{"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\/it\/blog\/administrirovanie\/razbiraemsya-s-machine-learning-v-elastic-stack-on-zhe-elasticsearch-on-zhe-elk","title":{"rendered":"Approfondiamo il Machine Learning in Elastic Stack (alias Elasticsearch, alias ELK)","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

\"Approfondiamo
\n
\nRicordiamo che alla base dell'Elastic Stack ci sono il database non relazionale Elasticsearch, l'interfaccia web Kibana e i raccoglitori e processori di dati (il pi\u00f9 conosciuto \u00e8 Logstash, vari Beats, APM e altri). Una delle piacevoli aggiunte di tutto questo stack di prodotti \u00e8 l'analisi dei dati tramite algoritmi di machine learning. In questo articolo esamineremo cosa rappresentano questi algoritmi. Chiediamo di continuare a leggere.
\n<\/a><\/noindex>
\nIl machine learning \u00e8 una funzione a pagamento di Elastic Stack, ed \u00e8 inclusa nel pacchetto X-Pack. Per iniziare a utilizzarla basta attivare un periodo di prova di 30 giorni dopo l'installazione. Dopo la scadenza del periodo di prova, puoi richiedere assistenza per il suo prolungamento o acquistare un abbonamento. Il costo dell'abbonamento non \u00e8 calcolato in base al volume dei dati, ma al numero di nodi utilizzati. No, il volume dei dati influisce, ovviamente, sul numero di nodi necessari, ma questo approccio alla licenza \u00e8 comunque pi\u00f9 umano nei confronti del budget dell'azienda. Se non hai bisogno di alte prestazioni, puoi anche risparmiare.<\/p>\n

Il ML nell'Elastic Stack \u00e8 scritto in C++ e funziona al di fuori della JVM, in cui gira Elasticsearch. Quindi, il processo (che peraltro si chiama autodetect) consuma tutto ci\u00f2 che non pu\u00f2 gestire la JVM. Nella demo questo non \u00e8 cos\u00ec critico, mentre in un ambiente di produzione \u00e8 importante dedicare nodi separati per i compiti di ML.<\/p>\n

Gli algoritmi di machine learning si suddividono in due categorie \u2014 con supervisione<\/a><\/noindex> e senza supervisione<\/a><\/noindex>. Nel Elastic Stack, l'algoritmo appartiene alla categoria \"senza supervisione\". Puoi questo link<\/a><\/noindex> consultare il materiale matematico degli algoritmi di machine learning.<\/p>\n

Per condurre l'analisi, l'algoritmo di machine learning utilizza i dati memorizzati negli indici di Elasticsearch. Puoi creare compiti di analisi sia dall'interfaccia di Kibana che tramite API. Se lo fai tramite Kibana, non \u00e8 necessario conoscere alcune cose. Ad esempio, indici aggiuntivi che l'algoritmo utilizza durante il funzionamento. <\/p>\n

Indici aggiuntivi utilizzati durante l'analisi<\/b>.ml-state \u2014 informazioni sui modelli statistici (impostazioni di analisi);
\n.ml-anomalies-* \u2014 risultati prodotti dagli algoritmi ML;
\n.ml-notifications \u2014 impostazioni delle notifiche sui risultati dell'analisi.<\/p>\n

\"Approfondiamo
\n
\nLa struttura dei dati nel database Elasticsearch \u00e8 composta da indici e dai documenti in essi contenuti. Se confrontato con un database relazionale, l'indice pu\u00f2 essere paragonato a uno schema di database, mentre il documento a una registrazione in una tabella. Questo confronto \u00e8 convenzionale ed \u00e8 fornito per semplificare la comprensione del materiale successivo per coloro che hanno appena sentito parlare di Elasticsearch.<\/p>\n

L'API offre le stesse funzionalit\u00e0 disponibili tramite l'interfaccia web, quindi per chiarezza e comprensione dei concetti, mostreremo come configurare attraverso Kibana. Nel menu a sinistra c'\u00e8 la sezione Machine Learning, in cui \u00e8 possibile creare un nuovo incarico (Job). Nell'interfaccia di Kibana, questo appare come nell'immagine qui sotto. Ora esamineremo ciascun tipo di incarico e mostreremo i tipi di analisi che possono essere costruiti.<\/p>\n

