemaktionen zu bestimmen, wenn eine Anomalie erkannt wird.")Konfigurationseinstellung. Im Trend : Daten, die einen linearen Trend mit einer Steigung und einem gewissen Rauschen aufweisen.Erfordert mindestens 30 Datenpunkte in der Serie, wie von festgelegt [corrupt_data_count_threshold](https://servicenow-prod.fluidtopics.net/4ueNGUPkwk4uG5jGwBUzzg "Konfigurationseinstellungen wirken sich auf die Verarbeitung von Metrikdaten aus. Konfigurationseinstellungsregeln überschreiben das standardmäßige Metrikverarbeitungsverhalten, um die Systemaktionen zu bestimmen, wenn eine Anomalie erkannt wird.")Konfigurationseinstellung. Laut : Typische Daten mit Rauschen, die eine grundlegende Musterklassifizierung in einem Datenmodell sind. Das Muster kann nicht mit einem bestimmten Trend oder einer bestimmten Saisonalität identifiziert werden.Erfordert mindestens 30 Datenpunkte in der Serie, wie von festgelegt [corrupt_data_count_threshold](https://servicenow-prod.fluidtopics.net/4ueNGUPkwk4uG5jGwBUzzg "Konfigurationseinstellungen wirken sich auf die Verarbeitung von Metrikdaten aus. Konfigurationseinstellungsregeln überschreiben das standardmäßige Metrikverarbeitungsverhalten, um die Systemaktionen zu bestimmen, wenn eine Anomalie erkannt wird.")Konfigurationseinstellung. Positiv geklammerte Rauschen : Ähnelt der Klassifizierung mit Rauschen, mit Ausnahme der unteren Grenze, die auf 0 festgelegt ist.Erfordert mindestens 30 Datenpunkte in der Serie, wie von festgelegt [corrupt_data_count_threshold](https://servicenow-prod.fluidtopics.net/4ueNGUPkwk4uG5jGwBUzzg "Konfigurationseinstellungen wirken sich auf die Verarbeitung von Metrikdaten aus. Konfigurationseinstellungsregeln überschreiben das standardmäßige Metrikverarbeitungsverhalten, um die Systemaktionen zu bestimmen, wenn eine Anomalie erkannt wird.")Konfigurationseinstellung. Zentriert laut : Verrauschte Daten, die sich normalerweise symmetrisch zwischen anwenderdefinierten Ober- und Untergrenzen verteilen. Die Formel, die zum Festlegen von Grenzen und Breitenwerten verwendet wird, ignoriert die statistischen Daten, und die untere und die obere Breite haben einen identischen Wert. Erfordert, dass die Anzahl der Datenpunkte in der Serie null ist. Weitere Informationen finden Sie unter [Geben Sie anwenderdefinierte obere und untere Metrikgrenzen an](https://servicenow-prod.fluidtopics.net/du5iqb1gB7UQ_NY~d~dAgg "Verwenden Sie den Assistenten für Grenzwerteinstellungen, um gelernte Steuerungsgrenzen zu überschreiben, indem Sie anwenderdefinierte Ober- und Untergrenzen für eine Metrikintelligenz-Metrik angeben."). Verzerrt laut : Daten mit Rauschen, die nicht gleichmäßig zwischen anwenderdefinierten Ober- und Untergrenzen verteilt sind, sich jedoch eher an einen der Grenzwerte konzentrieren. Der Median der Daten wird verwendet, um eine obere und eine untere Breite separat zu berechnen. Erfordert mindestens einen Datenpunkt in der Serie. Weitere Informationen finden Sie unter [Geben Sie anwenderdefinierte obere und untere Metrikgrenzen an](https://servicenow-prod.fluidtopics.net/du5iqb1gB7UQ_NY~d~dAgg "Verwenden Sie den Assistenten für Grenzwerteinstellungen, um gelernte Steuerungsgrenzen zu überschreiben, indem Sie anwenderdefinierte Ober- und Untergrenzen für eine Metrikintelligenz-Metrik angeben."). Verzerrtes Rauschen -- Verteilung des generalisierten Extremwerts (GEV) : Daten mit Rauschen, die ungleichmäßig zwischen anwenderdefinierten Ober- und Untergrenzen verteilt sind und näher an einem der Grenzwerte konzentriert werden. Darüber hinaus zeigt die Datenverteilung einen langen oder schweren Tail. Der Median der Daten, die vom Ende der Verteilung abgeleitet werden, wird verwendet, um eine obere Breite und eine untere Breite separat zu berechnen. Die Serie muss mindestens einen Datenpunkt enthalten. Akkumulator : Datenmuster ähnlich der trendigen Klassifizierung, aber mit einer monotonen Zunahme und ohne Rauschen. Für diese Klassifizierung gibt es kein Datenmodell