{"id":35274,"date":"2019-10-31T22:03:22","date_gmt":"2019-10-31T19:03:22","guid":{"rendered":"https:\/\/prohoster.info\/blog\/razbiraemsya-s-machine-learning-v-elastic-stack-on-zhe-elasticsearch-on-zhe-elk\/"},"modified":"2019-10-31T22:03:22","modified_gmt":"2019-10-31T19:03:22","slug":"razbiraemsya-s-machine-learning-v-elastic-stack-on-zhe-elasticsearch-on-zhe-elk","status":"publish","type":"post","link":"https:\/\/prohoster.info\/da\/blog\/administrirovanie\/razbiraemsya-s-machine-learning-v-elastic-stack-on-zhe-elasticsearch-on-zhe-elk","title":{"rendered":"Lad os se n\u00e6rmere p\u00e5 Maskinl\u00e6ring i Elastic Stack (ogs\u00e5 kendt som Elasticsearch, ogs\u00e5 ELK)","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

\"Lad
\n
\nVi minder om, at Elastic Stack bygger p\u00e5 den ikke-relationelle database Elasticsearch, webgr\u00e6nsefladen Kibana og databehandlingsbehandlere (den mest kendte er Logstash, samt forskellige Beats, APM og andre). En af de behagelige tilf\u00f8jelser til hele dette produktstack er dataanalyse ved hj\u00e6lp af maskinl\u00e6ringsalgoritmer. I artiklen unders\u00f8ger vi, hvad disse algoritmer indeb\u00e6rer. Vi inviterer dig til at l\u00e6se videre.
\n<\/a><\/noindex>
\nMaskinl\u00e6ring er en betalt funktion i det betinget gratis Elastic Stack og er inkluderet i X-Pack-pakken. For at begynde at bruge det er det tilstr\u00e6kkeligt at aktivere en 30-dages pr\u00f8veversion efter installationen. Efter pr\u00f8vetidens udl\u00f8b kan du anmode om st\u00f8tte til forl\u00e6ngelse eller k\u00f8be et abonnement. Abonnementsprisen beregnes ikke ud fra datam\u00e6ngden, men ud fra antallet af anvendte noder. Nej, datam\u00e6ngden p\u00e5virker naturligvis antallet af n\u00f8dvendige noder, men alligevel er denne tilgang til licensering mere menneskelig i forhold til virksomhedens budget. Hvis der ikke er behov for h\u00f8j ydeevne, kan man ogs\u00e5 spare penge.<\/p>\n

ML i Elastic Stack er skrevet i C++ og k\u00f8rer uden for JVM'en, hvor Elasticsearch selv k\u00f8rer. Det vil sige, at processen (den kaldes faktisk autodetect) bruger alt, hvad JVM'en ikke kan h\u00e5ndtere. P\u00e5 demonstrationsstandet er dette ikke s\u00e5 kritisk, men i et produktionsmilj\u00f8 er det vigtigt at tildele separate noder til ML-opgaver.<\/p>\n

Maskinl\u00e6ringsalgoritmer deles op i to kategorier \u2014 med l\u00e6rer<\/a><\/noindex> og uden l\u00e6rer<\/a><\/noindex>. I Elastic Stack er algoritmen fra kategorien 'uden l\u00e6rer'. I denne artikel<\/a><\/noindex> kan du se den matematiske teori bag maskinl\u00e6ringsalgoritmer.<\/p>\n

Til at udf\u00f8re analysen bruger maskinl\u00e6ringsalgoritmen data, der opbevares i indeksene i Elasticsearch. Opgaver til analyse kan skabes b\u00e5de fra Kibana-gr\u00e6nsefladen og gennem API'en. Hvis dette g\u00f8res via Kibana, er det ikke n\u00f8dvendigt at vide visse ting. For eksempel, de ekstra indekser, som algoritmen bruger i sin drift. <\/p>\n

Ekstra indekser, der bruges under analysen<\/b>.ml-state \u2014 information om statistiske modeller (analyseindstillinger);
\n.ml-anomalies-* \u2014 resultaterne af ML-algoritmernes arbejde;
\n.ml-notifications \u2014 indstillinger for underretninger baseret p\u00e5 analyseresultater.<\/p>\n

