--- sourceDocument: Gestion des opérations IT Xanadu sourceDocumentLink: https://servicenow-prod.fluidtopics.net/r/fr-FR/xanadu/it-operations-management Release : - xanadu ft:locale : - fr-FR ft:publication_title : - Gestion des opérations IT Xanadu 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: Xanadu * * Mis à jour 24 juin 2026 * * ![](https://www.servicenow.com/docs/portal-asset/ico-clock) 8 minutes de lecture Les paramètres de configuration ont une incidence sur la méthode de traitement des données de mesure. Les règles de paramètres de configuration remplacent les valeurs par défaut de ces paramètres de configuration, ce qui vous permet de créer des modèles statistiques efficaces pour différentes classes CI. ## Avant de commencer Rôle requis : evt_mgmt_admin ## Pourquoi et quand exécuter cette tâche Un certain nombre de paramètres de configuration déterminent le comportement des MID Servers Metric Intelligence. Dans le système de base, ces paramètres de configuration sont définis avec des valeurs, des types de données et une plage de valeurs valides par défaut. Vous ne pouvez pas modifier directement ces paramètres de configuration ou en ajouter de nouveaux. Vous pouvez néanmoins créer une règle de configuration de mesures avec de nouveaux paramètres de configuration qui remplacent les valeurs par défaut sur les MID Servers. Vous pouvez ensuite appliquer manuellement ces règles à tous les MID Servers Metric Intelligence en une seule opération de synchronisation, ou configurer une tâche système horaire pour effectuer la synchronisation. Pour prendre effet, les MID Servers Metric Intelligence doivent être synchronisés avec les mises à jour des règles de paramètres de configuration. Il est possible de disposer de plusieurs règles pour un paramètre qui ont une incidence sur 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 ayant une incidence sur le même jeu de CI possèdent la même priorité, seule la dernière règle à définir est appliquée. * Si plusieurs règles avec des priorités différentes ont une incidence sur le même jeu 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 ToutGestion des événementsDétection d'anomalieRègles de configuration de mesures. 2. Dans le volet Règles de configuration de 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 de la règle dans toutes les autres règles. Des valeurs plus élevées indiquent des priorités plus élevées. | | Filtrer par | Cochez cette case pour afficher le champ Règle, qui vous permet de spécifier les conditions que les CI doivent remplir pour appliquer la règle. Par exemple, dans la liste choisir un champ, sélectionnez Ajouter des champs connexes, puis ajoutez le filtre \[classe\]\[est\]\[serveur Linux\]. Si elle est claire, la règle s'applique globalement à tous les CI de la table Mappage de mesures sur des 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 de la souris 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 Envoyer. {#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 ![icône Event Management]() pour afficher la liste de tous les paramètres de configuration. Cliquez sur l'icône ![icône Event Management]() pour afficher la boîte de dialogue Paramètres de mesure avec des informations telles que la plage de valeurs possibles. Consultez les tableaux suivants (Paramètres de configuration et Paramètres de configuration internes) pour en savoir plus sur les paramètres de configuration. | | Règle | Règle à laquelle le paramètre de configuration créé s'applique. | | Valeur | Nouvelle valeur qui remplace la valeur par défaut pour le 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 de mesure ne s'applique pas aux paramètres avec un champ d'application global. {#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 Activez/désactivez la détection d'anomalie. Remarque : si le paramètre anomaly_detection_action_level est défini, le paramètre anomaly_detection_enabled est ignoré. | N/A | VRAI | booléen | CI/Mesure | | anomaly_detection_action_level Niveau d'action de l'analyse et du traitement des anomalies. Pour en savoir plus, consultez