{"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\/fr\/blog\/administrirovanie\/razbiraemsya-s-machine-learning-v-elastic-stack-on-zhe-elasticsearch-on-zhe-elk","title":{"rendered":"Comprendre le Machine Learning dans Elastic Stack (\u00e9galement connu sous le nom d'Elasticsearch, ou ELK)","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

\"Comprendre
\n
\nRappelons que le c\u0153ur d'Elastic Stack repose sur la base de donn\u00e9es non relationnelle Elasticsearch, l'interface web Kibana et les collecteurs de donn\u00e9es (le plus connu \u00e9tant Logstash, ainsi que divers Beats, APM, et d'autres). Un des agr\u00e9ables ajouts de cette suite de produits est l'analyse de donn\u00e9es par le biais d'algorithmes de machine learning. Dans cet article, nous explorons ce que ces algorithmes repr\u00e9sentent. Nous vous invitons \u00e0 lire la suite.
\n<\/a><\/noindex>
\nLe machine learning est une fonctionnalit\u00e9 payante d'Elastic Stack, qui fait partie du pack X-Pack. Pour commencer \u00e0 l\u2019utiliser, il suffit d\u2019activer un essai de 30 jours apr\u00e8s l'installation. \u00c0 l'issue de la p\u00e9riode d'essai, vous pouvez demander une prolongation ou acheter un abonnement. Le prix de l'abonnement n'est pas calcul\u00e9 en fonction du volume de donn\u00e9es, mais du nombre de n\u0153uds utilis\u00e9s. Bien que le volume de donn\u00e9es influence le nombre n\u00e9cessaire de n\u0153uds, cette approche de la licence est plus cl\u00e9mente vis-\u00e0-vis du budget de l'entreprise. Si une haute performance n'est pas n\u00e9cessaire, il est possible de faire des \u00e9conomies.<\/p>\n

Le ML dans Elastic Stack est \u00e9crit en C++ et fonctionne en dehors de la JVM, dans laquelle tourne Elasticsearch. Cela signifie que le processus (qui s'appelle d'ailleurs autodetect) consomme tout ce que la JVM ne prend pas. Dans un environnement de d\u00e9monstration, cela n'est pas si critique, mais en production, il est important de d\u00e9dier des n\u0153uds sp\u00e9cifiques aux t\u00e2ches de ML.<\/p>\n

Les algorithmes de machine learning se divisent en deux cat\u00e9gories \u2014 avec supervision<\/a><\/noindex> et sans supervision<\/a><\/noindex>. Dans Elastic Stack, l'algorithme appartient \u00e0 la cat\u00e9gorie \u00ab sans supervision \u00bb. Par ce lien<\/a><\/noindex> vous pouvez consulter le cadre math\u00e9matique des algorithmes de machine learning.<\/p>\n

Pour effectuer une analyse, l'algorithme de machine learning utilise les donn\u00e9es stock\u00e9es dans les index d'Elasticsearch. Les t\u00e2ches d'analyse peuvent \u00eatre cr\u00e9\u00e9es \u00e0 la fois depuis l'interface Kibana et via l'API. Si cela est fait \u00e0 travers Kibana, certaines informations ne sont pas obligatoires. Par exemple, les index suppl\u00e9mentaires utilis\u00e9s par l'algorithme lors de son fonctionnement. <\/p>\n

Index suppl\u00e9mentaires utilis\u00e9s pendant l'analyse<\/b>.ml-state \u2014 informations sur les mod\u00e8les statistiques (param\u00e8tres d'analyse) ;
\n.ml-anomalies-* \u2014 r\u00e9sultats des travaux des algorithmes de ML ;
\n.ml-notifications \u2014 param\u00e8tres des notifications sur les r\u00e9sultats de l'analyse.<\/p>\n

