--- sourceDocument: Xanadu IT Operations Management sourceDocumentLink: https://servicenow-prod.fluidtopics.net/r/pt-BR/xanadu/it-operations-management Release : - xanadu ft:locale : - pt-BR ft:publication_title : - Xanadu IT Operations Management ft:clusterId : - itom bundleId : - itom workflow : - Technology --- # Criar uma regra de definições de configuração # Criar uma regra de definições de configuração {#ariaid-title1} * Versão de lançamento: Xanadu * * Atualizado 24 de jun. de 2026 * * ![](https://www.servicenow.com/docs/portal-asset/ico-clock) 8 min. de leitura As definições de configuração afetam como os dados de métrica são processados. As regras de definições de configuração substituem os valores padrão dessas definições de configuração, permitindo que você crie modelos estatísticos eficientes para diferentes classes de IC. ## Antes de Iniciar Função necessária: evt_mgmt_admin ## Por Que e Quando Desempenhar Esta Tarefa Várias definições de configuração determinam o comportamento dos MID Servers de Inteligência para métricas. No sistema base, essas definições de configuração são definidas com valores padrão, tipos de dados e intervalo de valores válidos. Você não pode modificar diretamente essas definições de configuração ou adicionar novas. No entanto, você pode criar uma regra de configuração de métrica com novas definições de configuração que substituem os valores padrão nos MID Servers. Em seguida, aplique manualmente essas regras a todos os MID Servers de Inteligência para métricas em uma única operação de sincronização ou confie em um trabalho do sistema por hora para executar a sincronização. Para que tenham efeito, os MID Servers de Inteligência para métricas devem ser sincronizados com as atualizações das regras de configuração. É válido ter várias regras para uma configuração que afetam os mesmos ICs. Nesse caso: * As regras nas quais um filtro é definido têm precedência sobre uma regra global na qual nenhum filtro foi definido. * Se várias regras que afetam o mesmo conjunto de ICs tiverem a mesma prioridade, somente a regra mais recente a ser definida será aplicada. * Se várias regras com prioridades diferentes afetarem o mesmo conjunto de ICs, as regras com a prioridade mais alta serão aplicadas. {#create-config-overriding-rule__ul_ncs_31b_mz} ## Procedimento 1. Navegar até TodosGestão de eventosDetecção de AnomaliaRegras de Configuração do Indicador. 2. No painel Regras de configuração de métrica, clique em Novoe preencha o formulário. {#create-config-overriding-rule__table_lss_mpv_lz__entry__2} | Campo | Descrição | |-|-| | Nome | Nome da regra. | | Ordem | Prioridade de regra em todas as outras regras. Números mais altos representam prioridades mais altas. | | Filtrar por | Caixa de seleção para exibir o campo Regra, em que você pode especificar condições que os ICs devem atender para que a regra seja aplicada. Por exemplo, na lista Escolher campo, selecione Adicionar campos relacionados e adicione o filtro \[class\]\[is\]\[Linux Server\]. Se estiver claro, a regra se aplicará globalmente a todos os ICs na tabela Mapeamento de métrica para IC \[sa_metric_map\]. | [Tabela 1. Formulário Regras de configuração de métrica] {#create-config-overriding-rule__table_lss_mpv_lz} 3. Clique com o botão direito do mouse no título do formulário e clique em Salvar. 