\"Lad
\n
\nData strukturen i Elasticsearch-databasen best\u00e5r af indekser og de dokumenter, der er gemt i dem. Sammenlignet med en relationel database kan et indeks sammenlignes med databasens skema, mens et dokument svarer til en post i en tabel. Denne sammenligning er betinget og er givet for at forenkle forst\u00e5elsen af det f\u00f8lgende materiale for dem, der kun har h\u00f8rt om Elasticsearch.<\/p>\n

Gennem API'et er den samme funktionalitet tilg\u00e6ngelig som via webgr\u00e6nsefladen, s\u00e5 for klarhed og forst\u00e5else af koncepternes betydning vil vi vise, hvordan man konfigurerer gennem Kibana. I venstre menu er der et afsnit om Machine Learning, hvor man kan oprette en ny opgave (Job). I Kibana-gr\u00e6nsefladen ser dette ud som p\u00e5 billedet nedenfor. Nu vil vi gennemg\u00e5 hver type opgave og vise de analyser, som man kan konstruere her.<\/p>\n

\"Lad
\n
\nSingle Metric \u2014 analyse af \u00e9n metrik, Multi Metric \u2014 analyse af to eller flere metrikker. I begge tilf\u00e6lde analyseres hver metrik i et isoleret milj\u00f8, dvs. algoritmen tager ikke hensyn til adf\u00e6rden af de parallelt analyserede metrikker, som kunne v\u00e6re indtryk i tilf\u00e6lde af Multi Metric. For at udf\u00f8re beregninger under hensyntagen til korrelationen mellem forskellige metrikker kan man anvende Population-analyse. Advanced \u2014 det er finjustering af algoritmerne med yderligere muligheder til specifikke opgaver. <\/p>\n

Single Metric<\/h2>\n

\nAnalysen af \u00e6ndringer i en enkelt metrik \u2014 den enkleste, man kan udf\u00f8re her. Efter at have trykket p\u00e5 Create Job, vil algoritmen lede efter anomalier.<\/p>\n

\"Lad
\n
\nI feltet Aggregation<\/i> kan man v\u00e6lge tilgang til at finde anomalier. For eksempel, ved Min<\/i> vil v\u00e6rdier under de typiske blive betragtet som anomale. Der er Max, High Mean, Low, Mean, Distinct<\/i> og andre. Beskrivelsen af alle funktioner kan ses via linket<\/a><\/noindex>.<\/p>\n

I feltet Field<\/i> angiver det numeriske felt i dokumentet, som vi vil analysere.<\/p>\n

I feltet Bucket span<\/i><\/a><\/noindex> er granulariteten af intervallerne p\u00e5 tidslinjen, som analysen vil blive udf\u00f8rt over. Man kan stole p\u00e5 automatikken eller v\u00e6lge manuelt. P\u00e5 billedet nedenfor er et eksempel p\u00e5 for lav granularitet \u2014 du kan g\u00e5 glip af en anomali. Med denne indstilling kan man \u00e6ndre algoritmens f\u00f8lsomhed over for anomalier.<\/p>\n

\"Lad
\n
\nDatavarighed er en n\u00f8glefaktor, der p\u00e5virker effektiviteten af analysen. Under analysen identificerer algoritmen gentagne intervaller, beregner konfidensintervallet (baseline) og afsl\u00f8rer anomalier - atypiske afvigelser fra normal adf\u00e6rd for metrikken. Bare som et eksempel:<\/p>\n

Baselines ved et lille datainterval:<\/p>\n

\"Lad
\n
\nN\u00e5r algoritmen har noget at l\u00e6re af - ser baselines s\u00e5ledes ud:<\/p>\n

\"Lad
\n
\nEfter opstart af opgaven identificerer algoritmen anomale afvigelser fra normen og rangerer dem efter sandsynligheden for anomalier (farven p\u00e5 den tilsvarende m\u00e6rkning er angivet i parentes):<\/p>\n

Warning (bl\u00e5): mindre end 25
\nMinor (gul): 25-50
\nMajor (orange): 50-75
\nCritical (r\u00f8d): 75-100<\/p>\n

