{"id":53531,"date":"2019-12-04T00:00:00","date_gmt":"2019-12-03T21:00:00","guid":{"rendered":"https:\/\/prohoster.info\/blog\/blog_prohoster\/ishhem-anomalii-i-predskazyvaem-sboi-s-pomoshhyu-nejrosetej"},"modified":"2020-02-18T14:01:26","modified_gmt":"2020-02-18T11:01:26","slug":"ishhem-anomalii-i-predskazyvaem-sboi-s-pomoshhyu-nejrosetej","status":"publish","type":"post","link":"https:\/\/prohoster.info\/hu\/blog\/administrirovanie\/ishhem-anomalii-i-predskazyvaem-sboi-s-pomoshhyu-nejrosetej","title":{"rendered":"Anom\u00e1li\u00e1k keres\u00e9se \u00e9s hib\u00e1k el\u0151rejelz\u00e9se neur\u00e1lis h\u00e1l\u00f3zatok seg\u00edts\u00e9g\u00e9vel","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

\"Anom\u00e1li\u00e1k<\/p>\n

<\/p>\n

Ipari szoftverrendszerek fejleszt\u00e9se nagy figyelmet ig\u00e9nyel a v\u00e9gterm\u00e9k megb\u00edzhat\u00f3s\u00e1g\u00e1ra, valamint a hib\u00e1kra \u00e9s le\u00e1ll\u00e1sokra val\u00f3 gyors reag\u00e1l\u00e1sra, ha m\u00e9gis bek\u00f6vetkeznek. A monitoring term\u00e9szetesen seg\u00edt hat\u00e9konyabban \u00e9s gyorsabban reag\u00e1lni a hib\u00e1kra \u00e9s le\u00e1ll\u00e1sokra, de ez nem elegend\u0151. El\u0151sz\u00f6r is, nagyon neh\u00e9z k\u00f6vetni a sok szervert \u2013 ehhez sok ember sz\u00fcks\u00e9ges. M\u00e1sodszor, j\u00f3l kell \u00e9rteni, hogyan m\u0171k\u00f6dik az alkalmaz\u00e1s, hogy el\u0151re jelezhess\u00fck annak \u00e1llapot\u00e1t. K\u00f6vetkez\u00e9sk\u00e9ppen sok emberre van sz\u00fcks\u00e9g, akik j\u00f3l \u00e9rtik az \u00e1ltalunk fejlesztett rendszereket, azok mutat\u00f3it \u00e9s saj\u00e1toss\u00e1gait. Tegy\u00fck fel, hogy m\u00e9g ha tal\u00e1lunk is elegend\u0151 sz\u00e1m\u00fa embert, akit \u00e9rdekel ez a munka, rengeteg id\u0151 sz\u00fcks\u00e9ges a betan\u00edt\u00e1sukhoz.<\/p>\n

<\/p>\n

Mit tegy\u00fcnk? Itt j\u00f6n seg\u00edts\u00e9g\u00fcnkre a mesters\u00e9ges intelligencia. A cikkben sz\u00f3 lesz a predikt\u00edv karbantart\u00e1sr\u00f3l<\/a><\/noindex> (predikt\u00edv karbantart\u00e1s). Ez a megk\u00f6zel\u00edt\u00e9s egyre n\u00e9pszer\u0171bb\u00e9 v\u00e1lik. Sz\u00e1mos cikk sz\u00fcletett err\u0151l, t\u00f6bbek k\u00f6z\u00f6tt a Habr-on is. Nagy v\u00e1llalatok sz\u00e9les k\u00f6rben alkalmazz\u00e1k ezt a megk\u00f6zel\u00edt\u00e9st a szervereik m\u0171k\u00f6d\u00e9s\u00e9nek fenntart\u00e1s\u00e1ra. Miut\u00e1n sok cikket tanulm\u00e1nyoztunk, \u00fagy d\u00f6nt\u00f6tt\u00fcnk, hogy kipr\u00f3b\u00e1ljuk ezt a megk\u00f6zel\u00edt\u00e9st. Mi lett az eredm\u00e9nye? <\/p>\n

<\/a><\/noindex><\/p>\n

Bevezet\u00e9s<\/h2>\n

<\/p>\n

A kifejlesztett szoftverrendszerek el\u0151bb-ut\u00f3bb \u00fczembe ker\u00fclnek. A felhaszn\u00e1l\u00f3nak fontos, hogy a rendszer z\u00f6kken\u0151mentesen m\u0171k\u00f6dj\u00f6n. Ha azonban m\u00e9gis rendellenes helyzet l\u00e9p fel, azt a lehet\u0151 legkisebb k\u00e9sedelemmel kell orvosolni. <\/p>\n

<\/p>\n

A szoftverrendszer technikai t\u00e1mogat\u00e1s\u00e1nak egyszer\u0171s\u00edt\u00e9se \u00e9rdek\u00e9ben, k\u00fcl\u00f6n\u00f6sen ha sok szerver van, \u00e1ltal\u00e1ban monitoringprogramokat haszn\u00e1lnak, amelyek a m\u0171k\u00f6d\u0151 szoftverrendszer metrik\u00e1it m\u00e9rik, lehet\u0151s\u00e9get adnak az \u00e1llapot diagnosztiz\u00e1l\u00e1s\u00e1ra \u00e9s seg\u00edtenek meghat\u00e1rozni, mi okozta a hib\u00e1t. Ezt a folyamatot szoftverrendszer monitoringnak nevezz\u00fck.<\/p>\n