4. Na seção de formulário Configurações de métrica substituída, clique em Novo, preencha o formulário e clique em Enviar. {#create-config-overriding-rule__table_ynj_bsv_lz__entry__2} | Campo | Descrição | |-|-| | Nome | Definição de configuração para a qual o valor será substituído. Clique no ![ícone da Gestão de eventos]() para exibir a lista de todas as definições de configuração. Clique no ícone do ícone de ![Gestão de eventos]() para exibir a caixa de diálogo Configurações de métrica com detalhes como intervalo de valores possíveis. Consulte as tabelas a seguir (Definições de configuração e Definições de configuração internas) para obter detalhes sobre as definições de configuração. | | Regra | Regra à qual a definição de configuração criada se aplica. | | Valor | Novo valor que substitui o valor padrão da definição de configuração especificada. | [Tabela 2. Formulário de configurações substituídas de métrica] {#create-config-overriding-rule__table_ynj_bsv_lz} Você pode modificar as seguintes definições de configuração no campo Nome. Nota: O filtro especificado na regra de configuração de métrica não se aplica a configurações com um escopo global. {#create-config-overriding-rule__table_nj5_tgl_pz__entry__5} | Nome e descrição | Valores | Padrão | Tipo de Dados | Escopo | |-|-|-|-|-| | anomalia_detecção_enabled Habilitar/desabilitar a detecção de anomalias. Nota: Se anomalialy_detection_action_level estiver definido, então anomalialy_detection_enabled será ignorado. | N/D | verdadeiro | booliano | IC/métrica | | anomalia_detection_action_level Nível de ação de análise e processamento de anomalias. Para obter mais informações, consulte [Configurar o nível de ação da detecção de anomalias](https://servicenow-prod.fluidtopics.net/QS5QSp0cgqzi8LCrZor4Jw "Crie uma regra de definição de configuração que refina o nível de processamento e análise de detecção de anomalias que é aplicado a ICs e métricas específicas. Defina um nível de processamento que reflita a importância das métricas em diferentes fases de implementação para reduzir a carga de dados, se necessário."). | opções: * Somente métricas * Limites * Pontuações de anomalia * Alertas de anomalia * Alertas de TI {#create-config-overriding-rule__ul_nb4_tvv_bhb} | * Novos registros: limites * Registros atualizados: alertas de anomalia {#create-config-overriding-rule__ul_lqq_jbd_chb} | escolha | IC/métrica | | buffer_anomaly_eviction_size Número máximo de anomalias no nível de métrica individual que podem ser armazenadas no buffer interno antes de serem enviadas para a instância para cada par de IC/métrica. | 60--1440 | 60 | inteiro | Global | | buffer_ci_score_eviction_size Número máximo de anomalias no nível de IC que podem ser armazenadas no buffer interno antes de serem enviadas para a instância (não está sendo usado no momento) | 60--1440 | 60 | inteiro | Global | | buffer_metric_eviction_size Número máximo de métricas que podem ser armazenadas no buffer interno antes de serem enviadas para a instância para cada par de IC/Métrica. | 60--1440 | 60 | inteiro | Global | | connection_login_timeout_secs Tempo máximo em segundos para fazer login no banco de dados local no MID Server. | 30--60 | 30 | inteiro | Global | | corrupt_data_count_threshold Número mínimo de pontos de treinamento (médias de 15 minutos) necessários para fazer qualquer análise estatística. | 10--100 | 30 | inteiro | Global | | deprioritize_early_batch_of_anomalous_ci Envie informações anormais de IC imediatamente ou em intervalos regulares. | N/D | falso | booliano | Global | | Mad_model_min_days Número de dias para os quais os dados devem estar disponíveis para considerar um modelo baseado em Desvio absoluto mediano. | 10-120 | 10 | inteiro | IC/métrica | | max_pool_connections_size Número máximo de conexões para o pool de banco de dados local. | 10--50 | 25 | inteiro | Global | | observação_tempo_min Intervalo mínimo de observação de métrica esperado. | 1--1440 | 1 | inteiro | IC/métrica | | Robust_central_percentage Percentual dos dados residuais para calcular o desvio padrão residual, usado para detecção