\"Approfondiamo
\n
\nSingle Metric \u2014 analisi di una singola metrica, Multi Metric \u2014 analisi di due o pi\u00f9 metriche. In entrambi i casi, ogni metrica viene analizzata in un ambiente isolato, cio\u00e8 l'algoritmo non considera il comportamento delle metriche analizzate in parallelo come potrebbe sembrare nel caso di Multi Metric. Per condurre un calcolo tenendo conto della correlazione tra varie metriche, \u00e8 possibile applicare un'analisi Population. Advanced \u2014 \u00e8 una regolazione fine degli algoritmi con opzioni aggiuntive per compiti specifici. <\/p>\n

Single Metric<\/h2>\n

\nL'analisi delle variazioni di una singola metrica \u00e8 la cosa pi\u00f9 semplice da fare qui. Dopo aver cliccato su Crea Job, l'algoritmo cercher\u00e0 anomalie.<\/p>\n

\"Approfondiamo
\n
\nNel campo Aggregazione<\/i> \u00e8 possibile scegliere il metodo per cercare anomalie. Ad esempio, utilizzando Min<\/i> i valori al di sotto di quelli tipici saranno considerati anomali. Ci sono Max, High Mean, Low, Mean, Distinct<\/i> e altri. La descrizione di tutte le funzioni pu\u00f2 essere consultata al link<\/a><\/noindex>.<\/p>\n

Nel campo Campo<\/i> si indica il campo numerico nel documento su cui effettueremo l'analisi.<\/p>\n

Nel campo Bucket span<\/i><\/a><\/noindex> \u2014 la granularit\u00e0 degli intervalli nella timeline su cui verr\u00e0 condotta l'analisi. Puoi affidarti all'automazione o scegliere manualmente. Nell'immagine qui sotto \u00e8 riportato un esempio di granularit\u00e0 troppo bassa \u2014 potresti perdere un'anomalia. Con questa impostazione \u00e8 possibile modificare la sensibilit\u00e0 dell'algoritmo alle anomalie.<\/p>\n

\"Approfondiamo
\n
\nLa durata dei dati raccolti \u00e8 un elemento chiave che influisce sull'efficacia dell'analisi. Durante l'analisi, l'algoritmo identifica intervalli ripetitivi, calcola l'intervallo di confidenza (linee di base) ed estrae anomalie \u2014 deviazioni insolite dal comportamento normale della metrica. Solo per esempio:<\/p>\n

Linee di base su un piccolo campione di dati:<\/p>\n

\"Approfondiamo
\n
\nQuando l'algoritmo ha qualcosa da imparare, le linee di base appaiono in questo modo:<\/p>\n

\"Approfondiamo
\n
\nDopo l'avvio del compito, l'algoritmo identifica le deviazioni anomale dalla norma e le classifica in base alla probabilit\u00e0 di anomalia (il colore del rispettivo tag \u00e8 indicato tra parentesi):<\/p>\n

Warning (blu): meno di 25
\nMinor (giallo): 25-50
\nMajor (arancione): 50-75
\nCritical (rosso): 75-100<\/p>\n

Nel grafico qui sotto \u00e8 mostrato un esempio con le anomalie trovate.<\/p>\n

\"Approfondiamo
\n
\nQui si vede il numero 94, che indica la probabilit\u00e0 di anomalia. \u00c8 chiaro che dato che il valore \u00e8 vicino a 100, siamo di fronte a un'anomalia. Nella colonna sotto il grafico \u00e8 indicata una probabilit\u00e0 estremamente bassa dello 0.000063634% di vedere quel valore della metrica.<\/p>\n

Oltre alla ricerca di anomalie, \u00e8 possibile avviare previsioni in Kibana. \u00c8 molto semplice e si fa dallo stesso pannello delle anomalie\u2014il pulsante Forecast<\/i> nell'angolo in alto a destra.<\/p>\n