\n\"Anom\u00e1li\u00e1k<\/p>\n

1. \u00e1bra: a grafana monitoring interf\u00e9sze<\/em><\/p>\n

A metrik\u00e1k k\u00fcl\u00f6nb\u00f6z\u0151 mutat\u00f3k, amelyek egy szoftverrendszer, a v\u00e9grehajt\u00e1si k\u00f6rnyezete vagy a fizikai sz\u00e1m\u00edt\u00e1si g\u00e9p \u00e1llapot\u00e1t jelzik, amely alatt a rendszer m\u0171k\u00f6dik, a metrik\u00e1k r\u00f6gz\u00edt\u00e9s\u00e9nek id\u0151pontj\u00e1ban. Statikus elemz\u00e9s sor\u00e1n a metrik\u00e1k adatait id\u0151beli sorozatoknak nevezik. A szoftverrendszer \u00e1llapot\u00e1nak megfigyel\u00e9s\u00e9hez a metrik\u00e1kat grafikonokon \u00e1br\u00e1zolj\u00e1k: az X tengely az id\u0151t, m\u00edg az Y tengely az \u00e9rt\u00e9keket mutatja (1. \u00e1bra). Egy m\u0171k\u00f6d\u0151 szoftverrendszerr\u0151l t\u00f6bb ezer metrika is r\u00f6gz\u00edthet\u0151 (minden csom\u00f3pontb\u00f3l). Ezek a metrik\u00e1k t\u00e9rbeli metrik\u00e1kat (t\u00f6bbdimenzi\u00f3s id\u0151beli sorozatokat) alkotnak. <\/p>\n

<\/p>\n

Mivel bonyolult szoftverrendszerek eset\u00e9ben a metrik\u00e1k sz\u00e1ma rendk\u00edv\u00fcl nagy, a manu\u00e1lis megfigyel\u00e9s komplex feladatt\u00e1 v\u00e1lik. Az adminisztr\u00e1tor \u00e1ltal elemezhet\u0151 adatok mennyis\u00e9g\u00e9nek cs\u00f6kkent\u00e9se \u00e9rdek\u00e9ben a megfigyel\u00e9si eszk\u00f6z\u00f6k tartalmaznak automatiz\u00e1lt probl\u00e9m\u00e1k felfedez\u00e9s\u00e9re szolg\u00e1l\u00f3 eszk\u00f6z\u00f6ket. P\u00e9ld\u00e1ul be\u00e1ll\u00edthat\u00f3 egy riaszt\u00e1s, amely aktiv\u00e1l\u00f3dik, ha a szabad lemezter\u00fclet egy megadott k\u00fcsz\u00f6b al\u00e1 cs\u00f6kken. Tov\u00e1bb\u00e1 automatikusan diagnosztiz\u00e1lhat\u00f3 a szerver le\u00e1ll\u00e1sa vagy a szolg\u00e1ltat\u00e1s kritikus sebess\u00e9gcs\u00f6kken\u00e9se. A gyakorlatban a megfigyel\u00e9si eszk\u00f6z\u00f6k viszonylag j\u00f3l m\u0171k\u00f6dnek a m\u00e1r bek\u00f6vetkezett hib\u00e1k \u00e9szlel\u00e9s\u00e9ben, valamint a j\u00f6v\u0151beli hib\u00e1k egyszer\u0171 t\u00fcneteinek azonos\u00edt\u00e1s\u00e1ban, de \u00f6sszess\u00e9g\u00e9ben a lehets\u00e9ges hib\u00e1k el\u0151rejelz\u00e9se tov\u00e1bbra is neh\u00e9z feladat sz\u00e1mukra. A metrik\u00e1k manu\u00e1lis elemz\u00e9s\u00e9vel t\u00f6rt\u00e9n\u0151 el\u0151rejelz\u00e9s szakk\u00e9pzett szakemberek bevon\u00e1s\u00e1t ig\u00e9nyli. Ez nem hat\u00e9kony. A potenci\u00e1lis hib\u00e1k t\u00f6bbs\u00e9ge \u00e9szrev\u00e9tlen maradhat.<\/p>\n

<\/p>\n

Az ut\u00f3bbi id\u0151ben a nagy szoftverfejleszt\u0151 IT c\u00e9gek k\u00f6r\u00e9ben egyre n\u00e9pszer\u0171bb\u00e9 v\u00e1lik a programrendszerek \u00fagynevezett predikt\u00edv karbantart\u00e1si megk\u00f6zel\u00edt\u00e9se. Ennek a megk\u00f6zel\u00edt\u00e9snek a l\u00e9nyege, hogy mesters\u00e9ges intelligencia seg\u00edts\u00e9g\u00e9vel a hib\u00e1k korai szakaszban, a rendszer le\u00e1ll\u00e1sa el\u0151tt \u00e9szlelhet\u0151k, amelyek a rendszer degrad\u00e1l\u00f3d\u00e1s\u00e1hoz vezetnek. Ez a megk\u00f6zel\u00edt\u00e9s nem z\u00e1rja ki teljesen a manu\u00e1lis rendszerfigyel\u00e9st; ink\u00e1bb kieg\u00e9sz\u00edt\u0151je a megfigyel\u00e9si folyamatnak. <\/p>\n

<\/p>\n

A predikt\u00edv karbantart\u00e1s megval\u00f3s\u00edt\u00e1s\u00e1nak f\u0151 eszk\u00f6ze az anom\u00e1li\u00e1k keres\u00e9s\u00e9nek feladata az id\u0151beli sorozatokban, mivel ha anom\u00e1lia l\u00e9p fel<\/strong> a adatokban nagy a val\u00f3sz\u00edn\u0171s\u00e9ge annak, hogy egy id\u0151 ut\u00e1n hiber\u00e1l\u00e1s vagy hiba l\u00e9phet fel<\/strong>. Az anom\u00e1lia egy adott szoftverrendszer mutat\u00f3inak elt\u00e9r\u00e9se, mint p\u00e9ld\u00e1ul egy t\u00edpus\u00fa lek\u00e9rdez\u00e9s v\u00e9grehajt\u00e1si sebess\u00e9g\u00e9nek roml\u00e1sa vagy a folyamatos \u00fcgyf\u00e9lsesszi\u00f3k mellett kezelt k\u00e9r\u00e9sek \u00e1tlagos sz\u00e1m\u00e1nak cs\u00f6kken\u00e9se.<\/p>\n

<\/p>\n

Az anom\u00e1li\u00e1k keres\u00e9s\u00e9nek feladata szoftverrendszerek eset\u00e9ben saj\u00e1tos jellemz\u0151kkel b\u00edr. Elvileg minden szoftverrendszerhez sz\u00fcks\u00e9ges a megl\u00e9v\u0151 m\u00f3dszerek kidolgoz\u00e1sa vagy m\u00f3dos\u00edt\u00e1sa, mivel az anom\u00e1li\u00e1k keres\u00e9se nagyon f\u00fcgg azokt\u00f3l az adatokt\u00f3l, amelyekben v\u00e9grehajtj\u00e1k, \u00e9s a szoftverrendszerek adatai nagyon elt\u00e9r\u0151ek lehetnek a megval\u00f3s\u00edt\u00e1si eszk\u00f6z\u00f6kt\u0151l kezdve eg\u00e9szen addig, hogy milyen sz\u00e1m\u00edt\u00f3g\u00e9pen fut a rendszer.<\/p>\n

