معرفی تشخیص ناهنجاری در DataDog

در مورد مؤلفه های کلیدی ، قابلیت ها و ویژگی های پلت فرم Datadog بیاموزید.

برای کسب اطلاعات بیشتر بارگیری کنید

برخی از با ارزش ترین معیارهای برای نظارت نیز متغیر ترین هستند. توان برنامه ، درخواست های وب ، ورود به سیستم کاربر & mldr ؛تمام این معیارهای مهم و سطح بالا ، بسته به زمان روز یا روز هفته ، تمایل به قله ها و دره های برجسته دارند. این نوسانات تعیین آستانه های معقول برای هشدار یا تحقیقات بسیار دشوار است.

برای فراهم کردن زمینه عمیق تر برای معیارهای پویا مانند اینها ، ما تشخیص ناهنجاری را به DataDog اضافه کرده ایم. با تجزیه و تحلیل رفتار تاریخی یک متریک ، تشخیص ناهنجاری بین روندهای متریک طبیعی و غیر طبیعی متمایز می شود. در اینجا یک فیلمبرداری ویدیویی دو دقیقه ای وجود دارد:

حسابداری برای فصلی

در بالا ، نمودار Timeseries از توان پرس و جو را در یک پنجره هفت روزه مشاهده می کنیم. توان واقعی به رنگ بنفش است. باند خاکستری دامنه پیش بینی شده الگوریتم تشخیص ناهنجاری را بر اساس داده های هفته های قبل نشان می دهد.

این متریک یک الگوی معمولی را به نمایش می گذارد: قله های توان در هر ساعت کاری هر روز هفته ، هنگامی که استفاده از برنامه بالاترین است ، در شب به حداقل محلی می رسد و در آخر هفته به یک لاله طولانی می رسد. از آنجا که این الگوی هفته به هفته تکرار می شود ، الگوریتم تشخیص ناهنجاری قادر به پیش بینی دقیق ارزش متریک ، قله ها و همه است.

چه طبیعی است و چه چیزی نیست

البته ، تشخیص ناهنجاری فقط مربوط به نشان دادن آنچه طبیعی است نیست - این همچنین در مورد ظاهر شدن در مورد آنچه نیست ، نیست. در اینجا ما شاهد افت غیر منتظره در توان درخواست هستیم ، که به سرعت به عنوان ناهنجاری (قرمز) پرچم گذاری می شود.

کاهش عملکرد یک علامت بسیار جدی است ، اما اساساً تعیین هشدارهای آستانه ای که می تواند وقوع مانند این را شناسایی کند ، غیرممکن است. از این گذشته ، اینگونه نیست که ارزش متریک به ویژه هنگام کاهش ، به طور معمول در آخر هفته به آن سطح می رسد. این فقط به طور غیر عادی برای ظهر روز پنجشنبه کم بود.

روند

برخی از زمانها ، مانند متریک در بالا ، بر روندهای جهت دار حاکم هستند. تشخیص ناهنجاری می تواند مؤلفه روند را از مؤلفه فصلی یک زمان بندی جدا کند ، بنابراین می تواند معیارهایی را که به طور پیوسته به سمت بالا یا رو به پایین هستند ، ردیابی کند.

هشدار اتوماتیک را برای روند متریک غیر طبیعی با تشخیص ناهنجاری از DataDog تنظیم کنید.

افزودن تشخیص ناهنجاری به نمودارها و هشدارها

با استفاده از کشویی توابع در ویرایشگر پرس و جو نمودار می توانید تشخیص ناهنجاری را به نمودار Timeseries اضافه کنید:

برای تنظیم هشدار ناهنجاری ، یک هشدار متریک جدید ایجاد کنید ، "تشخیص ناهنجاری" را به عنوان روش تشخیص انتخاب کنید و متریک مورد نظر خود را برای هشدار انتخاب کنید:

انتخاب و تنظیم الگوریتم

تشخیص ناهنجاری در DataDog دو پارامتر می گیرد:

• الگوریتم (اساسی ، چابک یا قوی)
• مرزهای آن الگوریتم

DataDog پس از تجزیه و تحلیل متریک انتخاب شده خود ، به طور خودکار الگوریتم مناسب را برای شما تعیین می کند. با این حال ، شما هنوز هم می توانید این پارامترها را تحت گزینه های پیشرفته برای تنظیم شرایط هشدار تغییر دهید.

