Créer une règle de paramètres de configuration
Les paramètres de configuration affectent la façon dont les données de mesure sont traitées. Les règles des paramètres de configuration remplacent le comportement de traitement des mesures par défaut pour déterminer les actions du système lorsqu’une anomalie est détectée.
Avant de commencer
Pourquoi et quand exécuter cette tâche
Ensuite, appliquez manuellement ces règles à tous Analyse des mesures Serveurs MID dans une seule opération de synchronisation, ou appuyez-vous sur une tâche système horaire pour effectuer la synchronisation.
Pour prendre effet, Analyse des mesures Serveurs MID doit être synchronisé avec les mises à jour des règles des paramètres de configuration.
- Les règles dans lesquelles un filtre est défini ont priorité sur une règle globale dans laquelle aucun filtre n’a été défini.
- Si plusieurs règles qui affectent le même ensemble de CI ont la même priorité, seule la dernière règle à définir est appliquée.
- Si plusieurs règles avec des priorités différentes affectent le même ensemble de CI, les règles avec la priorité la plus élevée sont appliquées.
Procédure
-
Dans la section du formulaire Configurations remplacées des mesures, cliquez sur Nouveau, remplissez le formulaire, puis cliquez sur Soumettre.
Tableau 2. Formulaire Configurations remplacées des mesures Champ Description Nom Paramètre de configuration pour lequel remplacer sa valeur. Cliquez sur l’icône
pour afficher la liste de tous les paramètres de configuration.Cliquez sur l’icône
pour afficher la boîte de dialogue Paramètres des mesures avec des détails tels que la plage de valeurs possibles.Consultez les tables suivantes (Paramètres de configuration et Paramètres de configuration interne) pour plus d’informations sur les paramètres de configuration.
Règle Règle à laquelle s’applique le paramètre de configuration créé. Valeur Nouvelle valeur qui remplace la valeur par défaut du paramètre de configuration spécifié. Vous pouvez modifier les paramètres de configuration suivants dans le champ Nom .Remarque :Le filtre spécifié dans la règle de configuration des mesures ne s’applique pas aux paramètres avec une portée globale.Tableau 3. Paramètres de configuration Nom et description Valeurs Valeur par défaut Type de données Champ d'application anomaly_detection_enabled
Activer/désactiver la détection d’anomalie.
Remarque :Si anomaly_detection_action_level est définie, anomaly_detection_enabled est ignorée.N/A VRAI booléen CI/Mesure anomaly_detection_action_level
Niveau d’action de l’analyse et du traitement des anomalies.
Pour plus d'informations, consultez Configurer le niveau d’action pour la détection d’anomalie.
Choices (Choix) : - Mesures uniquement
- Limites
- Scores des anomalies
- Alertes d'anomalie
- Alertes IT
- Nouveaux enregistrements : limites
- Enregistrements mis à niveau : alertes d’anomalie
choix CI/Mesure buffer_anomaly_eviction_size
Nombre maximal d’anomalies au niveau des mesures individuelles pouvant être stockées dans la mémoire tampon interne avant de les envoyer à l’instance pour chaque paire CI/Mesure.
60–1440 60 entier Global buffer_ci_score_eviction_size
Nombre maximal d’anomalies au niveau CI qui peuvent être stockées dans la mémoire tampon interne avant de les envoyer à l’instance (actuellement non utilisées)
60–1440 60 entier Global buffer_metric_eviction_size
Nombre maximal de mesures qui peuvent être stockées dans la mémoire tampon interne avant de les envoyer à l’instance pour chaque paire CI/Mesure.
60–1440 60 entier Global connection_login_timeout_secs
Délai maximal, en secondes, pour se connecter à la base de données locale sur serveur MID.
30–60 30 entier Global corrupt_data_count_threshold
Nombre minimum de points d’entraînement (moyenne sur 15 minutes) requis pour effectuer une analyse statistique.
10–100 30 entier Global deprioritize_early_batching_of_anomalous_ci
Envoyez les informations sur les CI anormaux immédiatement ou à intervalles réguliers.