de exceções. Quando definido como 100 - usa o desvio padrão de amostra regular. | 50--100 | 90 | duplo | Global | | esparse_gap_fração_threshold Se mais do que esta porcentagem de dados estiver ausente e nenhuma outra classe tiver sido identificada, classifique como SPARSE. Não tente ajustar um modelo WEEKLY. | 0--100 | 50 | duplo | Global | | week_model_min_days Número de dias para os quais os dados devem estar disponíveis para considerar somente uma decomposição de sazonalidade SEMANAL. | 14-90 | 15 | inteiro | IC/métrica | | diariamente_modelo_min_dias Número de dias para os quais os dados devem estar disponíveis para considerar somente uma decomposição de sazonalidade DIÁRIA. | 2-90 | 3 | inteiro | IC/métrica | | build_snpm_model Habilitar/desabilitar a criação de um modelo de dados SNPM. | N/D | verdadeiro | booliano | IC/métrica | | snpm_minimum_data_count Número mínimo de pontos de dados necessários para criar um modelo não paramétrico estacionário. | 0 -- 1e9 | 5000 | inteiro | IC/métrica | [Tabela 3. Definições de Configuração] {#create-config-overriding-rule__table_nj5_tgl_pz} As definições de configuração a seguir são para uso interno. {#create-config-overriding-rule__table_g4w_v3l_pz__entry__5} | Nome e descrição | Valores | Padrão | Tipo de Dados | Escopo | |-|-|-|-|-| | anomalia_memória_tempo_min Parâmetro da calculadora de pontuação de anomalia: tempo de memória para situação anormal. | 1--600 | 45 | duplo | IC/métrica | | excesso_z_pontuação Parâmetro da calculadora de pontuação de anomalia: anomalia mínima acumulada para exceções. | 0--3 | 0,8 | duplo | IC/métrica | | linear_accumulator_threshold Limite da árvore de decisão: análise de ACCMULADORES | 0.5--5 | 1 | duplo | Global | | lwow_freq_power_threshold Limite da árvore de decisão: análise SEMANAL | 0--100 | 50 | duplo | Global | | low_variability_threshold Limite da árvore de decisão: análise de TENDÊNCIA | 0.0000000001--0.001 | 0.0001 | duplo | Global | | mid_freq_power_threshold Limite da árvore de decisão: análise SEMANAL | 0--100 | 33 | duplo | Global | | multinomial_count_threshold Limite da árvore de decisão: análise MULTINOMIAL | 1--1000 | 40 | inteiro | Global | | diferente de zero_diff_threshold Limite da árvore de decisão: análise NEAR_CONSTANT | 0--100 | 5 | duplo | Global | | normal_memory_time_min Parâmetro da calculadora de pontuação de anomalia: tempo de memória para situação normal. | 1--600 | 1 | duplo | IC/métrica | | normal_probability_ewma_timescale_min Parâmetro da calculadora de pontuação de anomalia: escala de tempo de avaliação normal. | 1--600 | 15 | duplo | IC/métrica | | peso_probabilidade_normal Parâmetro da calculadora de pontuação de anomalia: fator de ajuste de avaliação normal. | 0--1 | 1 | duplo | IC/métrica | | sigmoid_offset Parâmetro da calculadora de pontuação de anomalia: anomalia para conversão de pontuação. | 0--5 | 2.1 | duplo | IC/métrica | | peso_sigmoid Parâmetro da calculadora de pontuação de anomalia: anomalia para conversão de pontuação. | 0--5 | 1.2 | duplo | IC/métrica | | Tiny_variability_threshold Limite da árvore de decisão: análise NEAR_CONSTANT | 0--0,001 | 0.0000000001 | duplo | Global | | semanal_pico_alta_limite Limite da árvore de decisão: análise SEMANAL. | 7--14 | 10 | duplo | Global | | semanal_pico_lo_limit Limite da árvore de decisão: análise semanal. | 0.5--7 | 0,7 | duplo | Global | | week_vs_daily_log_likelihood_threshold Por quanto a probabilidade de log de semanal precisa ser maior que diária para ser o modelo estatístico preferencial. | 100--1000 | 200 | duplo | IC/métrica | | diário_vs_noisy_log_likelihood_threshold Por quanto a probabilidade de log de diário precisa ser maior do que com ruído para ser o