{"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\/de\/blog\/administrirovanie\/razbiraemsya-s-machine-learning-v-elastic-stack-on-zhe-elasticsearch-on-zhe-elk","title":{"rendered":"Machine Learning im Elastic Stack (auch bekannt als Elasticsearch, auch bekannt als ELK) verstehen","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

\"Machine
\n
\nWir erinnern daran, dass die Grundlage des Elastic Stack aus der nicht-relationalen Datenbank Elasticsearch, der Weboberfl\u00e4che Kibana und Datenverarbeitungs-Tools besteht (am bekanntesten sind Logstash, verschiedene Beats, APM und andere). Eine der n\u00fctzlichen Erg\u00e4nzungen dieses gesamten Produktstacks ist die Datenanalyse mithilfe von Algorithmen f\u00fcr maschinelles Lernen. In diesem Artikel kl\u00e4ren wir, was diese Algorithmen sind. Wir bitten um Ihr Verst\u00e4ndnis.
\n<\/a><\/noindex>
\nMaschinelles Lernen ist eine kostenpflichtige Funktion des bedingt kostenlosen Elastic Stack und Teil des X-Pack-Pakets. Um es zu nutzen, m\u00fcssen Sie nach der Installation einfach die 30-t\u00e4gige Testversion aktivieren. Nach Ablauf der Testphase k\u00f6nnen Sie Unterst\u00fctzung zur Verl\u00e4ngerung anfordern oder ein Abonnement erwerben. Die Kosten des Abonnements werden nicht anhand des Datenvolumens, sondern nach der Anzahl der verwendeten Knoten berechnet. Nat\u00fcrlich beeinflusst das Datenvolumen die Anzahl der ben\u00f6tigten Knoten, aber dieser Lizenzierungsansatz ist dennoch budgetfreundlicher f\u00fcr das Unternehmen. Wenn keine hohe Leistung erforderlich ist, kann man auch sparen.<\/p>\n

ML im Elastic Stack ist in C++ geschrieben und l\u00e4uft au\u00dferhalb der JVM, in der selbst Elasticsearch betrieben wird. Das hei\u00dft, der Prozess (er wird \u00fcbrigens autodetect genannt) konsumiert alles, was die JVM nicht verarbeiten kann. In einer Demoumgebung ist das nicht so kritisch, aber in einer Produktionsumgebung ist es wichtig, separate Knoten f\u00fcr ML-Aufgaben bereitzustellen.<\/p>\n

Die Algorithmen des maschinellen Lernens lassen sich in zwei Kategorien unterteilen \u2014 \u00fcberwachtes Lernen<\/a><\/noindex> und un\u00fcberwachtes Lernen<\/a><\/noindex>. Im Elastic Stack geh\u00f6rt der Algorithmus zur Kategorie \"un\u00fcberwachtes Lernen\". \u00dcber diesem Link verf\u00fcgbar<\/a><\/noindex> kann man die mathematischen Grundlagen der Algorithmen des maschinellen Lernens einsehen.<\/p>\n

F\u00fcr die Durchf\u00fchrung von Analysen nutzt der Algorithmus des maschinellen Lernens Daten, die in den Elasticsearch-Indizes gespeichert sind. Analysauftr\u00e4ge k\u00f6nnen sowohl \u00fcber die Kibana-Oberfl\u00e4che als auch \u00fcber die API erstellt werden. Bei der Durchf\u00fchrung \u00fcber Kibana sind einige Dinge nicht zwingend erforderlich. Zum Beispiel die zus\u00e4tzlichen Indizes, die der Algorithmus w\u00e4hrend seiner Arbeit verwendet. <\/p>\n

Zus\u00e4tzliche Indizes, die im Analyseprozess verwendet werden,<\/b>.ml-state \u2014 Informationen \u00fcber statistische Modelle (Analyseeinstellungen);
\n.ml-anomalies-* \u2014 Ergebnisse der Arbeit der ML-Algorithmen;
\n.ml-notifications \u2014 Einstellungen f\u00fcr Benachrichtigungen zu den Analyseergebnissen.<\/p>\n