<\/p>\n

Az anom\u00e1li\u00e1k keres\u00e9s\u00e9nek m\u00f3dszerei a szoftverrendszerek le\u00e1ll\u00e1s\u00e1nak el\u0151rejelz\u00e9s\u00e9ben<\/h2>\n

<\/p>\n

El\u0151sz\u00f6r is meg kell eml\u00edteni, hogy a le\u00e1ll\u00e1sok el\u0151rejelz\u00e9s\u00e9nek \u00f6tlete a \u201eG\u00e9pi tanul\u00e1s az IT-monitoroz\u00e1sban\u201d<\/a><\/noindex>. Az automatikus anom\u00e1liakeres\u00e9si megk\u00f6zel\u00edt\u00e9s hat\u00e9konys\u00e1g\u00e1nak ellen\u0151rz\u00e9s\u00e9re a \u201eWeb-Konszolid\u00e1ci\u00f3\u201d szoftverrendszert v\u00e1lasztott\u00e1k, amely a NPO \u201eKrysta\u201d egyik projektje. Kor\u00e1bban k\u00e9zi monitoroz\u00e1st v\u00e9geztek a kapott mutat\u00f3k alapj\u00e1n. Mivel a rendszer meglehet\u0151sen \u00f6sszetett, sok mutat\u00f3t m\u00e9regy: JVM mutat\u00f3k (a szem\u00e9tgy\u0171jt\u0151 terhel\u00e9se), ennek a k\u00f3dot futtat\u00f3 oper\u00e1ci\u00f3s rendszer mutat\u00f3i (virtu\u00e1lis mem\u00f3ria, CPU terhel\u00e9s %), h\u00e1l\u00f3zati mutat\u00f3k (h\u00e1l\u00f3zati terhel\u00e9s), a szerver saj\u00e1t mutat\u00f3i (CPU, mem\u00f3ria terhel\u00e9s), wildfly mutat\u00f3k \u00e9s a kritikus alrendszerek \u00f6sszes alkalmaz\u00e1s\u00e1nak saj\u00e1t mutat\u00f3i. <\/p>\n

<\/p>\n

Minden mutat\u00f3t a graphite seg\u00edts\u00e9g\u00e9vel m\u00e9rnek a rendszeren. Kezdetben a whisper adatb\u00e1zist haszn\u00e1lt\u00e1k, mint a grafana standard megold\u00e1s\u00e1t, de a kliensb\u00e1zis n\u00f6veked\u00e9s\u00e9vel a graphite m\u00e1r nem tudott megbirk\u00f3zni, kimer\u00edtve a DC lemezrendszer\u00e9nek \u00e1tereszt\u0151k\u00e9pess\u00e9g\u00e9t. Ezt k\u00f6vet\u0151en d\u00f6nt\u00e9s sz\u00fcletett a hat\u00e9konyabb megold\u00e1s keres\u00e9s\u00e9r\u0151l. V\u00e9g\u00fcl a graphite+clickhouse<\/a><\/noindex>, v\u00e1laszt\u00e1sa mellett d\u00f6nt\u00f6ttek, ami lehet\u0151v\u00e9 tette a lemezrendszer terhel\u00e9s\u00e9nek nagys\u00e1grenddel t\u00f6rt\u00e9n\u0151 cs\u00f6kkent\u00e9s\u00e9t \u00e9s \u00f6t-hat alkalommal cs\u00f6kkentette a megsz\u00e1lt lemezter\u00fcletet. Az al\u00e1bbiakban bemutatjuk a graphite+clickhouse haszn\u00e1lat\u00e1val v\u00e9gzett mutat\u00f3szerz\u00e9s mechanizmus\u00e1nak s\u00e9m\u00e1j\u00e1t (2. \u00e1bra).<\/p>\n

\n\"Anom\u00e1li\u00e1k
\n<\/p>\n

2. \u00e1bra. A mutat\u00f3k lev\u00e9tele<\/em><\/p>\n

A diagram taken from internal documentation. It shows the data exchange between Grafana (the user interface for monitoring that we use) and Graphite. The extraction of metrics from the application is performed by separate software \u2013 jmxtrans<\/a><\/noindex>. It also stores them in Graphite.
\nThe 'Web Consolidation' system has several features that create challenges for predicting failures:<\/p>\n

<\/p>\n

    \n
  1. trends often change. Different versions of this software system are released. Each of them carries changes in the system's software component. Consequently, developers directly influence the metrics of this system and can trigger trend changes; <\/li>\n
  2. implementation peculiarities, as well as the goals of clients using this system, often invoke anomalies without prior degradation; <\/li>\n
  3. the percentage of anomalies relative to the entire dataset is low (< 5%); <\/li>\n
  4. there may be gaps in obtaining metrics from the system. For short periods, the monitoring system fails to retrieve metrics. For example, if the server is overloaded. This is critical for training the neural network. There arises a need to synthetically fill gaps;<\/li>\n
  5. Anomalies are often relevant only for a specific number\/month\/time (seasonality). This system has a clear usage regulation for its users. Accordingly, metrics are only relevant for specific times. The system may not be in use constantly, but only in certain months: selectively depending on the year. There are situations where the same metric behavior in one case may lead to the failure of the software system, while in another it may not.
    \nInitially, methods for detecting anomalies in monitoring data of software systems were analyzed. In articles on this topic, when the percentage of anomalies relative to the total dataset is low, it's often suggested to use neural networks. <\/li>\n<\/ol>\n

    <\/p>\n

    The main logic for anomaly detection using neural network data is illustrated in Figure 3:<\/p>\n