\"Approfondiamo
\n
\nLa previsione viene costruita al massimo per 8 settimane in avanti. Anche se lo si desidera ardentemente, non \u00e8 possibile farlo di pi\u00f9 per design.<\/p>\n

\"Approfondiamo
\n
\nIn alcune situazioni, la previsione sar\u00e0 molto utile, ad esempio quando si monitora il carico degli utenti sull'infrastruttura.<\/p>\n

Multi Metric<\/h2>\n

\nPassiamo alla successiva possibilit\u00e0 ML nell'Elastic Stack - l'analisi di pi\u00f9 metriche in un colpo solo. Ma ci\u00f2 non significa che si analizzer\u00e0 la dipendenza di una metrica da un'altra. \u00c8 lo stesso di Single Metric, solo con molte metriche su un unico schermo per comodit\u00e0 di confronto dell'influenza l'una sull'altra. Parleremo dell'analisi della dipendenza di una metrica da un'altra nella parte Population.<\/p>\n

Dopo aver cliccato sul quadrato con Multi Metric apparir\u00e0 una finestra con le impostazioni. Ci soffermiamo su di esse con maggior dettaglio.<\/p>\n

\"Approfondiamo
\n
\nPer iniziare, bisogna scegliere i campi per l'analisi e l'aggregazione dei dati in base ad essi. Le opzioni di aggregazione qui sono le stesse di quelle per Single Metric (Max, High Mean, Low, Mean, Distinct<\/i> e altri). Successivamente, i dati possono essere suddivisi, se si desidera, in base a uno dei campi (campo Split Data<\/i>). Nell'esempio, lo abbiamo fatto in base al campo OriginAirportID<\/i>. Notare che ora il grafico delle metriche a destra \u00e8 rappresentato come un insieme di grafici.<\/p>\n

\"Approfondiamo
\n
\nCampo Key Fields (Influencers)<\/i> influisce direttamente sulle anomalie trovate. Di default, ci sar\u00e0 sempre almeno un valore, ma \u00e8 possibile aggiungerne ulteriori. L'algoritmo terr\u00e0 conto dell'influenza di questi campi durante l'analisi e mostrer\u00e0 i valori pi\u00f9 \"influenti\".<\/p>\n

Dopo l'avvio, nell'interfaccia di Kibana apparir\u00e0 un'immagine simile.<\/p>\n

\"Approfondiamo
\n
\nQuesta \u00e8 la cosiddetta mappa di calore delle anomalie per ciascun valore del campo OriginAirportID<\/i>, che abbiamo indicato in Split Data<\/i>. Come nel caso di Single Metric, il colore indica il livello di deviazione anomala. Un'analisi simile pu\u00f2 essere facilmente effettuata, ad esempio, sulle postazioni di lavoro per monitorare quelle con un numero sospettosamente elevato di autorizzazioni, ecc. Ne abbiamo gi\u00e0 parlato degli eventi sospetti nel EventLog di Windows<\/a><\/noindex>, che possono anche essere raccolti e analizzati qui.<\/p>\n

Sotto la mappa di calore si trova l'elenco delle anomalie, ognuna delle quali pu\u00f2 portare alla visualizzazione di Single Metric per un'analisi dettagliata.<\/p>\n

Population<\/h2>\n

\nPer cercare anomalie tra le correlazioni tra diverse metriche, in Elastic Stack \u00e8 presente un'analisi Population specializzata. \u00c8 proprio grazie a questa che \u00e8 possibile cercare valori anomali nelle prestazioni di un server rispetto agli altri in caso, ad esempio, di un aumento del numero di richieste al sistema target.<\/p>\n

\"Approfondiamo
\n
\nIn questa illustrazione, il campo Population mostra il valore a cui si riferiranno le metriche analizzate. In questo caso, si tratta del nome del processo. Di conseguenza, vedremo come il carico della CPU di ciascun processo ha influito sugli altri.<\/p>\n

Nota che il grafico dei dati analizzati \u00e8 diverso da quelli di Single Metric e Multi Metric. Questo \u00e8 stato progettato in Kibana per migliorare la percezione della distribuzione dei valori dei dati analizzati.<\/p>\n