I grafen nedenfor er et eksempel med fundne anomalier.<\/p>\n

\"Lad
\n
\nHer ses tallet 94, som angiver sandsynligheden for en anomali. Det er klart, at da v\u00e6rdien er t\u00e6t p\u00e5 100, s\u00e5 st\u00e5r vi over for en anomali. I kolonnen under grafen er den uv\u00e6rdigt lille sandsynlighed p\u00e5 0.000063634% for, at der optr\u00e6der en metrikv\u00e6rdi der.<\/p>\n

Udover at finde anomalier kan man i Kibana starte forudsigelse. Det g\u00f8res enkelt og fra den samme visning med anomalier - knappen Forecast<\/i> i \u00f8verste h\u00f8jre hj\u00f8rne.<\/p>\n

\"Lad
\n
\nForudsigelsen laves maksimalt 8 uger frem. Selv hvis man virkelig gerne vil - m\u00e5 man ikke mere af design.<\/p>\n

\"Lad
\n
\nI nogle situationer vil forudsigelsen v\u00e6re meget nyttig, f.eks. n\u00e5r man overv\u00e5ger brugerbelastningen p\u00e5 infrastrukturen.<\/p>\n

Multi Metric<\/h2>\n

\nVi g\u00e5r videre til den n\u00e6ste mulighed for ML i Elastic Stack - analysen af flere metrikker p\u00e5 \u00e9n gang. Men det betyder ikke, at man vil analysere afh\u00e6ngigheden af \u00e9n metrik fra en anden. Det er det samme som Single Metric, dog med flere metrikker p\u00e5 \u00e9n sk\u00e6rm for nem sammenligning af indflydelsen af den ene p\u00e5 den anden. Vi vil fort\u00e6lle om analysen af afh\u00e6ngighed af \u00e9n metrik fra en anden i afsnittet Population.<\/p>\n

N\u00e5r man trykker p\u00e5 kvadraten med Multi Metric, vises et vindue med indstillinger. Vi stopper ved dem i detaljer.<\/p>\n

\"Lad
\n
\nFor at starte skal man v\u00e6lge felter til analyse og aggregere dataene efter dem. Aggregationsmulighederne her er de samme som for Single Metric (Max, High Mean, Low, Mean, Distinct<\/i> og andre). Derefter kan dataene, hvis \u00f8nskes, opdeles baseret p\u00e5 et af felterne (feltet Split Data<\/i>). I eksemplet har vi gjort dette efter feltet OriginAirportID<\/i>. Bem\u00e6rk, at grafen for metrikkerne til h\u00f8jre nu vises som en m\u00e6ngde grafer.<\/p>\n

\"Lad
\n
\nFelt Key Fields (Influencers)<\/i> har direkte indflydelse p\u00e5 de fundne anomalier. Som standard vil der altid v\u00e6re mindst \u00e9n v\u00e6rdi her, og du kan tilf\u00f8je flere. Algoritmen vil tage hensyn til indflydelsen fra disse felter under analysen og vise de mest 'indflydelsesrige' v\u00e6rdier.<\/p>\n

Efter lanceringen vil gr\u00e6nsefladen i Kibana se omtrent s\u00e5dan her ud.<\/p>\n

\"Lad
\n
\nDette er den s\u00e5kaldte varmekort over anomalier for hvert feltv\u00e6rdi OriginAirportID<\/i>, som vi angav i Split Data<\/i>. Som i tilf\u00e6lde af Single Metric, angiver farven niveauet af anomalt afvigelse. En lignende analyse kan nemt udf\u00f8res, for eksempel for arbejdsstationer for at overv\u00e5ge dem, hvor der er us\u00e6dvanligt mange godkendelser osv. Vi har allerede skrevet om mist\u00e6nkelige begivenheder i EventLog Windows<\/a><\/noindex>, som ogs\u00e5 kan samles og analyseres her.<\/p>\n

Under varmekortet er der en liste over anomalier, hvorfra hver sektion kan lede til Single Metric visningen for en detaljeret analyse.<\/p>\n

