Détection d’anomalies
Instance Observer détecte de manière proactive les anomalies pour les mesures cycliques ou non cycliques sous le graphique des performances du Impact package Total sur les instances de production. Les anomalies représentent des valeurs hors norme de mesures basées sur des modèles historiques. Chaque anomalie peut ne pas représenter un problème, mais elle vous avertit et vous permet de décider de la criticité et de configurer les alertes en conséquence.
Les mesures cycliques se présentent sous la forme d’un ensemble complet d’événements qui se répètent régulièrement dans le même ordre ou au cours d’une période régulièrement répétée. Les mesures non cycliques sont des mesures qui se répètent de manière irrégulière ou sur des périodes répétées aléatoires et moins prévisibles. Une anomalie, également connue sous le nom d’exception, est un point de données inhabituel, rare ou non conforme aux modèles ou à la distribution attendus des données.
- Nombre de transactions : somme à l’échelle de l’instance de toutes les transactions d’interface utilisateur d’un type interne connu sous le nom de UI_TYPE.
- Délai de réponse du serveur : temps d’exécution moyen ou moyen pour UI_TYPE transactions.
- Délai de réponse SQL : Moyenne rapportée du délai de réponse de la base de données mesuré au niveau de la couche application qui commence lorsqu’une requête est envoyée à la base de données et se termine lorsque la réponse a été reçue.
- Moyenne du sémaphore : nombre moyen de transactions d’utilisateurs finaux traitées simultanément sur une période d’une minute.
- Mémoire maximale du nœud : mémoire maximale en Mo utilisée par nœud à un point donné de l’historique. Cette valeur varie généralement entre 1 000 Mo et 2 048 Mo.
- L’axe X représente l’heure et l’axe Y représente les mesures réelles selon la plage de dates sélectionnée. Par exemple, le graphique linéaire affiche les valeurs du nombre de transactions au fil du temps. Les anomalies sont indiquées par un code couleur rouge sur le graphique et représentent l’occurrence d’une anomalie dans les données. L’emplacement de la marque rouge dépend des critères ou de l’algorithme utilisé pour détecter les anomalies.
- La plage représente les limites supérieures et inférieures avec une distribution normale des mesures en fonction de leur modèle d’ensemble de données historiques.
- La ligne moyenne représente la valeur moyenne sur quatre semaines des mesures pour comparer l’écart à un moment donné.
Détection d’anomalie de tâche
Les graphiques des anomalies de tâches suivent le nombre de travaux planifiés en cours d’exécution simultanément pour chaque heure de la journée avec la mesure de superposition de la moyenne du nombre de transactions pour chaque heure. Toute barre du graphique qui présente une ou plusieurs tâches anormales est mise en surbrillance en rouge. Sélectionnez le lien de détail de l’histogramme pour afficher les détails du niveau de poste.
Les détails de la tâche représenteront les travaux planifiés horaires ainsi que les transactions moyennes respectives de cette instance.
Explorez le nombre de tâches planifiées horaires dans une tâche de récurrence individuelle à n’importe quelle heure de la journée, puis dans le schéma d’exécution de la même tâche au cours des sept derniers jours. Cela peut aider à exécuter de bout en bout la cause première des tâches qui prennent habituellement un temps constant et qui subissent soudainement une augmentation ou une diminution significative du temps d’exécution, indiquant un possible problème de performances.
- Critères de la tâche planifiée
- Pour que la tâche soit considérée comme une tâche planifiée, elle doit satisfaire au moins un des critères suivants :
- La tâche s’exécute au moins une fois pour chaque jour de la semaine.
- La tâche a été exécutée au moins une fois par semaine au cours des quatre dernières semaines.
- Calcul du nombre moyen de transactions
- Pour chaque heure d’un jour donné, la moyenne est calculée sur la somme du nombre de transactions des quatre dernières semaines pour le même jour et la même heure. Par exemple, en récupérant la somme des transactions des quatre derniers lundis pour la quatrième heure et en faisant la moyenne des valeurs pour le calcul final.
- Identification des anomalies de tâche
- Au cours des quatre dernières semaines, pour chaque heure d’exécution de la tâche, la durée moyenne est calculée avec la valeur de l’écart-type, qui est la valeur moyenne, plus 5 multipliée par la valeur de l’écart-type.
Réponse d’anomalie
Toutes les anomalies ne représentent pas un problème, mais les valeurs aberrantes détectées en fonction des modèles historiques. Configurez les alertes en conséquence après avoir analysé la criticité de l’anomalie détectée. Consultez la section Configurer les alertes d’anomalie pour plus d’informations sur les alertes.