N/A Faux booléen Global mad_model_min_days Nombre de jours pendant lesquels des données doivent être disponibles pour prendre en compte un modèle basé sur l’écart absolu médian.
10-120 10 entier CI/Mesure max_pool_connections_size Nombre maximum de connexions pour un pool de bases de données local.
10–50 25 entier Global observation_time_min
Intervalle d’observation de mesure minimum attendu.
1–1440 1 entier CI/Mesure robust_central_percentage
Pourcentage de données résiduelles pour calculer l’écart-type résiduel, utilisé pour la détection des valeurs aberrantes. Lorsque la valeur est définie sur 100, utilise l’écart-type de l’échantillon régulier.
50–100 90.0 double Global sparse_gap_fraction_threshold Si ce pourcentage de données est supérieur à ce pourcentage et qu’aucune autre classe n’a été identifiée, classifiez-les comme PARSE. N’essayez pas de vous adapter à un modèle HEBDOMADAIRE.
0–100 50 double Global weekly_model_min_days Nombre de jours pour lesquels des données doivent être disponibles afin de ne prendre en compte qu’une décomposition saisonnière HEBDOMADAIRE.
14-90 15 entier CI/Mesure daily_model_min_days Nombre de jours pour lesquels des données doivent être disponibles afin de ne prendre en compte qu’une décomposition saisonnière QUOTIDIENNE.
2-90 3 entier CI/Mesure build_snpm_model Activer/désactiver la création d’un modèle de données SNPM.
N/A VRAI booléen CI/Mesure snpm_minimum_data_count
Nombre minimum de points de données requis pour construire un modèle non paramétrique fixe.
0 à 1e9 5000 entier CI/Mesure
Les paramètres de configuration suivants sont destinés à une utilisation interne.
Tableau 4. Paramètres de configuration interne Nom et description Valeurs Valeur par défaut Type de données Champ d'application anomaly_memory_time_min
Paramètre du calculateur de score d’anomalie : mémoire du temps pour une situation anormale.
1–600 45 double CI/Mesure excess_z_score
Paramètre du calculateur de score d’anomalie : anomalie minimale accumulée pour la valeur aberrante.
0–3 0,8 double CI/Mesure linear_accumulator_threshold
Seuil de l’arbre de décision : analyse ACCUMULATOR
0.5–5 1 double Global low_freq_power_threshold
Seuil de l’arbre de décision : analyse HEBDOMADAIRE
0–100 50 double Global low_variability_threshold
Seuil de l’arbre de décision : analyse TENDANCE
0.0000000001–0.001 0.0001 double Global mid_freq_power_threshold
Seuil de l’arbre de décision : analyse HEBDOMADAIRE
0–100 33 double Global multinomial_count_threshold
Seuil de l’arbre de décision : analyse MULTINOMIALE
1–1000 40 entier Global non_zero_diff_threshold
Seuil de l’arbre de décision : analyse NEAR_CONSTANT
0–100 5 double Global normal_memory_time_min
Paramètre du calculateur de score d’anomalie : mémoire du temps pour une situation normale.
1–600 1 double CI/Mesure normal_probability_ewma_timescale_min
Paramètre du calculateur de score d’anomalie : échelle de temps d’évaluation normale.
1–600 15 double CI/Mesure normal_probability_weight
Paramètre du calculateur de score d’anomalie : facteur d’ajustement de l’évaluation normale.
0–1 1 double CI/Mesure sigmoid_offset
Paramètre du calculateur de score d’anomalie : conversion de l’anomalie en score.
0–5 2.1 double CI/Mesure sigmoid_weight
Paramètre du calculateur de score d’anomalie : conversion de l’anomalie en score.
0–5 1.2 double CI/Mesure tiny_variability_threshold
Seuil de l’arbre de décision : analyse NEAR_CONSTANT
0–0.001 0.0000000001 double Global weekly_peak_hi_limit
Seuil de l’arbre de décision : analyse HEBDOMADAIRE.