modelo estatístico preferencial. | 20--1000 | 200 | duplo | IC/métrica | | week_vs_noisy_log_likelihood_treshold Por quanto a probabilidade de log de semanal precisa ser maior que com ruído para ser o modelo estatístico preferencial. | 100--1000 | 200 | duplo | IC/métrica | | na moda_vs_noisy_log_likelihood_threshold Por quanto a probabilidade de log de tendência precisa ser maior do que barulhenta, para ser o modelo estatístico preferencial. | 10--1000 | 50 | duplo | IC/métrica | | sazonal_loess_width_in_hours Aplicado ao componente sazonal de um modelo semanal ou diário antes de fazer uma previsão do comportamento futuro. Se definido como 0, cada ponto de dados no modelo sazonal se torna independente do restante dos pontos de dados. | 6--24 | 12 | duplo | IC/métrica | | solidez Afeta como os valores atípicos contribuem para os cálculos sazonais e de tendências. | N/D | verdadeiro | booliano | IC/métrica | | snpm_min_value_threshold Valor mínimo de dados necessários para criar um modelo SNPM. | -1e9 -- 1e9 | 0 | duplo | IC/métrica | | snpm_max_observation_interval_in_sec Intervalo de observação máximo esperado necessário para criar um modelo SNPM. | 60 -- 600.000 | 120 | inteiro | IC/métrica | | min_std_jump_fration Proporção mínima do nível de ruído de observação calculado localmente para o tamanho de salto típico que justifica o recálculo de uma variância de ruído de observação maior. | 0.0 -- 1.0 | 0,2 | duplo | IC/métrica | | dinâmico_threshold_error_suavização Se a média móvel exponencialmente ponderada deve ser usada para atenuar os resíduos na análise de limite dinâmico. | N/D | verdadeiro | booliano | IC/métrica | | ewma_alpha O valor alfa da média móvel ponderada exponencialmente na análise de limite dinâmico. | 1e-15 -- 1,0 | 0.02739726027 | duplo | IC/métrica | | dynamic_threshold_beginning_smoothing_length Número de pontos de dados atenuados a serem definidos como a média do dobro do comprimento de suavização. | 0 -- 10000 | 250 | inteiro | IC/métrica | | dynamic_threshold_error_uffer_minutes Número de pontos de dados em torno de cada exceção a ser agrupado. | 1 -- 1000 | 30 | inteiro | IC/métrica | | dynamic_threshold_search_start Valor inicial no qual o fator de controle ideal é pesquisado. | 0.5 -- 20.0 | 3,0 | duplo | IC/métrica | | dynamic_threshold_search_interval Intervalo entre valores de pesquisa do fator de controle ideal. | 0.1 -- 5.0 | 0,5 | duplo | IC/métrica | | Contagem_de_pesquisa_limite_dinâmico Número de valores necessários para pesquisar o fator de controle ideal. | 1 -- 50 | 19 | inteiro | IC/métrica | | dinâmico_threshold_error_sequence_limit Número máximo de grupos de erros para um valor de fator de controle específico ao pesquisar. | 1 -- 20 | 5 | inteiro | IC/métrica | | dynamic_threshold_minimum_data_count Número mínimo de pontos de dados brutos necessários antes de tentar o limite dinâmico. | 1 -- 10.000 | 5000 | inteiro | IC/métrica | | linear_sazonal_log_likelihood_threshold Limite usado para decidir se um modelo ajustado com sazonalidade linear deve ser preferido em vez de um modelo com um componente periódico. | 10-5000 | 1000 | inteiro | IC/métrica | [Tabela 4. Definições de configuração interna] {#create-config-overriding-rule__table_g4w_v3l_pz} * **[Sincronizar regras de definições de configuração](https://servicenow-prod.fluidtopics.net/dfN2lLVT3U4ySaxmz3_A1g)** As regras de configuração da Inteligência para métricas contêm valores especificados pelo usuário que substituem os valores padrão que existem atualmente nos MID Servers da Inteligência para métricas. Para ter efeito, os MID Servers de Inteligência para métricas devem ser sincronizados com o conjunto atualizado de regras de definição de configuração.