Population<\/h2>\n

\nFor at s\u00f8ge efter anomalier blandt korrelationer mellem forskellige m\u00e5linger i Elastic Stack er der en specialiseret Population-analyse. Det er netop ved hj\u00e6lp af denne, at vi kan lede efter anomale v\u00e6rdier i ydeevnen for en bestemt server i forhold til de andre, for eksempel ved en stigning i antallet af foresp\u00f8rgsler til det m\u00e5lrettede system.<\/p>\n

\"Lad
\n
\nI denne illustration er feltet Population angivet med v\u00e6rdien, som de analyserede m\u00e5linger vil relatere sig til. I dette tilf\u00e6lde er det procesnavnet. Som et resultat vil vi se, hvordan CPU-belastningen fra hver af processerne influerede hinanden.<\/p>\n

Bem\u00e6rk, at grafen over de analyserede data adskiller sig fra tilf\u00e6ldene med Single Metric og Multi Metric. Det er gjort i Kibana by design for at forbedre opfattelsen af fordelingen af v\u00e6rdier i de analyserede data.<\/p>\n

\"Lad
\n
\nFra grafen ses det, at processen stress<\/i> (for at n\u00e6vne, skabt af et specialv\u00e6rkt\u00f8j) p\u00e5 serveren poipu<\/i>, som havde indflydelse (eller var influencer) p\u00e5 opst\u00e5en af denne anomali.<\/p>\n

Avanceret<\/h2>\n

\nAnalyse med pr\u00e6cise indstillinger. Ved Advanced analyse i Kibana vises der yderligere indstillinger. Efter at have trykket p\u00e5 menuen for at oprette p\u00e5 Advanced-flisen vises et vindue med faner. Fanen Job Details<\/i> blev bevidst sprunget over, da der er grundl\u00e6ggende indstillinger, der ikke relaterer sig direkte til indstillingen af analysen.<\/p>\n

\"Lad
\n
\nI summary_count_field_name<\/i> kan valgfrit angives som navnet p\u00e5 feltet i dokumenterne, der indeholder aggregerede v\u00e6rdier. I dette eksempel \u2014 antal begivenheder pr. minut. I categorization_field_name<\/i><\/a><\/noindex> angiver navnet p\u00e5 feltv\u00e6rdien fra dokumentet, som indeholder en variabel v\u00e6rdi. Ved hj\u00e6lp af masken for dette felt kan de analyserede data opdeles i undergrupper. V\u00e6r opm\u00e6rksom p\u00e5 knappen Tilf\u00f8j detektor<\/i> p\u00e5 det forrige illustration. Nedenfor er resultatet af at trykke p\u00e5 denne knap.<\/p>\n

\"Lad
\n
\nHer er et ekstra indstillingsomr\u00e5de til at tilpasse anomalidetektoren til en bestemt opgave. Vi planl\u00e6gger at gennemg\u00e5 specifikke brugssager (is\u00e6r inden for sikkerhed) i kommende artikler. For eksempel, se<\/a><\/noindex> en af de gennemg\u00e5ede sager. Den relaterer sig til at finde sj\u00e6ldent forekommende v\u00e6rdier og implementeres funktionen rare<\/a><\/noindex>.<\/p>\n

I feltet funktion<\/i> kan du v\u00e6lge en bestemt funktion til at finde anomalier. Udover rare<\/i>, er der et par interessante funktioner \u2014 time_of_day<\/i> og time_of_week<\/i><\/a><\/noindex>. De afsl\u00f8rer anomalier i adf\u00e6rden af metrikker i l\u00f8bet af dagen eller ugen henholdsvis. De \u00f8vrige analysefunktioner findes i dokumentationen<\/a><\/noindex>.<\/p>\n

I field_name<\/i> angiver feltet i dokumentet, som analysen vil baseres p\u00e5. By_field_name<\/i> kan bruges til at opdele analyseresultaterne efter hver enkelt v\u00e6rdi af det angivne felt i dokumentet. Hvis du udfylder over_field_name<\/i> vil du f\u00e5 en population-analyse, som vi n\u00e6vnte tidligere. Hvis du angiver en v\u00e6rdi i partition_field_name<\/i>, s\u00e5 vil separate basislinjer beregnes for hver v\u00e6rdi i dette dokumentfelt (hver v\u00e6rdi kan for eksempel v\u00e6re navnet p\u00e5 serveren eller processen p\u00e5 serveren). I exclude_frequent<\/i> kan du v\u00e6lge alle<\/i> eller ingen<\/i>, hvilket vil betyde udelukkelse (eller inkludering) af ofte forekommende v\u00e6rdier fra dokumentfelterne.<\/p>\n