\"Machine
\n
\nDie Datenstruktur in einer Elasticsearch-Datenbank besteht aus Indizes und den darin gespeicherten Dokumenten. Im Vergleich zu einer relationalen Datenbank kann ein Index mit dem Schema einer Datenbank verglichen werden, w\u00e4hrend ein Dokument einer Zeile in einer Tabelle entspricht. Diese Vergleich ist bedingt und dient der Vereinfachung des Verst\u00e4ndnisses des folgenden Materials f\u00fcr diejenigen, die nur von Elasticsearch geh\u00f6rt haben.<\/p>\n

\u00dcber die API steht dieselbe Funktionalit\u00e4t zur Verf\u00fcgung wie \u00fcber die Weboberfl\u00e4che. Daher werden wir zur Veranschaulichung und zum Verst\u00e4ndnis der Konzepte zeigen, wie die Einstellungen \u00fcber Kibana vorgenommen werden. Im linken Men\u00fc gibt es den Abschnitt Machine Learning, in dem Sie eine neue Aufgabe (Job) erstellen k\u00f6nnen. Im Kibana-Interface sieht das aus wie auf dem Bild unten. Jetzt werden wir jeden Aufgabentyp erl\u00e4utern und die Arten von Analysen zeigen, die hier konstruiert werden k\u00f6nnen.<\/p>\n

\"Machine
\n
\nSingle Metric \u2013 Analyse einer einzelnen Metrik, Multi Metric \u2013 Analyse von zwei oder mehr Metriken. In beiden F\u00e4llen wird jede Metrik in einer isolierten Umgebung analysiert, d.h. der Algorithmus ber\u00fccksichtigt das Verhalten parallel analysierter Metriken nicht, wie es im Fall von Multi Metric erscheinen k\u00f6nnte. Um Berechnungen unter Ber\u00fccksichtigung der Korrelation verschiedener Metriken durchzuf\u00fchren, kann eine Populationsanalyse angewendet werden. Advanced ist eine Feinabstimmung der Algorithmen mit zus\u00e4tzlichen Optionen f\u00fcr spezifische Aufgaben. <\/p>\n

Single Metric<\/h2>\n

\nDie Analyse von \u00c4nderungen einer einzelnen Metrik ist das Einfachste, was hier getan werden kann. Nach dem Klicken auf Create Job sucht der Algorithmus nach Anomalien.<\/p>\n

\"Machine
\n
\nIm Feld Aggregation<\/i> Es kann eine Methode zur Anomalien-Suche ausgew\u00e4hlt werden. Zum Beispiel, bei Min<\/i> werden Werte unterhalb der \u00fcblichen als anomale betrachtet. Es gibt Max, High Mean, Low, Mean, Distinct<\/i> und weitere. Eine Beschreibung aller Funktionen kann eingesehen werden. \u00fcber den Link<\/a><\/noindex>.<\/p>\n

Im Feld Field<\/i> das numerische Feld im Dokument angeben, nach dem die Analyse durchgef\u00fchrt wird.<\/p>\n

Im Feld Bucket span<\/i><\/a><\/noindex> \u2014 die Granularit\u00e4t der Intervalle auf der Zeitachse, anhand derer die Analyse durchgef\u00fchrt wird. Sie k\u00f6nnen der Automatisierung vertrauen oder manuell ausw\u00e4hlen. Im Bild unten sehen Sie ein Beispiel f\u00fcr zu niedrige Granularit\u00e4t \u2013 Sie k\u00f6nnten eine Anomalie \u00fcbersehen. Mit dieser Einstellung k\u00f6nnen Sie die Sensibilit\u00e4t des Algorithmus f\u00fcr Anomalien \u00e4ndern.<\/p>\n

\"Machine
\n
\nDie Dauer der gesammelten Daten ist entscheidend f\u00fcr die Effizienz der Analyse. Bei der Analyse bestimmt der Algorithmus wiederkehrende Intervalle, berechnet das Vertrauensintervall (Basislinien) und identifiziert Anomalien \u2013 untypische Abweichungen vom normalen Verhalten der Metrik. Nur als Beispiel:<\/p>\n