und keine Anomalieerkennung.Erfordert mindestens 30 Datenpunkte in der Serie, wie von festgelegt [corrupt_data_count_threshold](https://servicenow-prod.fluidtopics.net/4ueNGUPkwk4uG5jGwBUzzg "Konfigurationseinstellungen wirken sich auf die Verarbeitung von Metrikdaten aus. Konfigurationseinstellungsregeln überschreiben das standardmäßige Metrikverarbeitungsverhalten, um die Systemaktionen zu bestimmen, wenn eine Anomalie erkannt wird.")Konfigurationseinstellung. Nahezu Konstant : Nahezu konstante Daten, in denen die meisten Werte ein bestimmter konstanter Wert sind. Für diese Klassifizierung gibt es kein Datenmodell und keine Anomalieerkennung.Erfordert mindestens 30 Datenpunkte in der Serie, wie von festgelegt [corrupt_data_count_threshold](https://servicenow-prod.fluidtopics.net/4ueNGUPkwk4uG5jGwBUzzg "Konfigurationseinstellungen wirken sich auf die Verarbeitung von Metrikdaten aus. Konfigurationseinstellungsregeln überschreiben das standardmäßige Metrikverarbeitungsverhalten, um die Systemaktionen zu bestimmen, wenn eine Anomalie erkannt wird.")Konfigurationseinstellung. Erkannte Konstante : Aktiviert die Überprüfung nahezu konstanter Metriken auf Anomalien. Dazu müssen Sie die Metriken über ein System-Token in das Modell „erkannte Konstante" verschieben. Wenden Sie sich an den Kundensupport, um der Tokenliste Token hinzuzufügen und zu ermöglichen, dass weitere Metriken auf Anomalien gemessen werden können.Erfordert mindestens 30 Datenpunkte in der Serie, wie von festgelegt [corrupt_data_count_threshold](https://servicenow-prod.fluidtopics.net/4ueNGUPkwk4uG5jGwBUzzg "Konfigurationseinstellungen wirken sich auf die Verarbeitung von Metrikdaten aus. Konfigurationseinstellungsregeln überschreiben das standardmäßige Metrikverarbeitungsverhalten, um die Systemaktionen zu bestimmen, wenn eine Anomalie erkannt wird.")Konfigurationseinstellung. Aktiviert, wenn `metric_name_analysis.add_detected_constant_candidate `Systemeigenschaft ist auf festgelegt Wahr . Aktualisieren Sie, um den Wert dieser Eigenschaft für einen bestimmten Metriktyp zu überschreiben Erkannter Konstanter Kandidat Feld in der Tabelle „Metriktypen", indem Sie Folgendes ausführen: 1. Eingabetaste `sa_metric_type.list `Im Instanznavigationsfeld. 2. In Erkannter Konstanter Kandidat Wählen Sie den relevanten Wert für den Eintrag aus, den Sie aktualisieren möchten.{#operational-intelligence-overview__table_vzz_wdz_wcc__entry__2} | Wert | Beschreibung | |-|-| | \ | Ein Algorithmus hat automatisch entschieden, ob die Metrik für das erkannte Konstantenmodell berücksichtigt werden soll. Dies ist der Standardwert. | | Ja | Die Metrik wird für das erkannte Konstantenmodell berücksichtigt. | | Nein | Die Metrik wird für das erkannte Konstantenmodell nicht berücksichtigt. | [Tabelle : 1. Erkannte konstante Kandidatenwerte] {#operational-intelligence-overview__table_vzz_wdz_wcc} {#operational-intelligence-overview__ol_hfp_gdz_wcc} Multinomial : Datenmuster, in dem alle Werte einer von einer relativ kleinen Anzahl von Werten sind. Beispiel: Werte sind immer 100 oder 99.9. Für diese Klassifizierung gibt es kein Datenmodell und keine Anomalieerkennung.Erfordert mindestens 400 Datenpunkte in der Serie, berechnet als das 10-fache des Werts von [multinomial_count_threshold](https://servicenow-prod.fluidtopics.net/4ueNGUPkwk4uG5jGwBUzzg "Konfigurationseinstellungen wirken sich auf die Verarbeitung von Metrikdaten aus. Konfigurationseinstellungsregeln überschreiben das standardmäßige Metrikverarbeitungsverhalten, um die Systemaktionen zu bestimmen, wenn eine Anomalie erkannt wird.")Konfigurationseinstellung. Beschädigt : Die Daten weisen unzureichende Datenpunkte auf, um ein Muster zu identifizieren. Für diese Klassifizierung gibt es kein Datenmodell und keine Anomalieerkennung.Erfordert, dass die Anzahl der Datenpunkte in der Serie kleiner als der Wert von ist [corrupt_data_count_threshold](https://servicenow-prod.fluidtopics.net/4ueNGUPkwk4uG5jGwBUzzg "Konfigurationseinstellungen wirken sich auf die Verarbeitung von Metrikdaten aus. Konfigurationseinstellungsregeln überschreiben das standardmäßige Metrikverarbeitungsverhalten, um die Systemaktionen zu bestimmen, wenn eine Anomalie erkannt wird.")Konfigurationseinstellung (standardmäßig 30). Statistisches Kalman-Filter-Modell : Fügen Sie das statistische Zeitreihenmodell hinzu und gilt nur für die Klassifizierer für „Rauschen" und „positiv laut". Dieses Modell ist eine allgemeine Methode zur Schätzung von Modellparametern aus einem Datenstrom, bei dem „Ebene" der einzige Parameter im Modell ist. Das Kalman-Filtermodell kann sich an neue Werte in eingehenden Metrikdaten anpassen. Wenn das Rauschen keine klaren Muster enthält oder zu viel Rauschen vorhanden ist, wird das Kalman-Filtermodell nicht verwendet. Lokale Ebene : Wenn eingehende Daten gemäß den aktuellen Kontrollgrenzen um einen neuen Wert gruppieren, passt der Lernende das Datenmodell an, um eine dauerhafte Änderung zu berücksichtigen. Dieses Clustering wird als neuer Wert im Datenmodell erkannt, sodass sich die meisten eingehenden Daten wieder innerhalb der Kontrollgrenzen befinden und nicht anomal. Eine solche Change-Erkennung ist nützlich, wenn einem Server beispielsweise Kerne oder Arbeitsspeicher hinzugefügt werden, was sich auf die Baselines auswirkt.Erfordert mindestens 30 Datenpunkte in der Serie, wie von festgelegt [corrupt_data_count_threshold](https://servicenow-prod.fluidtopics.net/4ueNGUPkwk4uG5jGwBUzzg "Konfigurationseinstellungen wirken sich auf die Verarbeitung von Metrikdaten aus. Konfigurationseinstellungsregeln überschreiben das standardmäßige Metrikverarbeitungsverhalten, um die Systemaktionen zu bestimmen, wenn eine Anomalie erkannt wird.")Konfigurationseinstellung. Nicht Erkannt : Wenn Daten nicht der Klassifizierung auf lokaler Ebene entsprechen, werden Zeitreihenklassifizierungen verwendet. Dies geschieht, wenn es nicht möglich ist, das Varianzverhältnis in einem gelernten Modell auf lokaler Ebene an angemessene Werte anzupassen. Nicht parametrisches statistisches Modell : Fügen Sie zur Klassifizierung für positive Rauschen hinzu. Im nicht parametrischen Modell ist die Rauschverteilung nicht symmetrisch und passt nicht zu einem saisonalen Muster. Das nicht parametrische Modell erstellt Steuerungsgrenzen, die besser an die tatsächlichen Daten angepasst sind. Nach dem Lernen bleiben die Steuerungsgrenzen bis zum nächsten Lernzyklus bestehen. Dieses Modell passt sich nicht an Änderungen an den Daten an, und es dauert länger, bis eine Abweichung als Anomalie identifiziert wird. Stationär, Nicht Parametrisch : Daten, die nicht zeitabhängig sind, bedeuten, dass es keine signifikante Verschiebung von Parametern wie Mittelwert und Abweichung beim zeitlichen Verschieben von Daten gibt.Erfordert mindestens 5000 Datenpunkte in der Serie, wie von festgelegt [snpm_minimum_data_count](https://servicenow-prod.fluidtopics.net/4ueNGUPkwk4uG5jGwBUzzg "Konfigurationseinstellungen wirken sich auf die Verarbeitung von Metrikdaten aus. Konfigurationseinstellungsregeln überschreiben das standardmäßige Metrikverarbeitungsverhalten, um die Systemaktionen zu bestimmen, wenn eine Anomalie erkannt wird.")Konfigurationseinstellung. Nicht Erkannt : Wenn Daten nicht zur stationären Klassifizierung passen, werden Zeitreihenklassifizierer verwendet. Statistisches Modell der mittleren absoluten Abweichung (MAD) : Ein Add-on für die schiefe Klassifizierung von lauten Geräuschen. Bei dieser Art von Daten ist die Rauschverteilung nicht symmetrisch und passt nicht zu einem saisonalen Muster. Darüber hinaus spiegeln die Daten eine schwere oder lange Verteilung wider. Das statistische MID-Modell erstellt Kontrollgrenzen, die besser an die Daten angepasst sind. Nach dem Lernen bleiben die Kontrollgrenzen bis zum nächsten Lernzyklus bestehen. Die Verwendung dieses Modells verbessert die Entschlüsselung der Datensammlung mit etwa 30 % höherer Effizienz.