    \n\"Anom\u00e1li\u00e1k
    \n<\/p>\n

    Figure 3. Anomaly detection using a neural network<\/em><\/p>\n

    A becsl\u00e9s vagy a jelenlegi metrikafolym folyamat helyre\u00e1ll\u00edt\u00e1s\u00e1nak eredm\u00e9nye alapj\u00e1n a munk\u00e1hoz sz\u00fcks\u00e9ges programrendszerb\u0151l sz\u00e1rmaz\u00f3 metrik\u00e1k elt\u00e9r\u00e9s\u00e9t sz\u00e1m\u00edtj\u00e1k ki. Ha a programrendszerb\u0151l \u00e9s a neur\u00e1lis h\u00e1l\u00f3b\u00f3l sz\u00e1rmaz\u00f3 metrik\u00e1k k\u00f6z\u00f6tt jelent\u0151s k\u00fcl\u00f6nbs\u00e9g van, akkor az aktu\u00e1lis adatblokknak anom\u00e1li\u00e1snak tekinthet\u0151. Ez egy sor probl\u00e9m\u00e1t vet fel a neur\u00e1lis h\u00e1l\u00f3k haszn\u00e1lat\u00e1val kapcsolatban:<\/p>\n

    <\/p>\n

      \n
    1. a modellek neur\u00e1lis h\u00e1l\u00f3kkal val\u00f3 helyes m\u0171k\u00f6d\u00e9s\u00e9hez a tanulm\u00e1nyhoz felhaszn\u00e1lt adatoknak kiz\u00e1r\u00f3lag a 'norm\u00e1lis' adatokat kell tartalmazniuk; <\/li>\n
    2. aktualiz\u00e1lt modellre van sz\u00fcks\u00e9g a pontos \u00e9szlel\u00e9shez. A metrik\u00e1k trendj\u00e9nek \u00e9s szezon\u00e1lis mint\u00e1inak megv\u00e1ltoz\u00e1sa sok hamis riaszt\u00e1st okozhat a modellben. Az aktualiz\u00e1l\u00e1s\u00e1hoz pontosan meg kell hat\u00e1rozni az id\u0151pontot, amikor a modell elavult. Ha a modellt t\u00fal kor\u00e1n vagy t\u00fal k\u00e9s\u0151n friss\u00edtik, val\u00f3sz\u00edn\u0171leg nagy mennyis\u00e9g\u0171 hamis riaszt\u00e1ssal kell sz\u00e1molni.
      \nNe feledkezz\u00fcnk meg a hamis riaszt\u00e1sok gyakoris\u00e1g\u00e1nak keres\u00e9s\u00e9r\u0151l \u00e9s megel\u0151z\u00e9s\u00e9r\u0151l sem. Feltehet\u0151en ezek a nem szokv\u00e1nyos helyzetekben fordulnak el\u0151 a leggyakrabban. Azonban a neur\u00e1lis h\u00e1l\u00f3 hib\u00e1i miatt is kialakulhatnak, ha nem volt el\u00e9g kik\u00e9pz\u00e9s\u00fck. Minimaliz\u00e1lni kell a modell hamis riaszt\u00e1sainak sz\u00e1m\u00e1t. Ellenkez\u0151 esetben a hamis el\u0151rejelz\u00e9sek sok id\u0151t fognak felem\u00e9szteni az adminisztr\u00e1tor r\u00e9sz\u00e9r\u0151l, amelyet a rendszer ellen\u0151rz\u00e9s\u00e9re sz\u00e1nnak. El\u0151bb vagy ut\u00f3bb az adminisztr\u00e1tor egyszer\u0171en le fog \u00e1llni a 'paranoiai' monitoroz\u00f3 rendszerre val\u00f3 reag\u00e1l\u00e1ssal.<\/li>\n<\/ol>\n

      <\/p>\n

      Rekurz\u00edv neur\u00e1lis h\u00e1l\u00f3<\/h2>\n

      <\/p>\n

      Anom\u00e1li\u00e1k id\u0151beli sorozatokban t\u00f6rt\u00e9n\u0151 \u00e9szlel\u00e9s\u00e9re alkalmazhat\u00f3 rekurz\u00edv neur\u00e1lis h\u00e1l\u00f3 <\/a><\/noindex>LSTM mem\u00f3riaegys\u00e9gekkel. A probl\u00e9ma csup\u00e1n annyi, hogy csak el\u0151rejelezhet\u0151 id\u0151beli sorozatokra alkalmazhat\u00f3. Az eset\u00fcnkben nem minden metrika el\u0151rejelezhet\u0151. Az RNN LSTM alkalmaz\u00e1s\u00e1nak k\u00eds\u00e9rlete egy id\u0151beli sorozatra a 4. \u00e1br\u00e1n l\u00e1that\u00f3.<\/p>\n

      \n\"Anom\u00e1li\u00e1k
      \n<\/p>\n

      4. \u00e1bra. P\u00e9lda a rekurz\u00edv neur\u00e1lis h\u00e1l\u00f3 m\u0171k\u00f6d\u00e9s\u00e9re LSTM mem\u00f3riaegys\u00e9gekkel<\/em><\/p>\n

      Ahogy az 4. \u00e1br\u00e1n l\u00e1that\u00f3, az RNN LSTM sikeresen azonos\u00edtotta az anom\u00e1li\u00e1t ezen az id\u0151szakon. Ott, ahol a progn\u00f3zis hib\u00e1ja magas (\u00e1tlagos hiba), val\u00f3ban anom\u00e1lia t\u00f6rt\u00e9nt a mutat\u00f3k ter\u00e9n. Csak az RNN LSTM haszn\u00e1lata nyilv\u00e1nval\u00f3an nem elegend\u0151, mivel csak n\u00e9h\u00e1ny metrik\u00e1hoz alkalmazhat\u00f3. Alternat\u00edv m\u00f3dszerk\u00e9nt szolg\u00e1lhat az anom\u00e1li\u00e1k keres\u00e9s\u00e9hez. <\/p>\n