\"Comprendre
\n
\nLa structure des donn\u00e9es dans la base Elasticsearch est compos\u00e9e d'index et des documents qui y sont stock\u00e9s. Compar\u00e9 \u00e0 une base de donn\u00e9es relationnelle, un index peut \u00eatre assimil\u00e9 \u00e0 un sch\u00e9ma de base de donn\u00e9es, tandis qu'un document correspond \u00e0 une entr\u00e9e dans une table. Cette comparaison est conditionnelle et a \u00e9t\u00e9 faite pour faciliter la compr\u00e9hension du mat\u00e9riel ult\u00e9rieur pour ceux qui ont seulement entendu parler d'Elasticsearch.<\/p>\n

Via l'API, la m\u00eame fonctionnalit\u00e9 est accessible que par l'interface web, c'est pourquoi, pour des raisons de clart\u00e9 et de compr\u00e9hension des concepts, nous allons montrer comment configurer via Kibana. Dans le menu \u00e0 gauche, il y a une section Machine Learning, o\u00f9 l'on peut cr\u00e9er une nouvelle t\u00e2che (Job). Dans l'interface Kibana, cela ressemble \u00e0 l'image ci-dessous. Nous allons maintenant examiner chaque type de t\u00e2che et montrer les types d'analyses qui peuvent y \u00eatre construites.<\/p>\n

\"Comprendre
\n
\nSingle Metric \u2014 analyse d'une seule m\u00e9trique, Multi Metric \u2014 analyse de deux m\u00e9triques ou plus. Dans les deux cas, chaque m\u00e9trique est analys\u00e9e dans un environnement isol\u00e9, c'est-\u00e0-dire que l'algorithme ne prend pas en compte le comportement des m\u00e9triques analys\u00e9es simultan\u00e9ment, comme cela pourrait sembler dans le cas de Multi Metric. Pour effectuer un calcul tenant compte de la corr\u00e9lation entre diff\u00e9rentes m\u00e9triques, on peut appliquer une analyse Population. Advanced repr\u00e9sente un r\u00e9glage fin des algorithmes avec des options suppl\u00e9mentaires pour des t\u00e2ches sp\u00e9cifiques. <\/p>\n

Single Metric<\/h2>\n

\nL'analyse des changements d'une seule m\u00e9trique \u2014 c'est la chose la plus simple que l'on puisse faire ici. Apr\u00e8s avoir cliqu\u00e9 sur Create Job, l'algorithme cherchera des anomalies.<\/p>\n

\"Comprendre
\n
\nDans le champ Aggregation<\/i> on peut choisir l'approche pour rechercher des anomalies. Par exemple, lorsqu'on utilise Min<\/i> les valeurs inf\u00e9rieures \u00e0 la normale seront consid\u00e9r\u00e9es comme anormales. Il y a Max, High Mean, Low, Mean, Distinct<\/i> et d'autres. La description de toutes les fonctions peut \u00eatre consult\u00e9e via le lien<\/a><\/noindex>.<\/p>\n

Dans le champ Field<\/i> correspond au champ num\u00e9rique dans le document sur lequel nous allons effectuer l'analyse.<\/p>\n

Dans le champ Bucket span<\/i><\/a><\/noindex> est la granularit\u00e9 des intervalles sur la chronologie, selon laquelle l'analyse sera effectu\u00e9e. Vous pouvez faire confiance \u00e0 l'automatisme ou choisir manuellement. L'image ci-dessous montre un exemple de granularit\u00e9 trop basse \u2014 vous pouvez manquer une anomalie. Avec ce param\u00e8tre, vous pouvez modifier la sensibilit\u00e9 de l'algorithme aux anomalies.<\/p>\n

\"Comprendre
\n
\nLa dur\u00e9e des donn\u00e9es collect\u00e9es est un \u00e9l\u00e9ment cl\u00e9 qui influence l'efficacit\u00e9 de l'analyse. Lors de l'analyse, l'algorithme identifie les intervalles r\u00e9p\u00e9titifs, calcule l'intervalle de confiance (lignes de base) et d\u00e9tecte les anomalies - des \u00e9carts atypiques par rapport au comportement normal de la m\u00e9trique. Juste \u00e0 titre d'exemple :<\/p>\n