Basislinien bei einem kleinen Datenabschnitt:<\/p>\n

\"Machine
\n
\nWenn der Algorithmus etwas hat, woran er lernen kann \u2013 erscheinen die Basislinien so:<\/p>\n

\"Machine
\n
\nNachdem die Aufgabe ausgef\u00fchrt wurde, identifiziert der Algorithmus anomale Abweichungen von der Norm und klassifiziert sie nach der Wahrscheinlichkeit einer Anomalie (in Klammern ist die Farbe des entsprechenden Labels angegeben):<\/p>\n

Warning (blau): weniger als 25
\nMinor (gelb): 25-50
\nMajor (orange): 50-75
\nCritical (rot): 75-100<\/p>\n

Im folgenden Diagramm sehen Sie ein Beispiel mit gefundenen Anomalien.<\/p>\n

\"Machine
\n
\nHier sehen wir die Zahl 94, die die Wahrscheinlichkeit einer Anomalie angibt. Es ist offensichtlich, dass ein Wert nahe 100 bedeutet, dass wir es mit einer Anomalie zu tun haben. In der Spalte unter dem Diagramm wird eine vernachl\u00e4ssigbar geringe Wahrscheinlichkeit von 0,000063634 % angegeben, dass dort ein Metrikwert erscheint.<\/p>\n

Neben der Anomalieerkennung in Kibana k\u00f6nnen Sie auch Vorhersagen durchf\u00fchren. Dies geschieht ganz einfach aus derselben Ansicht mit Anomalien \u2014 die Schaltfl\u00e4che Prognose<\/i> in der oberen rechten Ecke.<\/p>\n

\"Machine
\n
\nDie Prognose kann maximal 8 Wochen im Voraus erstellt werden. Selbst wenn es sehr gew\u00fcnscht ist \u2014 mehr ist designbedingt nicht m\u00f6glich.<\/p>\n

\"Machine
\n
\nIn einigen Situationen kann die Prognose sehr n\u00fctzlich sein, zum Beispiel beim Verfolgen der Benutzerlast auf die Infrastruktur.<\/p>\n

Multi Metric<\/h2>\n

\nKommen wir zur n\u00e4chsten M\u00f6glichkeit von ML im Elastic Stack \u2014 der gleichzeitigen Analyse mehrerer Metriken. Das bedeutet jedoch nicht, dass wir die Abh\u00e4ngigkeit einer Metrik von einer anderen analysieren. Es ist dasselbe wie bei der Einzelmetrik, nur mit mehreren Metriken auf einem Bildschirm zum besseren Vergleich der Einfl\u00fcsse. \u00dcber die Analyse der Abh\u00e4ngigkeit einer Metrik von einer anderen werden wir im Abschnitt Bev\u00f6lkerung sprechen.<\/p>\n

Nach dem Klicken auf das Quadrat mit der Multi Metric erscheint ein Fenster mit den Einstellungen. Darauf werden wir n\u00e4her eingehen.<\/p>\n

\"Machine
\n
\nZun\u00e4chst m\u00fcssen Sie die Felder f\u00fcr die Analyse ausw\u00e4hlen und die Daten entsprechend aggregieren. Die Aggregationsoptionen sind hier die gleichen wie bei Single Metric (Max, High Mean, Low, Mean, Distinct<\/i> und andere). Anschlie\u00dfend k\u00f6nnen die Daten nach einem der Felder aufgeteilt werden (Feld Daten aufteilen<\/i>). Im Beispiel haben wir dies nach dem Feld OriginAirportID<\/i>. Beachten Sie, dass das Diagramm der Metriken auf der rechten Seite jetzt in Form mehrerer Grafiken dargestellt wird.<\/p>\n

\"Machine
\n
\nFeld Schl\u00fcsselfelder (Einflussfaktoren)<\/i> beeinflusst direkt die gefundenen Anomalien. Standardm\u00e4\u00dfig wird hier immer mindestens ein Wert vorhanden sein, und Sie k\u00f6nnen zus\u00e4tzliche Werte hinzuf\u00fcgen. Der Algorithmus wird den Einfluss dieser Felder bei der Analyse ber\u00fccksichtigen und die \u201eeinflussreichsten\u201c Werte anzeigen.<\/p>\n