      <\/p>\n

      Hibafelismer\u0151 autoenk\u00f3der<\/h2>\n

      <\/p>\n

      Autoenk\u00f3der<\/a><\/noindex> \u2013 l\u00e9nyeg\u00e9ben egy mesters\u00e9ges neur\u00e1lis h\u00e1l\u00f3. A bemeneti r\u00e9teg \u2013 encoder, a kimeneti r\u00e9teg \u2013 decoder. Az ilyen t\u00edpus\u00fa neur\u00e1lis h\u00e1l\u00f3k h\u00e1tr\u00e1nya, hogy rosszul lokaliz\u00e1lj\u00e1k az anom\u00e1li\u00e1kat. Egy szinkron autoenk\u00f3der architekt\u00far\u00e1j\u00e1t v\u00e1lasztott\u00e1k ki.<\/p>\n

      \n\"Anom\u00e1li\u00e1k
      \n<\/p>\n

      5. \u00e1bra. Az autoenk\u00f3der m\u0171k\u00f6d\u00e9s\u00e9nek p\u00e9ld\u00e1ja<\/em><\/p>\n

      Az autoenk\u00f3derek norm\u00e1l adatokon tanulnak, majd az anom\u00e1li\u00e1k azonos\u00edt\u00e1s\u00e1t v\u00e9gzik a modellbe beadott adatokban. Pontosan ilyen megold\u00e1s sz\u00fcks\u00e9ges a feladathoz. Csak az a k\u00e9rd\u00e9s, hogy melyik autoenk\u00f3der lenne megfelel\u0151 erre a feladatra. Az architektur\u00e1lisan legegyszer\u0171bb autoenk\u00f3der form\u00e1ja egy k\u00f6zvetlen, nem visszat\u00e9r\u0151 neur\u00e1lis h\u00e1l\u00f3, amely nagyon hasonl\u00edt a t\u00f6bbr\u00e9teg\u0171 perceptronra<\/a><\/noindex> (multilayer perceptron, MLP), bemeneti, kimeneti r\u00e9teggel \u00e9s egy vagy t\u00f6bb rejtett r\u00e9teggel, amelyek \u00f6sszekapcsolj\u00e1k \u0151ket.
      \nAzonban a k\u00fcl\u00f6nbs\u00e9gek az autoenk\u00f3derek \u00e9s az MLP k\u00f6z\u00f6tt abban rejlenek, hogy az autoenk\u00f3der kimeneti r\u00e9tege ugyanolyan sz\u00e1m\u00fa csom\u00f3ponttal rendelkezik, mint a bemeneti, \u00e9s hogy ahelyett, hogy a megadott X bemenet alapj\u00e1n az Y c\u00e9lt \u00e9rt\u00e9keln\u00e9k, az autoenk\u00f3der \u00f6nmag\u00e1nak a X reconstruct\u00e1l\u00e1s\u00e1ra tanul. Ez\u00e9rt az autoenk\u00f3derek nem fel\u00fcgyelt tanul\u00e1si modellek. <\/p>\n

      <\/p>\n

      Az autoenk\u00f3der feladata a r0 \u2026 rn id\u0151beli indexek meghat\u00e1roz\u00e1sa, amelyek az anom\u00e1lis elemeket reprezent\u00e1lj\u00e1k a bemeneti X vektorban. Ezt a hat\u00e1st a n\u00e9gyzetes hiba keres\u00e9s\u00e9vel \u00e9rj\u00fck el.<\/p>\n

      \n\"Anom\u00e1li\u00e1k <\/p>\n

      6. \u00e1bra. Szinkron autoenk\u00f3der<\/em><\/p>\n

      Az autoenk\u00f3derhez a szinkron architekt\u00far\u00e1t<\/a><\/noindex>v\u00e1lasztott\u00e1k. El\u0151nyei: a stream feldolgoz\u00e1si m\u00f3d haszn\u00e1lat\u00e1nak lehet\u0151s\u00e9ge \u00e9s viszonylag kevesebb neur\u00e1lis h\u00e1l\u00f3 param\u00e9ter m\u00e1s architekt\u00far\u00e1khoz k\u00e9pest.<\/p>\n

      <\/p>\n

      A hamis riaszt\u00e1sok minimaliz\u00e1l\u00e1s\u00e1nak mechanizmusa<\/h2>\n

      <\/p>\n

      A k\u00fcl\u00f6nb\u00f6z\u0151 rendellenes helyzetek el\u0151fordul\u00e1sa, valamint a neur\u00e1lis h\u00e1l\u00f3zat esetleges el\u00e9gtelen k\u00e9pz\u00e9s\u00e9nek lehet\u0151s\u00e9ge miatt a fejlesztett anom\u00e1lia\u00e9szlel\u00e9si modell eset\u00e9ben sz\u00fcks\u00e9gess\u00e9 v\u00e1lt egy mechanizmus kidolgoz\u00e1sa a hamis riaszt\u00e1sok minimaliz\u00e1l\u00e1s\u00e1ra. Ez a mechanizmus egy mint\u00e1zatokb\u00f3l \u00e1ll\u00f3 alapra \u00e9p\u00fcl, amelyet az adminisztr\u00e1tor oszt\u00e1lyoz. <\/p>\n

      <\/p>\n

      Az id\u0151vonal dinamikus transzform\u00e1ci\u00f3s algoritmusa<\/a><\/noindex> (DTW-algoritmus, az angol dynamic time warping-b\u00f3l) lehet\u0151v\u00e9 teszi az optim\u00e1lis megfelel\u00e9s megtal\u00e1l\u00e1s\u00e1t az id\u0151beli sorozatok k\u00f6z\u00f6tt. El\u0151sz\u00f6r a besz\u00e9dfelismer\u00e9s sor\u00e1n alkalmazt\u00e1k: a kett\u0151 besz\u00e9djel k\u00f6z\u00f6tti hasonl\u00f3s\u00e1g meghat\u00e1roz\u00e1s\u00e1ra haszn\u00e1lt\u00e1k, amely ugyanazt az eredeti kiejtett sz\u00f3t jelenti. K\u00e9s\u0151bb m\u00e1s ter\u00fcleteken is megtal\u00e1lt\u00e1k a felhaszn\u00e1l\u00e1s\u00e1t.<\/p>\n

