--- sourceDocument: Gestion des opérations IT Australie sourceDocumentLink: https://servicenow-prod.fluidtopics.net/r/fr-FR/it-operations-management Release : - australia ft:locale : - fr-FR ft:publication_title : - Gestion des opérations IT Australie ft:clusterId : - itom bundleId : - itom workflow : - Technology --- # Créer une règle de paramètres de configuration # Créer une règle de paramètres de configuration {#ariaid-title1} * Rversion finale: Australia * * Mis à jour 7 août 2026 * * ![](https://www.servicenow.com/docs/portal-asset/ico-clock) 8 minutes de lecture 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 Rôle requis : evt_mgmt_admin ## Pourquoi et quand exécuter cette tâche Un certain nombre de paramètres de configuration déterminent le comportement de Analyse des mesures Serveurs MID. Dans le système de base, ces paramètres de configuration sont configurés avec des valeurs par défaut, des types de données et une plage de valeurs valides. Vous ne pouvez pas modifier directement ces paramètres de configuration ni en ajouter de nouveaux. Toutefois, vous pouvez créer une règle de configuration de mesure avec de nouveaux paramètres de configuration qui remplacent les valeurs par défaut sur les serveurs MID. 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. Il est possible d'avoir plusieurs règles pour un paramètre qui affectent les mêmes CI, auquel cas : * 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. {#create-config-overriding-rule__ul_ncs_31b_mz} ## Procédure 1. Accédez à la TousGestion des événementsDétection d'anomalieRègles de configuration de mesures. 2. Dans le volet Règles de configuration des mesures, cliquez sur Nouveau et remplissez le formulaire. {#create-config-overriding-rule__table_lss_mpv_lz__entry__2} | Champ | Description | |-|-| | Nom | Nom de la règle. | | Ordre | Priorité des règles par rapport à toutes les autres règles. Des chiffres plus élevés représentent des priorités plus élevées. | | Filtrer par | Cochez la case pour afficher le champ Règle , dans lequel vous pouvez spécifier les conditions que les CI doivent remplir pour que la règle soit appliquée. Par exemple, dans la liste Choisir un champ, sélectionnez Ajouter des champs connexes, puis ajoutez le filtre \[class\]\[is\]\[Serveur Linux\]. Si elle est décochée, la règle s'applique globalement à tous les CI dans la table Mappage mesure à CI \[sa_metric_map\]. | [Tableau 1. Formulaire Règles de configuration de mesures] {#create-config-overriding-rule__table_lss_mpv_lz} 3. Cliquez avec le bouton droit sur le titre du formulaire, puis cliquez sur Enregistrer. 4. Dans la section du formulaire Configurations remplacées des mesures, cliquez sur Nouveau, remplissez le formulaire, puis cliquez sur Soumettre. {#create-config-overriding-rule__table_ynj_bsv_lz__entry__2} | Champ | Description | |-|-| | Nom | Paramètre de configuration pour lequel remplacer sa valeur. Cliquez sur l'icône ![Gestion des événements]() pour afficher la liste de tous les paramètres de configuration. Cliquez sur l'icône ![Gestion des événements]() 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. | [Tableau 2. Formulaire Configurations remplacées des mesures] {#create-config-overriding-rule__table_ynj_bsv_lz} 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. {#create-config-overriding-rule__table_nj5_tgl_pz__entry__5} | 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](https://servicenow-prod.fluidtopics.net/Luw3rdapIXlNR0m9UL70aw "Créez une règle de configuration qui affine le niveau de détection, de traitement et d’analyse des anomalies appliqué à des CI et des mesures spécifiques. Définissez un niveau de traitement qui reflète l’importance des mesures à différentes étapes de l’implémentation, afin de réduire la charge de données, si nécessaire."). | Choices (Choix) : * Mesures uniquement * Limites * Scores des anomalies * Alertes d'anomalie * Alertes IT {#create-config-overriding-rule__ul_nb4_tvv_bhb} | * Nouveaux enregistrements : limites * Enregistrements mis à niveau : alertes d'anomalie {#create-config-overriding-rule__ul_lqq_jbd_chb} | 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 | [Tableau 3. Paramètres de configuration] {#create-config-overriding-rule__table_nj5_tgl_pz} Les paramètres de configuration suivants sont destinés à une utilisation interne. {#create-config-overriding-rule__table_g4w_v3l_pz__entry__5} | 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 | [Tableau 4. Paramètres de configuration interne] {#create-config-overriding-rule__table_g4w_v3l_pz} * **[Synchroniser les règles des paramètres de configuration](https://servicenow-prod.fluidtopics.net/NwkjYFey_5G5TfLD9wH55w)** Les règles des paramètres de configuration d'Analyse des mesures contiennent des valeurs spécifiées par l'utilisateur qui remplacent les valeurs par défaut qui existent actuellement sur les serveurs MID d'Analyse des mesures. Pour prendre effet, les serveurs MID d'Analyse des mesures doivent être synchronisés avec l'ensemble mis à jour de règles de paramètres de configuration. **Tâches associées** * [Configurer plusieurs Serveurs MID pour travailler avec Surveillance d'Agent Client Collector](https://servicenow-prod.fluidtopics.net/30gk99M2soH7uX5OGtGKFA "Connectez des agents à plusieurs Serveurs MID pour activer Surveillance d'Agent Client Collector la fonctionnalité. Plusieurs Serveurs MID peuvent se soutenir mutuellement grâce à l’équilibrage de charge et à la séparation de domaine.")