Lignes de base avec un petit \u00e9chantillon de donn\u00e9es :<\/p>\n

\"Comprendre
\n
\nLorsque l'algorithme a quelque chose \u00e0 apprendre, les lignes de base apparaissent comme suit :<\/p>\n

\"Comprendre
\n
\nApr\u00e8s le lancement de la t\u00e2che, l'algorithme identifie les \u00e9carts anormaux par rapport \u00e0 la norme et les classe par probabilit\u00e9 d'anomalie (la couleur correspondante est indiqu\u00e9e entre parenth\u00e8ses) :<\/p>\n

Avertissement (bleu) : moins de 25
\nMineur (jaune) : 25-50
\nMajeur (orange) : 50-75
\nCritique (rouge) : 75-100<\/p>\n

Dans le graphique ci-dessous, un exemple des anomalies trouv\u00e9es.<\/p>\n

\"Comprendre
\n
\nOn voit ici le chiffre 94, qui indique la probabilit\u00e9 d'anomalie. \u00c9videmment, puisque la valeur est proche de 100, cela signifie que nous avons une anomalie. Dans la colonne sous le graphique, la probabilit\u00e9 n\u00e9gligeable de 0,000063634 % d'obtenir cette valeur de m\u00e9trique est indiqu\u00e9e.<\/p>\n

En plus de la d\u00e9tection des anomalies, il est possible de lancer des pr\u00e9visions dans Kibana. C'est tr\u00e8s simple et \u00e0 partir de la m\u00eame vue que pour les anomalies - le bouton Forecast<\/i> dans le coin sup\u00e9rieur droit.<\/p>\n

\"Comprendre
\n
\nLa pr\u00e9vision est \u00e9tablie pour un maximum de 8 semaines \u00e0 l\u2019avance. M\u00eame si on en a tr\u00e8s envie, plus n'est pas possible par conception.<\/p>\n

\"Comprendre
\n
\nDans certaines situations, la pr\u00e9vision sera tr\u00e8s utile, par exemple, lors du suivi de la charge utilisateur sur l'infrastructure.<\/p>\n

Multi Metric<\/h2>\n

\nPassons \u00e0 la prochaine fonctionnalit\u00e9 ML de l'Elastic Stack - l'analyse de plusieurs m\u00e9triques en m\u00eame temps. Mais cela ne signifie pas que l'on analysera la d\u00e9pendance d'une m\u00e9trique \u00e0 une autre. C'est la m\u00eame chose que la Single Metric, mais avec plusieurs m\u00e9triques affich\u00e9es sur un m\u00eame \u00e9cran pour faciliter la comparaison de l'influence de l'une sur l'autre. Nous parlerons de l'analyse de la d\u00e9pendance d'une m\u00e9trique \u00e0 une autre dans la partie Population.<\/p>\n

Apr\u00e8s avoir cliqu\u00e9 sur le carr\u00e9 avec Multi Metric, une fen\u00eatre avec les param\u00e8tres appara\u00eetra. Arr\u00eatons-nous plus en d\u00e9tail sur ceux-ci.<\/p>\n

\"Comprendre
\n
\nTout d'abord, il faut choisir les champs \u00e0 analyser et l'agr\u00e9gation des donn\u00e9es par ceux-ci. Les options d'agr\u00e9gation sont les m\u00eames que pour la Single Metric (Max, High Mean, Low, Mean, Distinct<\/i> et d'autres). Ensuite, les donn\u00e9es peuvent \u00eatre \u00e9ventuellement divis\u00e9es par l'un des champs (champ Split Data<\/i>). Dans l'exemple, nous avons fait cela selon le champ OriginAirportID<\/i>. Notez que le graphique des m\u00e9triques \u00e0 droite est maintenant repr\u00e9sent\u00e9 sous la forme de plusieurs graphiques.<\/p>\n