I artiklen fors\u00f8gte vi s\u00e5 kortfattet som muligt at give en pr\u00e6sentation af maskinl\u00e6ringens muligheder i Elastic Stack, men der er stadig mange detaljer tilbage. Del i kommentarerne, hvilke sager du har l\u00f8st ved hj\u00e6lp af Elastic Stack, og til hvilke opgaver du bruger det. Du kan kontakte os via private beskeder p\u00e5 Habr eller kontaktformularen p\u00e5 hjemmesiden<\/a><\/noindex>.
\n
Kilde: habr.com<\/a><\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"

\u041d\u0430\u043f\u043e\u043c\u043d\u0438\u043c, \u0447\u0442\u043e \u0432 \u043e\u0441\u043d\u043e\u0432\u0435 Elastic Stack \u043b\u0435\u0436\u0430\u0442 \u043d\u0435\u0440\u0435\u043b\u044f\u0446\u0438\u043e\u043d\u043d\u0430\u044f \u0431\u0430\u0437\u0430 \u0434\u0430\u043d\u043d\u044b\u0445 Elasticsearch, \u0432\u0435\u0431-\u0438\u043d\u0442\u0435\u0440\u0444\u0435\u0439\u0441 Kibana \u0438 \u0441\u0431\u043e\u0440\u0449\u0438\u043a\u0438-\u043e\u0431\u0440\u0430\u0431\u043e\u0442\u0447\u0438\u043a\u0438 \u0434\u0430\u043d\u043d\u044b\u0445 (\u0441\u0430\u043c\u044b\u0439 \u0438\u0437\u0432\u0435\u0441\u0442\u043d\u044b\u0439 Logstash, \u0440\u0430\u0437\u043b\u0438\u0447\u043d\u044b\u0435 Beats, APM \u0438 \u0434\u0440\u0443\u0433\u0438\u0435). \u041e\u0434\u043d\u043e \u0438\u0437 \u043f\u0440\u0438\u044f\u0442\u043d\u044b\u0445 \u0434\u043e\u043f\u043e\u043b\u043d\u0435\u043d\u0438\u0439 \u0432\u0441\u0435\u0433\u043e \u043f\u0435\u0440\u0435\u0447\u0438\u0441\u043b\u0435\u043d\u043d\u043e\u0433\u043e \u0441\u0442\u0435\u043a\u0430 \u043f\u0440\u043e\u0434\u0443\u043a\u0442\u043e\u0432 \u2014 \u0430\u043d\u0430\u043b\u0438\u0437 \u0434\u0430\u043d\u043d\u044b\u0445 \u043f\u0440\u0438 \u043f\u043e\u043c\u043e\u0449\u0438 \u0430\u043b\u0433\u043e\u0440\u0438\u0442\u043c\u043e\u0432 \u043c\u0430\u0448\u0438\u043d\u043d\u043e\u0433\u043e \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f. \u0412 \u0441\u0442\u0430\u0442\u044c\u0435 \u043c\u044b \u0440\u0430\u0437\u0431\u0438\u0440\u0430\u0435\u043c\u0441\u044f \u0447\u0442\u043e \u0438\u0437 \u0441\u0435\u0431\u044f \u043f\u0440\u0435\u0434\u0441\u0442\u0430\u0432\u043b\u044f\u044e\u0442 \u044d\u0442\u0438 \u0430\u043b\u0433\u043e\u0440\u0438\u0442\u043c\u044b. \u041f\u0440\u043e\u0441\u0438\u043c \u043f\u043e\u0434 \u043a\u0430\u0442. \u041c\u0430\u0448\u0438\u043d\u043d\u043e\u0435 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435 […]<\/p>\n","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"author":1,"featured_media":26487,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[688],"tags":[],"class_list":["post-35274","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-administrirovanie"],"aioseo_notices":[],"aioseo_head":"\n\t\t\n\t\n\t\n\t\n\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\n","aioseo_head_json":{"title":"\ud83e\udd47Lad os forst\u00e5 Machine Learning i Elastic Stack (ogs\u00e5 kendt som Elasticsearch, ogs\u00e5 kendt som ELK) | ProHoster","description":"Lad os minde om.","canonical_url":"https:\/\/prohoster.info\/da\/blog\/administrirovanie\/razbiraemsya-s-machine-learning-v-elastic-stack-on-zhe-elasticsearch-on-zhe-elk","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"da_DK","og:site_name":"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b","og:type":"article","og:title":"\ud83e\udd47\u0420\u0430\u0437\u0431\u0438\u0440\u0430\u0435\u043c\u0441\u044f \u0441 Machine Learning \u0432 Elastic Stack (\u043e\u043d \u0436\u0435 Elasticsearch, \u043e\u043d \u0436\u0435 ELK) | ProHoster","og:description":"\u041d\u0430\u043f\u043e\u043c\u043d\u0438\u043c.","og:url":"https:\/\/prohoster.info\/da\/blog\/administrirovanie\/razbiraemsya-s-machine-learning-v-elastic-stack-on-zhe-elasticsearch-on-zhe-elk","og:image":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:secure_url":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:width":350,"og:image:height":350,"article:published_time":"2019-10-31T19:03:22+00:00","article:modified_time":"2019-10-31T19:03:22+00:00","article:publisher":"https:\/\/www.facebook.com\/prohoster","article:author":"https:\/\/www.facebook.com\/prohoster"},"aioseo_meta_data":{"post_id":"35274","title":null,"description":null,"keywords":null,"keyphrases":null,"primary_term":null,"canonical_url":null,"og_title":null,"og_description":null,"og_object_type":"default","og_image_type":"default","og_image_url":null,"og_image_width":null,"og_image_height":null,"og_image_custom_url":null,"og_image_custom_fields":null,"og_video":null,"og_custom_url":null,"og_article_section":null,"og_article_tags":null,"twitter_use_og":false,"twitter_card":"default","twitter_image_type":"default","twitter_image_url":null,"twitter_image_custom_url":null,"twitter_image_custom_fields":null,"twitter_title":null,"twitter_description":null,"schema":{"blockGraphs":[],"customGraphs":[],"default":{"data":{"Article":[],"Course":[],"Dataset":[],"FAQPage":[],"Movie":[],"Person":[],"Product":[],"ProductReview":[],"Car":[],"Recipe":[],"Service":[],"SoftwareApplication":[],"WebPage":[]},"graphName":"","isEnabled":true},"graphs":[]},"schema_type":null,"schema_type_options":null,"pillar_content":false,"robots_default":true,"robots_noindex":false,"robots_noarchive":false,"robots_nosnippet":false,"robots_nofollow":false,"robots_noimageindex":false,"robots_noodp":false,"robots_notranslate":false,"robots_max_snippet":null,"robots_max_videopreview":null,"robots_max_imagepreview":"large","priority":null,"frequency":null,"local_seo":null,"seo_analyzer_scan_date":"2026-01-21 22:37:19","breadcrumb_settings":null,"limit_modified_date":false,"reviewed_by":null,"ai":null,"created":"2021-03-01 02:07:28","updated":"2026-01-21 22:37:19","focus_keyword":null,"additional_keywords":null,"truseo_locale":null},"gt_translate_keys":[{"key":"link","format":"url"}],"_links":{"self":[{"href":"https:\/\/prohoster.info\/da\/wp-json\/wp\/v2\/posts\/35274","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/da\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/da\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/da\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/da\/wp-json\/wp\/v2\/comments?post=35274"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/da\/wp-json\/wp\/v2\/posts\/35274\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/prohoster.info\/da\/wp-json\/wp\/v2\/media\/26487"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/da\/wp-json\/wp\/v2\/media?parent=35274"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/da\/wp-json\/wp\/v2\/categories?post=35274"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/da\/wp-json\/wp\/v2\/tags?post=35274"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}