MetricBase crée un modèle en entraînant un échantillon représentatif de vos données de séries chronologiques pour déterminer les paramètres du modèle. Le processus d’apprentissage détermine les paramètres de modèle qui correspondent le mieux à vos données, afin de distinguer les données normales des données anormales.

MetricBase prend en charge les types de modèles suivants :

• PEWMA (Probabilistic Exponentially Weighted Moveaverage), un algorithme de moyenne mobile qui utilise un facteur de probabilité pour déterminer comment il réagit aux changements de données.
• ARIMA (Autoregressive Integrated Moving Average), un algorithme de moyenne mobile qui prend en compte les erreurs et les valeurs précédentes
• Décomposition saisonnière des tendances à l’aide de Loess (STL), un algorithme saisonnier pour la décomposition des données de séries chronologiques en composantes saisonnières et de tendance
• Holt-Winters (HW), un algorithme saisonnier qui décompose la tendance et les composantes saisonnières pour déterminer le niveau

Une fois que vous avez formé un modèle à partir de vos données, vous pouvez déclencher des flux lorsque les nouvelles données sont significativement différentes des données formées.