      <\/p>\n

      A hamis riaszt\u00e1sok minimaliz\u00e1l\u00e1s\u00e1nak alapelve a referenciaadatok kiszolg\u00e1l\u00e1sa az oper\u00e1tor \u00e1ltal, aki oszt\u00e1lyozza a neur\u00e1lis h\u00e1l\u00f3zatok \u00e1ltal \u00e9szlelt gyan\u00fas eseteket. Ezt k\u00f6vet\u0151en a klasszifik\u00e1lt referenci\u00e1t \u00f6sszehasonl\u00edtj\u00e1k azzal az esettel, amelyet a rendszer \u00e9szlelt, \u00e9s k\u00f6vetkeztet\u00e9seket vonnak le az esettartom\u00e1nyok hamiss\u00e1g\u00e1r\u00f3l vagy a hib\u00e1ra vonatkoz\u00f3an. A k\u00e9t id\u0151beli sorozat \u00f6sszehasonl\u00edt\u00e1s\u00e1ra a DTW algoritmust haszn\u00e1lj\u00e1k. A minimaliz\u00e1l\u00e1s legf\u0151bb eszk\u00f6ze m\u00e9gis a klasszifik\u00e1l\u00e1s. Azt felt\u00e9telezik, hogy a nagy mennyis\u00e9g\u0171 referenci\u00e1lis eset \u00f6sszegy\u0171jt\u00e9se ut\u00e1n a rendszer kevesebb alkalommal fog k\u00e9rdezni az oper\u00e1tort, mivel a legt\u00f6bb eset hasonl\u00f3s\u00e1ggal rendelkezik.<\/p>\n

      <\/p>\n

      A fent eml\u00edtett neur\u00e1lis h\u00e1l\u00f3zati m\u00f3dszerek alapj\u00e1n egy k\u00eds\u00e9rleti programot fejlesztettek ki a \"Web-Konszolid\u00e1ci\u00f3\" rendszer le\u00e1ll\u00e1si el\u0151rejelz\u00e9s\u00e9re. A program c\u00e9lja az volt, hogy a megl\u00e9v\u0151 megfigyel\u00e9si adatok arch\u00edvussza \u00e9s a m\u00e1r bek\u00f6vetkezett le\u00e1ll\u00e1sok inform\u00e1ci\u00f3i seg\u00edts\u00e9g\u00e9vel \u00e9rt\u00e9kelje ezen megk\u00f6zel\u00edt\u00e9s alkalmass\u00e1g\u00e1t a szoftveres rendszereink sz\u00e1m\u00e1ra. A program munk\u00e1j\u00e1nak v\u00e1zlata az al\u00e1bbiakban, a 7. \u00e1br\u00e1n l\u00e1that\u00f3.<\/p>\n

      \n\"Anom\u00e1li\u00e1k <\/p>\n

      7. \u00e1bra. A le\u00e1ll\u00e1sok el\u0151rejelz\u00e9s\u00e9nek v\u00e1zlata a metrik\u00e1k t\u00e9r\u00e9nek elemz\u00e9s\u00e9n alapulva<\/em><\/p>\n

      A v\u00e1zlatban k\u00e9t f\u0151 blokk k\u00fcl\u00f6n\u00edthet\u0151 el: az anom\u00e1lis id\u0151intervallumok keres\u00e9se a megfigyel\u00e9si adatok (metrik\u00e1k) folyam\u00e1ban \u00e9s a hamis riaszt\u00e1sok minimaliz\u00e1l\u00e1s\u00e1nak mechanizmusa. Megjegyz\u00e9s: k\u00eds\u00e9rleti c\u00e9lokra az adatokat JDBC-kapcsolaton kereszt\u00fcl nyerj\u00fck ki az adatb\u00e1zisb\u00f3l, ahov\u00e1 a graphite mentette \u0151ket.
      \nAz al\u00e1bbiakban bemutatjuk a rendszer monitoring fejleszt\u00e9s\u00e9nek eredm\u00e9nyek\u00e9nt l\u00e9trej\u00f6tt fel\u00fcletet (8. \u00e1bra).<\/p>\n

      \n\"Anom\u00e1li\u00e1k<\/p>\n

      8. \u00e1bra. A k\u00eds\u00e9rleti monitoring rendszer fel\u00fclete<\/em><\/p>\n

      A fel\u00fcleten a kapott metrik\u00e1k alapj\u00e1n megjelenik az anom\u00e1lia sz\u00e1zal\u00e9ka. Jelen esetben a megfigyel\u00e9s modellez\u00e9se t\u00f6rt\u00e9nik. M\u00e1r van n\u00e9h\u00e1ny h\u00e9tnyi adatunk, amelyet fokozatosan t\u00f6lt\u00fcnk fel, hogy ellen\u0151rizz\u00fck az elt\u00e9r\u00e9st, amely meghib\u00e1sod\u00e1shoz vezetett. Az als\u00f3 st\u00e1tuszs\u00e1vban a jelenlegi anom\u00e1lia sz\u00e1zal\u00e9ka l\u00e1that\u00f3, amelyet az autoenk\u00f3der seg\u00edts\u00e9g\u00e9vel hat\u00e1rozunk meg. Emellett a j\u00f6v\u0151beli metrik\u00e1k k\u00fcl\u00f6n sz\u00e1zal\u00e9k\u00e1t is megjelen\u00edtj\u00fck, amelyet az RNN LSTM sz\u00e1m\u00edt ki.<\/p>\n

      <\/p>\n

      P\u00e9lda az RNN LSTM idegh\u00e1l\u00f3zattal \u00e9szlelt CPU-anom\u00e1li\u00e1kra (9. \u00e1bra).<\/p>\n

      \n\"Anom\u00e1li\u00e1k<\/p>\n

      9. \u00e1bra. RNN LSTM \u00e9szlel\u00e9s<\/em><\/p>\n

      Ez egy viszonylag egyszer\u0171 eset, l\u00e9nyeg\u00e9ben egy norm\u00e1lis kiugr\u00e1s, amely azonban a rendszer meghib\u00e1sod\u00e1s\u00e1hoz vezetett, sikeresen \u00e9szlelve az RNN LSTM \u00e1ltal. Az anom\u00e1lia m\u00e9rt\u00e9ke ezen az id\u0151intervallumon 85 \u00e9s 95% k\u00f6z\u00f6tt van; minden, ami 80% felett van (a k\u00fcsz\u00f6b\u00e9rt\u00e9k k\u00eds\u00e9rletileg lett meghat\u00e1rozva), anom\u00e1li\u00e1nak sz\u00e1m\u00edt.
      \nP\u00e9lda anom\u00e1li\u00e1ra, amikor a rendszer nem tudott elindulni a friss\u00edt\u00e9s ut\u00e1n. Ezt a helyzetet az autoenk\u00f3der \u00e9szleli (10. \u00e1bra).<\/p>\n