la rubrique [Configurer le niveau d'action de la détection d'anomalie](https://servicenow-prod.fluidtopics.net/je3SQ5KiciOC2EE_UrE2aQ "Créez une règle de paramètre de configuration qui affine le niveau de traitement et d'analyse de la détection d'anomalie appliqué à des CI et à 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."). | 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 d'une mesure individuelle qui peuvent être stockées dans la mémoire tampon interne avant de les envoyer à l'instance pour chaque paire CI/mesure. | 60--1 440 | 60 | entier | Global | | buffer_ci_score_eviction_size Nombre maximal d'anomalies au niveau du CI qui peuvent être stockées dans la mémoire tampon interne avant de les envoyer à l'instance (paramètre actuellement non utilisé) | 60--1 440 | 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--1 440 | 60 | entier | Global | | connection_login_timeout_secs Délai maximal, en secondes, pour se connecter à la base de données locale sur le MID Server. | 30--60 | 30 | entier | Global | | corrupt_data_count_threshold Nombre minimum de points de formation (moyenne de 15 minutes) requis pour effectuer une analyse statistique. | 10--100 | 30 | entier | Global | | deprioritize_early_batching_of_anomalous_ci Envoi d'informations de CI anormaux immédiatement ou à intervalles réguliers. | N/A | faux | booléen | Global | | mad_model_min_days Nombre de jours pendant lesquels les données doivent être disponibles pour prendre en compte un modèle basé sur un écart absolu médian. | 10-120 | 10 | entier | CI/Mesure | | max_pool_connections_size Nombre maximal de connexions pour le pool de bases de données local. | 10--50 | 25 | entier | Global | | observation_time_min Intervalle d'observation de mesure minimum attendu. | 1--1 440 | 1 | entier | CI/Mesure | | robust_central_percentage Pourcentage de données résiduelles pour calculer l'écart-type résiduel, utilisé pour la détection des valeurs hors norme. Lorsque ce paramètre est défini sur 100, l'écart-type d'échantillon régulier est utilisé. | 50--100 | 90 | double | Global | | sparse_gap_fraction_threshold Si une quantité de données supérieure à ce pourcentage est manquante et qu'aucune autre classe n'a été identifiée, utilisez PARTIEL. Ne tentez pas d'adapter un modèle HEBDOMADAIRE. | 0--100 | 50 | double | Global | | weekly_model_min_days Nombre de jours pendant lesquels les données doivent être disponibles afin de ne prendre en compte qu'une seule décomposition de saisonnalité HEBDOMADAIRE. | 14-90 | 15 | entier | CI/Mesure | | daily_model_min_days Nombre de jours pendant lesquels les données doivent être disponibles afin de ne prendre en compte qu'une seule décomposition de saisonnalité QUOTIDIENNE. | 2-90 | 3 | entier | CI/Mesure | | build_snpm_model Activez/désactivez 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 la création d'un modèle non paramétrique stationnaire. | 0 -- 1e9 | 5 000 | 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 : durée dans la mémoire pour une situation anormale. | 1--600 | 45 | double | CI/Mesure | | excess_z_score Paramètre du calculateur de score d'anomalie : anomalie minimale accumulée pour les valeurs hors norme. | 0--3 | 0,8 | double | CI/Mesure | | linear_accumulator_threshold Seuil de l'arborescence de décision : analyse de l'ACCUMULATEUR | 0,5--5 | 1 | double | Global | | low_freq_power_threshold Seuil de l'arborescence de décision : analyse HEBDOMADAIRE | 0--100 | 50 | double | Global | | low_variability_threshold Seuil de l'arborescence de décision : analyse de TENDANCE | 0,0000000001--0,001 | 0,0001 | double | Global | | mid_freq_power_threshold Seuil de l'arborescence de décision : analyse HEBDOMADAIRE | 0--100 | 33 | double | Global | | multinomial_count_threshold Seuil de l'arborescence de décision : analyse MULTINOMIALE | 1--1 000 | 40 | entier | Global | | non_zero_diff_threshold Seuil de l'arborescence de décision : analyse PRESQUE CONSTANT | 0--100 | 5 | double | Global | | normal_memory_time_min Paramètre du calculateur de score d'anomalie : durée dans la mémoire 