7–14 10 double Global weekly_peak_lo_limit
Seuil de l’arbre de décision : analyse hebdomadaire.
0.5–7 0.7 double Global weekly_vs_daily_log_likelihood_threshold
De combien logarithmique la probabilité hebdomadaire doit être plus grande que quotidienne, pour être le modèle statistique préféré.
100–1000 200 double CI/Mesure
daily_vs_noisy_log_likelihood_threshold
De combien logarithmique la probabilité quotidienne doit être plus grande que bruyante, pour être le modèle statistique préféré.
20–1000 200 double CI/Mesure
weekly_vs_noisy_log_likelihood_treshold
De combien logarithmique la probabilité hebdomadaire doit être plus grande que bruyante, pour être le modèle statistique préféré.
100–1000 200 double CI/Mesure
trendy_vs_noisy_log_likelihood_threshold
De combien logarithmique la probabilité de tendance doit être plus grande que bruyante, pour être le modèle statistique préféré.
10–1000 50 double CI/Mesure
seasonal_loess_width_in_hours
Appliqué à la composante saisonnière d’un modèle hebdomadaire ou quotidien avant de faire une prévision du comportement futur. Si la valeur est définie sur 0, chaque point de données du modèle saisonnier devient indépendant du reste des points de données.
6–24 12 double CI/Mesure
robustesse
Affecte la façon dont les valeurs hors norme contribuent aux calculs saisonniers et de tendance.
N/A VRAI booléen CI/Mesure
snpm_min_value_threshold
Valeur minimale des données requises pour construire un modèle SNPM.
-1e9 – 1e9 0 double CI/Mesure
snpm_max_observation_interval_in_sec
Intervalle d’observation maximum attendu requis pour la construction d’un modèle SNPM.
60 – 600000 120 entier CI/Mesure
min_std_jump_fraction
Rapport minimum du niveau de bruit d’observation calculé localement à la taille de saut typique qui justifie le recalcul d’une variance de bruit d’observation plus importante.
0.0 – 1.0 0,2 double CI/Mesure
dynamic_threshold_error_smoothing
S’il faut utiliser une moyenne mobile pondérée exponentiellement pour lisser les résidus dans l’analyse de seuil dynamique.
N/A VRAI booléen CI/Mesure
ewma_alpha
La valeur alpha de la moyenne mobile pondérée exponentiellement dans l’analyse de seuil dynamique.
1e-15 – 1,0 0.02739726027 double CI/Mesure
dynamic_threshold_beginning_smoothing_length
Nombre de points de données lissés à définir sur la moyenne du double de la longueur de lissage.
0 – 10000 250 entier CI/Mesure
dynamic_threshold_error_buffer_minutes
Nombre de points de données autour de chaque valeur aberrante à regrouper.
1 – 1000 30 entier CI/Mesure
dynamic_threshold_search_start
Valeur de départ à partir de laquelle le facteur de contrôle optimal est recherché.
0.5 – 20.0 3.0
double CI/Mesure
dynamic_threshold_search_interval
Intervalle entre les valeurs de recherche du facteur de contrôle optimal.
0.1 – 5.0 0,5 double CI/Mesure
dynamic_threshold_search_count
Nombre de valeurs requises pour rechercher le facteur de contrôle optimal.
1 – 50 19 entier CI/Mesure
dynamic_threshold_error_sequence_limit
Nombre maximal de groupes d’erreurs pour une valeur de facteur de contrôle particulière lors d’une recherche.
1 – 20 5 entier CI/Mesure
dynamic_threshold_minimum_data_count
Nombre minimum de points de données brutes nécessaires avant de tenter la création de seuils dynamiques.
1 – 10000 5000 entier CI/Mesure
linear_seasonal_log_likelihood_threshold
Seuil utilisé pour décider s’il faut préférer un modèle ajusté avec saisonnalité linéaire à un modèle avec un composant périodique.
10-5000 1 000 entier CI/Mesure