\"Comprendre
\n
\nChamp Key Fields (Influencers)<\/i> affecte directement les anomalies trouv\u00e9es. Par d\u00e9faut, il y aura toujours au moins une valeur ici, mais vous pouvez en ajouter d'autres. L'algorithme tiendra compte de l'influence de ces champs lors de l'analyse et affichera les valeurs les plus \u00ab influentes \u00bb.<\/p>\n

Apr\u00e8s le lancement, l'interface Kibana affichera quelque chose comme \u00e7a.<\/p>\n

\"Comprendre
\n
\nC'est ce qu'on appelle la carte thermique des anomalies pour chaque valeur de champ OriginAirportID<\/i>, que nous avons sp\u00e9cifi\u00e9e dans Split Data<\/i>. Comme dans le cas de Single Metric, la couleur indique le niveau de d\u00e9viation anormale. Une analyse similaire peut \u00eatre effectu\u00e9e, par exemple, pour les stations de travail afin de suivre celles o\u00f9 il y a un nombre suspect d'autorisations, etc. Nous avons d\u00e9j\u00e0 \u00e9crit sur les \u00e9v\u00e9nements suspects dans l'EventLog Windows<\/a><\/noindex>, qui peuvent \u00e9galement \u00eatre collect\u00e9s et analys\u00e9s ici.<\/p>\n

Sous la carte thermique se trouve la liste des anomalies, chacune permettant de passer \u00e0 la vue Single Metric pour une analyse d\u00e9taill\u00e9e.<\/p>\n

Population<\/h2>\n

\nPour rechercher des anomalies parmi les corr\u00e9lations entre diff\u00e9rentes m\u00e9triques dans Elastic Stack, il existe une analyse sp\u00e9cialis\u00e9e de Population. C'est gr\u00e2ce \u00e0 elle que vous pouvez rechercher des valeurs anormales dans les performances de l'un des serveurs par rapport aux autres lors, par exemple, d'une augmentation du nombre de requ\u00eates vers le syst\u00e8me cible.<\/p>\n

\"Comprendre
\n
\nSur cette illustration, le champ Population indique la valeur \u00e0 laquelle les m\u00e9triques analys\u00e9es seront li\u00e9es. Dans ce cas, il s'agit du nom du processus. En cons\u00e9quence, nous verrons comment la charge processeur de chacun des processus a influenc\u00e9 les autres.<\/p>\n

Notez que le graphique des donn\u00e9es analys\u00e9es est diff\u00e9rent dans les cas de Single Metric et de Multi Metric. Cela a \u00e9t\u00e9 con\u00e7u dans Kibana pour am\u00e9liorer la perception de la distribution des valeurs des donn\u00e9es analys\u00e9es.<\/p>\n

\"Comprendre
\n
\nLe graphique montre que le processus stress<\/i> (il convient de noter qu'il a \u00e9t\u00e9 g\u00e9n\u00e9r\u00e9 par un utilitaire sp\u00e9cial) sur le serveur poipu<\/i>, qui a eu un impact (ou s'est av\u00e9r\u00e9 \u00eatre un influenceur) sur l'apparition de cette anomalie.<\/p>\n

Avanc\u00e9<\/h2>\n

\nAnalytique avec r\u00e9glage fin. Lors de l'analyse Avanc\u00e9e, des options suppl\u00e9mentaires apparaissent dans Kibana. Apr\u00e8s avoir cliqu\u00e9 dans le menu de cr\u00e9ation sur la tuile Avanc\u00e9e, une fen\u00eatre comme celle-ci avec des onglets s'ouvre. L'onglet D\u00e9tails de l'emploi<\/i> a \u00e9t\u00e9 intentionnellement omis, car il contient des r\u00e9glages de base non li\u00e9s directement \u00e0 la configuration de l'analyse.<\/p>\n