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 de l'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 : anomalie de la conversion du score. | 0--5 | 2,1 | double | CI/Mesure | | sigmoid_weight Paramètre du calculateur de score d'anomalie : anomalie de la conversion du score. | 0--5 | 1,2 | double | CI/Mesure | | tiny_variability_threshold Seuil de l'arborescence de décision : analyse PRESQUE CONSTANT | 0--0,001 | 0,0000000001 | double | Global | | weekly_peak_hi_limit Seuil de l'arborescence de décision : analyse HEBDOMADAIRE. | 7--14 | 10 | double | Global | | weekly_peak_lo_limit Seuil de l'arborescence de décision : analyse hebdomadaire. | 0,5--7 | 0,7 | double | Global | | weekly_vs_daily_log_likelihood_threshold Taux de probabilité que le nombre de journaux hebdomadaires soit supérieur au nombre de journaux quotidiens pour devenir le modèle statistique préféré. | 100--1 000 | 200 | double | CI/Mesure | | daily_vs_noisy_log_likelihood_threshold Taux de probabilité que le nombre de journaux quotidiens soit supérieur au nombre de journaux bruyants pour devenir le modèle statistique préféré. | 20--1 000 | 200 | double | CI/Mesure | | weekly_vs_noisy_log_likelihood_treshold Taux de probabilité que le nombre de journaux hebdomadaires soit supérieur au nombre de journaux bruyants pour devenir le modèle statistique préféré. | 100--1 000 | 200 | double | CI/Mesure | | trendy_vs_noisy_log_likelihood_threshold Taux de probabilité que le nombre de journaux de tendance soit supérieur au nombre de journaux bruyants pour devenir le modèle statistique préféré. | 10--1 000 | 50 | double | CI/Mesure | | seasonal_loess_width_in_hours S'applique à la composante saisonnière d'un modèle hebdomadaire ou quotidien avant d'effectuer 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 | | robustness Impacte 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 la création d'un modèle SNPM. | -1e9 -- 1e9 | 0 | double | CI/Mesure | | snpm_max_observation_interval_in_sec Intervalle d'observation maximal attendu requis pour la création d'un modèle SNPM. | 60 -- 600 000 | 120 | entier | CI/Mesure | | min_std_jump_fraction Rapport minimum du niveau de bruit d'observation calculé localement par rapport 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 Indique s'il est nécessaire d'utiliser une moyenne de déplacement pondérée de façon exponentielle pour lisser les résidus dans l'analyse de seuil dynamique. | N/A | VRAI | booléen | CI/Mesure | | ewma_alpha Valeur alpha de la moyenne de déplacement pondérée de façon exponentielle 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 pour multiplier par deux la longueur de lissage. | 0 -- 10 000 | 250 | entier | CI/Mesure | | dynamic_threshold_error_buffer_minutes Nombre de points de données autour de chaque valeur hors norme à regrouper. | 1 -- 1 000 | 30 | entier | CI/Mesure | | dynamic_threshold_search_start Valeur de début 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 un 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 de la recherche. | 1 -- 20 | 5 | entier | CI/Mesure | | dynamic_threshold_minimum_data_count Nombre minimum de points de données brutes nécessaires avant de tenter la définition du seuil dynamique. | 1 -- 10 000 | 5 000 | entier | CI/Mesure | | linear_seasonal_log_likelihood_threshold Seuil utilisé pour décider s'il faut préférer un modèle adapté avec une saisonnalité linéaire ou un modèle avec un composant périodique. | 10-5 000 | 1 000 | entier | CI/Mesure | [Tableau 4. Paramètres de configuration internes] {#create-config-overriding-rule__table_g4w_v3l_pz} * **[Synchroniser les règles des paramètres de configuration](https://servicenow-prod.fluidtopics.net/loK08LCiZLUADb8s2ID5gA)** Les règles de paramètres de configuration de Metric Intelligence contiennent des valeurs spécifiées par l'utilisateur qui remplacent les valeurs par défaut actuellement disponibles sur les MID Servers Metric Intelligence. Pour prendre effet, il est nécessaire de synchroniser les MID Servers Metric Intelligence avec l'ensemble mis à jour des règles de paramètres de configuration.