الگوریتم ها

الگوریتم های ما ریشه در مدلهای آماری ایجاد شده دارند ، اما آنها به شدت با دامنه زیرساخت های در مقیاس بالا و نظارت بر برنامه سازگار شده اند. در میان اصلاحات اصلی: تیم علوم داده ما به طور گسترده روی استحکام کار کرده است ، به طوری که پیش بینی های آینده در پی اختلالات و ناهنجاری ها (به ویژه با الگوریتم قوی) قابل اعتماد است. الگوریتم های DataDog همچنین می توانند به تغییر سطح پاسخ دهند ، به طوری که پیش بینی ها به سرعت با تغییرات در پایه یک متریک (به ویژه با الگوریتم چابک) سازگار می شوند. به طور کلی ، این الگوریتم ها به گونه ای طراحی شده اند که با حداقل تنظیمات در شیوه های نظارتی موجود شما قرار بگیرند ، بنابراین می توانند به طور خودکار روندهای مربوط به بازه های زمانی مختلف را از بیشتر معیارهای فصلی شناسایی کنند.

• BASIC از یک محاسبات کمی نورد تاخیر برای تعیین دامنه مقادیر مورد انتظار استفاده می کند. این به سرعت با تغییر شرایط تنظیم می شود اما هیچ آگاهی از فصلی یا روندهای بلند مدت ندارد.
• Agile یک نسخه قوی از الگوریتم میانگین متحرک یکپارچه خود در حال حرکت فصلی (SARIMA) است. این به فصلی حساس است اما همچنین می تواند به سرعت در تغییر سطح در متریک تنظیم شود - به عنوان مثال ، اگر تغییر کد باعث افزایش سطح پایه درخواست ها در ثانیه شود.
• Strong یک الگوریتم تجزیه روند فصلی است که برای معیارهای فصلی که دارای یک پایه نسبتاً سطح هستند ، بهترین کار را می کند. پیش بینی های آن بسیار پایدار است ، بنابراین پیش بینی آن تحت تأثیر ناهنجاری های ماندگار نخواهد بود.

توصیه می کنیم برای معیارهایی با الگوهای نوسان روزانه یا هفتگی با چابک یا قوی شروع کنید.

مرزها

پارامتر مرزها در ویرایشگر پرس و جو ، تحمل الگوریتم تشخیص ناهنجاری را تعیین می کند ، و از این رو عرض باند خاکستری "عادی" است. شما می توانید از این مرزها به عنوان انحراف از ارزش پیش بینی شده زمان فکر کنید. در بیشتر زمان ها ، تنظیم مرزها به 2 یا 3 بیشتر نقاط "عادی" را در باند خاکستری ضبط می کند. در اینجا می بینیم که چگونه همان الگوریتم با مرزهای تنظیم شده روی 1 (باریکترین) ، 2 ، 3 و 4 (وسیع ترین) به نظر می رسد:

زمینه تاریخی فوری

هنگامی که یک پاسخ دهنده هشدار ناهنجاری می کند ، باید دقیقاً بداند که چرا هشدار باعث شده است. صفحه وضعیت مانیتور برای هشدارهای ناهنجاری نشان می دهد که متریک مورد نظر از طریق پنجره ارزیابی هشدار ، که با محدوده پیش بینی شده الگوریتم برای آن متریک پوشانده شده است. همچنین می توانید از طریق متن تاریخی عمیق تر که نشان دهنده تکامل متریک در ساعات گذشته تا هفته ها است ، کلیک کنید ، بنابراین می توانید ببینید که چگونه این پیش بینی تعیین شده است.

به تشخیص مراجعه کنید

تشخیص ناهنجاری اکنون در DataDog موجود است. این تشخیص دورتر را تکمیل می کند ، که به شما امکان می دهد تفاوت های غیر منتظره ای در رفتار بین اشخاص متعدد گزارش همان متریک را مشخص کنید.

اگر هنوز یک حساب DataDog ندارید ، می توانید در اینجا یک حساب آزمایشی رایگان ثبت نام کنید.