\"Comprendre
\n
\nDans summary_count_field_name<\/i> vous pouvez \u00e9ventuellement indiquer le nom du champ dans les documents contenant des valeurs agr\u00e9g\u00e9es. Dans cet exemple, il s'agit du nombre d'\u00e9v\u00e9nements par minute. Dans categorization_field_name<\/i><\/a><\/noindex> Il s'agit du nom de la valeur d'un champ dans le document, qui contient une certaine valeur variable. Par le masque de ce champ, il est possible de segmenter les donn\u00e9es analys\u00e9es en sous-ensembles. Faites attention au bouton Ajouter un d\u00e9tecteur<\/i> sur l'illustration pr\u00e9c\u00e9dente. Ci-dessous, le r\u00e9sultat du clic sur ce bouton.<\/p>\n

\"Comprendre
\n
\nIci, un bloc suppl\u00e9mentaire de param\u00e8tres pour configurer le d\u00e9tecteur d'anomalies selon une t\u00e2che sp\u00e9cifique. Nous pr\u00e9voyons d'explorer des cas d'utilisation particuliers (surtout en mati\u00e8re de s\u00e9curit\u00e9) dans les prochains articles. Par exemple, regardez<\/a><\/noindex> l'un des cas analys\u00e9s. Il est li\u00e9 \u00e0 la recherche de valeurs rares et se r\u00e9alise avec la fonction rare<\/a><\/noindex>.<\/p>\n

Dans le champ fonction<\/i> une fonction sp\u00e9cifique peut \u00eatre choisie pour rechercher des anomalies. En plus de rare<\/i>, il existe encore quelques fonctions int\u00e9ressantes \u2014 heure_du_jour<\/i> et jour_de_la_semaine<\/i><\/a><\/noindex>. Elles r\u00e9v\u00e8lent des anomalies dans le comportement des m\u00e9triques au cours de la journ\u00e9e ou de la semaine respectivement. Les autres fonctions d'analyse sont dans la documentation<\/a><\/noindex>.<\/p>\n

Dans nom_du_champ<\/i> indique le champ du document selon lequel l'analyse sera effectu\u00e9e. Par_nom_du_champ<\/i> peut \u00eatre utilis\u00e9 pour diviser les r\u00e9sultats de l'analyse selon chaque valeur sp\u00e9cifique indiqu\u00e9e ici du champ du document. Si rempli sur_le_champ<\/i> on obtiendra une analyse de la population, que nous avons examin\u00e9e ci-dessus. Si une valeur est indiqu\u00e9e dans nom_du_champ_de_partition<\/i>, alors, pour ce champ du document, des lignes de base distinctes seront calcul\u00e9es pour chaque valeur (la valeur peut \u00eatre, par exemple, le nom du serveur ou le processus ex\u00e9cut\u00e9 sur le serveur). Dans exclure_les_frequents<\/i> on peut choisir tout<\/i> ou aucun<\/i>, ce qui signifie l'exclusion (ou l'inclusion) des valeurs fr\u00e9quemment rencontr\u00e9es dans les champs de documents.<\/p>\n

Dans cet article, nous avons tent\u00e9 de donner un aper\u00e7u aussi concis que possible des capacit\u00e9s de l'apprentissage automatique dans Elastic Stack, il reste encore beaucoup de d\u00e9tails en arri\u00e8re-plan. Dites-nous dans les commentaires quels cas vous avez pu r\u00e9soudre gr\u00e2ce \u00e0 Elastic Stack et pour quelles t\u00e2ches vous l'utilisez. Pour nous contacter, vous pouvez utiliser des messages priv\u00e9s sur Habr ou le formulaire de contact sur le site<\/a><\/noindex>.
\n
Source : 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\udd47Comprendre le Machine Learning dans Elastic Stack (aussi connu sous le nom d'Elasticsearch, \u00e9galement ELK) | ProHoster","description":"Rappelons-le.","canonical_url":"https:\/\/prohoster.info\/fr\/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":"fr_FR","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\/fr\/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\/fr\/wp-json\/wp\/v2\/posts\/35274","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/comments?post=35274"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/posts\/35274\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/media\/26487"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/media?parent=35274"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/categories?post=35274"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/tags?post=35274"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}