      \n\"Anom\u00e1li\u00e1k<\/p>\n

      10. \u00e1bra. P\u00e9lda az autoenk\u00f3der \u00e9szlel\u00e9s\u00e9re<\/em><\/p>\n

      Ahogy a k\u00e9pen is l\u00e1that\u00f3, a PermGen egy szinten akadt. Az autoenk\u00f3der ezt furcs\u00e1nak tal\u00e1lta, mivel kor\u00e1bban ilyet m\u00e9g nem l\u00e1tott. Az anom\u00e1lia 100%-on tart\u00f3san megmarad, am\u00edg a rendszer vissza nem \u00e1ll m\u0171k\u00f6d\u0151k\u00e9pes \u00e1llapotba. Az anom\u00e1lia minden metrik\u00e1n l\u00e1that\u00f3. Ahogy kor\u00e1bban eml\u00edtett\u00fck, az autoenk\u00f3der nem k\u00e9pes lokaliz\u00e1lni az anom\u00e1li\u00e1kat. Az oper\u00e1tor feladata ezen helyzetekben ell\u00e1tni ezt a funkci\u00f3t.<\/p>\n

      <\/p>\n

      Z\u00e1r\u00e1s<\/h2>\n

      <\/p>\n

      A \"Web-Konszolid\u00e1ci\u00f3\" projekt nem tegnap \u00f3ta fejleszt\u00e9s alatt \u00e1ll. A rendszer meglehet\u0151sen stabil \u00e1llapotban van, \u00e9s a regisztr\u00e1lt esem\u00e9nyek sz\u00e1ma csek\u00e9ly. Ennek ellen\u00e9re siker\u00fclt anom\u00e1li\u00e1kat tal\u00e1lni, amelyek 5-10 perccel a meghib\u00e1sod\u00e1s el\u0151tt jelentkeztek. Sz\u00e1mos esetben a meghib\u00e1sod\u00e1sr\u00f3l sz\u00f3l\u00f3 \u00e9rtes\u00edt\u00e9s el\u0151re seg\u00edthetett volna a karbantart\u00e1si id\u0151 megtakar\u00edt\u00e1s\u00e1ban, amely a \"jav\u00edt\u00e1si\" munk\u00e1latok elv\u00e9gz\u00e9s\u00e9re van kijel\u00f6lve.<\/p>\n

      <\/p>\n

      A v\u00e9gs\u0151 k\u00f6vetkeztet\u00e9sek levon\u00e1s\u00e1hoz m\u00e9g korai a k\u00eds\u00e9rletek alapj\u00e1n. Jelenleg az eredm\u00e9nyek ellentmond\u00e1sosak. Egyr\u00e9szt l\u00e1that\u00f3, hogy a neur\u00e1lis h\u00e1l\u00f3zaton alapul\u00f3 algoritmusok k\u00e9pesek hasznos anom\u00e1li\u00e1k azonos\u00edt\u00e1s\u00e1ra. M\u00e1sr\u00e9szt m\u00e9g mindig nagy a hamis riaszt\u00e1sok ar\u00e1nya, \u00e9s nem minden anom\u00e1li\u00e1t, amelyet egy szak\u00e9rt\u0151 azonos\u00edt, a neur\u00e1lis h\u00e1l\u00f3zat is \u00e9szlel. H\u00e1tr\u00e1nyk\u00e9nt eml\u00edthet\u0151, hogy a neur\u00e1lis h\u00e1l\u00f3zat jelenleg fel\u00fcgyelt tanul\u00e1st ig\u00e9nyel a megfelel\u0151 m\u0171k\u00f6d\u00e9shez.<\/p>\n

      <\/p>\n

      A le\u00e1ll\u00e1sok el\u0151rejelz\u0151 rendszer\u00e9nek tov\u00e1bbi fejleszt\u00e9s\u00e9hez \u00e9s annak megfelel\u0151 \u00e1llapotba juttat\u00e1s\u00e1hoz t\u00f6bb utat is lehetne megfontolni. Ez mag\u00e1ban foglalja az anom\u00e1li\u00e1k eseteinek r\u00e9szletesebb elemz\u00e9s\u00e9t, amelyek le\u00e1ll\u00e1shoz vezetnek, a kritikus metrik\u00e1k list\u00e1j\u00e1nak kib\u0151v\u00edt\u00e9se \u00e9rdek\u00e9ben, amelyek jelent\u0151sen befoly\u00e1solj\u00e1k a rendszer \u00e1llapot\u00e1t, \u00e9s a l\u00e9nyegtelent\u0151l val\u00f3 elv\u00e1laszt\u00e1st. Ezen az \u00faton haladva a specifikus algoritmusok specializ\u00e1l\u00e1s\u00e1ra is lehetne k\u00eds\u00e9rletet tenni, kifejezetten a le\u00e1ll\u00e1sokkal j\u00e1r\u00f3 anom\u00e1li\u00e1k kezel\u00e9s\u00e9re. Egy m\u00e1sik lehet\u0151s\u00e9g a neur\u00e1lis h\u00e1l\u00f3zatok architekt\u00far\u00e1j\u00e1nak t\u00f6k\u00e9letes\u00edt\u00e9se, amely a felfedez\u00e9s pontoss\u00e1g\u00e1nak n\u00f6vel\u00e9s\u00e9t \u00e9s a tanul\u00e1si id\u0151 cs\u00f6kkent\u00e9s\u00e9t c\u00e9lozza.<\/p>\n

      <\/p>\n

      K\u00f6sz\u00f6netet mondok azoknak a koll\u00e9g\u00e1imnak, akik seg\u00edtettek a cikk meg\u00edr\u00e1s\u00e1ban \u00e9s aktualiz\u00e1l\u00e1s\u00e1ban: Viktor Verbickij<\/a><\/noindex> \u00e9s Szergej Finogyenovnak.<\/p>\n

      Forr\u00e1s: habr.com<\/a><\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"