Nach dem Starten wird im Kibana-Interface etwa dieses Bild angezeigt.<\/p>\n

\"Machine
\n
\nDies ist die sogenannte Heatmap der Anomalien f\u00fcr jeden Wert des Feldes OriginAirportID<\/i>, das wir in Daten aufteilen<\/i>. \u00c4hnlich wie im Fall von Single Metric zeigt die Farbe das Ma\u00df des anomalen Abweichens an. Eine \u00e4hnliche Analyse l\u00e4sst sich bequem zum Beispiel f\u00fcr Arbeitsstationen durchf\u00fchren, um diejenigen zu verfolgen, bei denen verd\u00e4chtig viele Anmeldungen stattfinden usw. Wir haben bereits \u00fcber verd\u00e4chtige Ereignisse im EventLog von Windows<\/a><\/noindex>, die ebenfalls hier gesammelt und analysiert werden k\u00f6nnen.<\/p>\n

Unter der W\u00e4rmekarte finden Sie eine Liste von Anomalien, von denen jede zu einer Ansicht der Einzelmetrik f\u00fcr eine detaillierte Analyse weiterleitet.<\/p>\n

Bev\u00f6lkerung<\/h2>\n

\nUm Anomalien in den Korrelationen zwischen verschiedenen Metriken im Elastic Stack zu suchen, gibt es eine spezielle Analyse der Bev\u00f6lkerung. Mit dieser Analyse k\u00f6nnen anomale Werte in der Leistung eines Servers im Vergleich zu anderen gefunden werden, zum Beispiel bei steigendem Anfragevolumen an das Zielsystem.<\/p>\n

\"Machine
\n
\nAuf dieser Abbildung wird im Feld Bev\u00f6lkerung der Wert angezeigt, auf den sich die analysierten Metriken beziehen. In diesem Fall ist es der Name des Prozesses. Dadurch sehen wir, wie die CPU-Auslastung jeder dieser Prozesse sich gegenseitig beeinflusst hat.<\/p>\n

Bitte beachten Sie, dass sich das Diagramm der analysierten Daten von den F\u00e4llen bei der Einzelmetrik und der Mehrfachmetrik unterscheidet. Dies wurde in Kibana bewusst so gestaltet, um die Wahrnehmung der Verteilung der analysierten Werte zu verbessern.<\/p>\n

\"Machine
\n
\nAus dem Diagramm geht hervor, dass der Prozess stress<\/i> (\u00fcbrigens von einem speziellen Tool erzeugt) auf dem Server poipu<\/i>, der (oder der Einflussnehmer) auf das Entstehen dieser Anomalie hatte.<\/p>\n

Erweitert<\/h2>\n

\nFein abgestimmte Analytik. Bei der Advanced-Analyse in Kibana erscheinen zus\u00e4tzliche Einstellungen. Nach dem Klick im Erstellungsmen\u00fc auf die Kachel Advanced \u00f6ffnet sich ein Fenster mit Registerkarten. Die Registerkarte Job Details<\/i> haben wir absichtlich ausgelassen, da dort die grundlegenden Einstellungen stehen, die nicht direkt mit der Analyseeinstellung zu tun haben.<\/p>\n

\"Machine
\n
\nIn summary_count_field_name<\/i> kann optional der Name des Feldes aus den Dokumenten angegeben werden, das aggregierte Werte enth\u00e4lt. In diesem Beispiel handelt es sich um die Anzahl der Ereignisse pro Minute. In der categorization_field_name<\/i><\/a><\/noindex> wird der Name eines Feldwerts aus dem Dokument angegeben, das einen variablen Wert enth\u00e4lt. Mit diesem Feld kann man die analysierten Daten in Untergruppen unterteilen. Achten Sie auf die Schaltfl\u00e4che Add detector<\/i> in der vorherigen Abbildung. Unten sehen Sie das Ergebnis des Klicks auf diese Schaltfl\u00e4che.<\/p>\n

\"Machine
\n
\nHier befindet sich ein zus\u00e4tzlicher Einstellungsblock zur Konfiguration des Anomaliedetektors f\u00fcr eine bestimmte Aufgabe. Wir planen, spezifische Anwendungsf\u00e4lle (insbesondere im Sicherheitsbereich) in den n\u00e4chsten Artikeln zu behandeln. Zum Beispiel, sehen Sie sich<\/a><\/noindex> einer der behandelten F\u00e4lle. Er bezieht sich auf die Suche nach selten auftretenden Werten und wird durch die Funktion rare<\/a><\/noindex>.<\/p>\n

Im Feld realisieren.<\/i> Sie k\u00f6nnen eine spezifische Funktion zur Erkennung von Anomalien ausw\u00e4hlen. Neben seltenen<\/i>, gibt es auch ein paar interessante Funktionen \u2014 tageszeit<\/i> und wochenzeit<\/i><\/a><\/noindex>. Diese erkennen Anomalien im Verhalten der Metriken im Laufe des Tages oder der Woche. Weitere Analysefunktionen finden Sie in der Dokumentation<\/a><\/noindex>.<\/p>\n

In feldname<\/i> gibt das Feld des Dokuments an, nach dem analysiert werden soll. nach_feldname<\/i> kann verwendet werden, um die Analyseergebnisse nach jedem einzelnen Wert des hier angegebenen Dokumentfelds zu unterteilen. Wenn Sie \u00fcber_feldname<\/i> verwenden, erhalten Sie eine Population-Analyse, die wir zuvor betrachtet haben. Wenn Sie einen Wert in partition_feldname<\/i>, angeben, werden f\u00fcr dieses Dokumentfeld separate Basislinien f\u00fcr jeden Wert berechnet (als Wert k\u00f6nnen beispielsweise der Name des Servers oder des Prozesses auf dem Server dienen). In h\u00e4ufig_ausgeschlossen<\/i> kann ausgew\u00e4hlt werden all<\/i> oder keine<\/i>, was bedeutet, dass h\u00e4ufig vorkommende Werte der Dokumentfelder ausgeschlossen (oder eingeschlossen) werden.<\/p>\n

In diesem Artikel haben wir versucht, einen kompakten \u00dcberblick \u00fcber die M\u00f6glichkeiten des maschinellen Lernens im Elastic Stack zu geben. Viele Details bleiben jedoch im Hintergrund. Teilen Sie uns in den Kommentaren mit, welche Anwendungsf\u00e4lle Sie mit Elastic Stack l\u00f6sen konnten und f\u00fcr welche Aufgaben Sie ihn verwenden. Sie k\u00f6nnen uns \u00fcber pers\u00f6nliche Nachrichten auf Habr oder das Kontaktformular auf der Website<\/a><\/noindex>.
\n
Quelle: 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\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\udd47Wir erkl\u00e4ren das Machine Learning im Elastic Stack (auch bekannt als Elasticsearch, oder ELK) | ProHoster","description":"Wir erinnern daran, dass der Elastic Stack auf der NoSQL-Datenbank Elasticsearch, der Web-Oberfl\u00e4che Kibana und Datensammlern - Datenverarbeitern (am bekanntesten sind Logstash, verschiedene Beats, APM und andere) basiert. Eine der angenehmen Erg\u00e4nzungen des gesamten Produktstacks ist die Datenanalyse mittels Algorithmen des maschinellen Lernens. In diesem Artikel gehen wir darauf ein, was diese Algorithmen ausmacht. Bitte lesen Sie weiter. Maschinelles Lernen","canonical_url":"https:\/\/prohoster.info\/de\/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":"de_DE","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, \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","og:url":"https:\/\/prohoster.info\/de\/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\/de\/wp-json\/wp\/v2\/posts\/35274","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/comments?post=35274"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/posts\/35274\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/media\/26487"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/media?parent=35274"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/categories?post=35274"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/tags?post=35274"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}