      \u041f\u0440\u043e\u043c\u044b\u0448\u043b\u0435\u043d\u043d\u0430\u044f \u0440\u0430\u0437\u0440\u0430\u0431\u043e\u0442\u043a\u0430 \u043f\u0440\u043e\u0433\u0440\u0430\u043c\u043c\u043d\u044b\u0445 \u0441\u0438\u0441\u0442\u0435\u043c \u0442\u0440\u0435\u0431\u0443\u0435\u0442 \u0431\u043e\u043b\u044c\u0448\u043e\u0433\u043e \u0432\u043d\u0438\u043c\u0430\u043d\u0438\u044f \u043a \u043e\u0442\u043a\u0430\u0437\u043e\u0443\u0441\u0442\u043e\u0439\u0447\u0438\u0432\u043e\u0441\u0442\u0438 \u043a\u043e\u043d\u0435\u0447\u043d\u043e\u0433\u043e \u043f\u0440\u043e\u0434\u0443\u043a\u0442\u0430, \u0430 \u0442\u0430\u043a\u0436\u0435 \u0431\u044b\u0441\u0442\u0440\u043e\u0433\u043e \u0440\u0435\u0430\u0433\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u044f \u043d\u0430 \u043e\u0442\u043a\u0430\u0437\u044b \u0438 \u0441\u0431\u043e\u0438, \u0435\u0441\u043b\u0438 \u043e\u043d\u0438 \u0432\u0441\u0435-\u0442\u0430\u043a\u0438 \u0441\u043b\u0443\u0447\u0430\u044e\u0442\u0441\u044f. \u041c\u043e\u043d\u0438\u0442\u043e\u0440\u0438\u043d\u0433, \u043a\u043e\u043d\u0435\u0447\u043d\u043e \u0436\u0435, \u043f\u043e\u043c\u043e\u0433\u0430\u0435\u0442 \u0440\u0435\u0430\u0433\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u043d\u0430 \u043e\u0442\u043a\u0430\u0437\u044b \u0438 \u0441\u0431\u043e\u0438 \u044d\u0444\u0444\u0435\u043a\u0442\u0438\u0432\u043d\u0435\u0435 \u0438 \u0431\u044b\u0441\u0442\u0440\u0435\u0435, \u043d\u043e \u043d\u0435\u0434\u043e\u0441\u0442\u0430\u0442\u043e\u0447\u043d\u043e. \u0412\u043e-\u043f\u0435\u0440\u0432\u044b\u0445, \u043e\u0447\u0435\u043d\u044c \u0441\u043b\u043e\u0436\u043d\u043e \u0443\u0441\u043b\u0435\u0434\u0438\u0442\u044c \u0437\u0430 \u0431\u043e\u043b\u044c\u0448\u0438\u043c \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e\u043c \u0441\u0435\u0440\u0432\u0435\u0440\u043e\u0432 \u2013 \u043d\u0435\u043e\u0431\u0445\u043e\u0434\u0438\u043c\u043e \u0431\u043e\u043b\u044c\u0448\u043e\u0435 \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e \u043b\u044e\u0434\u0435\u0439. \u0412\u043e-\u0432\u0442\u043e\u0440\u044b\u0445, \u043d\u0443\u0436\u043d\u043e \u0445\u043e\u0440\u043e\u0448\u043e \u043f\u043e\u043d\u0438\u043c\u0430\u0442\u044c, \u043a\u0430\u043a […]<\/p>\n","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[688],"tags":[],"class_list":["post-53531","post","type-post","status-publish","format-standard","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\udd47Anom\u00e1li\u00e1k keres\u00e9se \u00e9s le\u00e1ll\u00e1sok el\u0151rejelz\u00e9se neur\u00e1lis h\u00e1l\u00f3zatok seg\u00edts\u00e9g\u00e9vel | ProHoster","description":"Ipari fejleszt\u00e9s.","canonical_url":"https:\/\/prohoster.info\/hu\/blog\/administrirovanie\/ishhem-anomalii-i-predskazyvaem-sboi-s-pomoshhyu-nejrosetej","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"hu_HU","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\u0418\u0449\u0435\u043c \u0430\u043d\u043e\u043c\u0430\u043b\u0438\u0438 \u0438 \u043f\u0440\u0435\u0434\u0441\u043a\u0430\u0437\u044b\u0432\u0430\u0435\u043c \u0441\u0431\u043e\u0438 \u0441 \u043f\u043e\u043c\u043e\u0449\u044c\u044e \u043d\u0435\u0439\u0440\u043e\u0441\u0435\u0442\u0435\u0439 | ProHoster","og:description":"\u041f\u0440\u043e\u043c\u044b\u0448\u043b\u0435\u043d\u043d\u0430\u044f \u0440\u0430\u0437\u0440\u0430\u0431\u043e\u0442\u043a\u0430.","og:url":"https:\/\/prohoster.info\/hu\/blog\/administrirovanie\/ishhem-anomalii-i-predskazyvaem-sboi-s-pomoshhyu-nejrosetej","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":"2019-12-03T21:00:00+00:00","article:modified_time":"2020-02-18T11:01:26+00:00","article:publisher":"https:\/\/www.facebook.com\/prohoster","article:author":"https:\/\/www.facebook.com\/prohoster"},"aioseo_meta_data":{"post_id":"53531","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":"2026-01-24 07:46:24","breadcrumb_settings":null,"limit_modified_date":false,"reviewed_by":null,"ai":null,"created":"2021-02-28 20:23:55","updated":"2026-01-24 07:46:24","focus_keyword":null,"additional_keywords":null,"truseo_locale":null},"gt_translate_keys":[{"key":"link","format":"url"}],"_links":{"self":[{"href":"https:\/\/prohoster.info\/hu\/wp-json\/wp\/v2\/posts\/53531","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/hu\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/hu\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/hu\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/hu\/wp-json\/wp\/v2\/comments?post=53531"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/hu\/wp-json\/wp\/v2\/posts\/53531\/revisions"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/hu\/wp-json\/wp\/v2\/media?parent=53531"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/hu\/wp-json\/wp\/v2\/categories?post=53531"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/hu\/wp-json\/wp\/v2\/tags?post=53531"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}