\"Approfondiamo
\n
\nDal grafico si evince che il processo stress<\/i> (per inciso, generato da un'utilit\u00e0 speciale) sul server poipu<\/i>, ha influenzato (o si \u00e8 rivelato un influenzatore) l'insorgere di questa anomalia.<\/p>\n

Avanzato<\/h2>\n

\nAnalisi con impostazioni avanzate. Durante l'analisi avanzata in Kibana, vengono visualizzate impostazioni aggiuntive. Dopo aver cliccato nella menu di creazione sul riquadro Advanced appare questa finestra con le schede. La scheda Job Details<\/i> \u00e8 stata intenzionalmente omessa, l\u00ec ci sono impostazioni di base non direttamente correlate alla configurazione dell'analisi.<\/p>\n

\"Approfondiamo
\n
\nIn summary_count_field_name<\/i> si pu\u00f2 opzionalmente specificare il nome del campo nei documenti contenente i valori aggregati. In questo esempio, il numero di eventi al minuto. Nel categorization_field_name<\/i><\/a><\/noindex> si specifica il nome del valore del campo nel documento, che contiene un certo valore variabile. Con un mascheramento su questo campo \u00e8 possibile suddividere i dati analizzati in sottoinsiemi. Fai attenzione al pulsante Add detector<\/i> nell'illustrazione precedente. Qui sotto il risultato dell'azione su questo pulsante.<\/p>\n

\"Approfondiamo
\n
\nQui \u00e8 un blocco aggiuntivo di impostazioni per configurare il rilevatore di anomalie per uno specifico compito. I casi d'uso specifici (soprattutto in materia di sicurezza) verranno trattati nei prossimi articoli. Per esempio, guarda<\/a><\/noindex> uno dei casi esaminati. \u00c8 collegato alla ricerca di valori rari e viene implementato con la funzione rare<\/a><\/noindex>.<\/p>\n

Nel campo function<\/i> puoi scegliere una funzione specifica per la ricerca di anomalie. Oltre a rare<\/i>, ci sono anche un paio di funzioni interessanti \u2014 time_of_day<\/i> e time_of_week<\/i><\/a><\/noindex>. Esse rivelano anomalie nel comportamento delle metriche nel corso della giornata o della settimana, rispettivamente. Le altre funzioni di analisi sono disponibili nella documentazione<\/a><\/noindex>.<\/p>\n

In field_name<\/i> indica il campo del documento su cui verr\u00e0 effettuata l'analisi. By_field_name<\/i> pu\u00f2 essere utilizzato per suddividere i risultati dell'analisi per ogni singolo valore del campo del documento qui specificato. Se si compila over_field_name<\/i> si ottiene un'analisi della popolazione, che abbiamo esaminato sopra. Se si indica un valore in partition_field_name<\/i>, allora su questo campo del documento verranno calcolate linee base separate per ciascun valore (dove il valore pu\u00f2 rappresentare, ad esempio, il nome del server o del processo sul server). In exclude_frequent<\/i> puoi selezionare all<\/i> o none<\/i>, il che significherebbe escludere (o includere) valori frequentemente presenti nei campi dei documenti.<\/p>\n

Nell'articolo abbiamo cercato di fornire un'idea il pi\u00f9 concisa possibile delle capacit\u00e0 dell'apprendimento automatico in Elastic Stack, restano ancora molti dettagli da esplorare. Facci sapere nei commenti quali casi sei riuscito a risolvere con Elastic Stack e per quali compiti lo utilizzi. Per contattarci puoi utilizzare messaggi privati su Habr o il modulo di contatto sul sito<\/a><\/noindex>.
\n
Fonte: 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\udd47Comprendiamo il Machine Learning in Elastic Stack (alias Elasticsearch, alias ELK) | ProHoster","description":"Ricordiamo.","canonical_url":"https:\/\/prohoster.info\/it\/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":"it_IT","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\/it\/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\/it\/wp-json\/wp\/v2\/posts\/35274","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/comments?post=35274"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/posts\/35274\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/media\/26487"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/media?parent=35274"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/categories?post=35274"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/tags?post=35274"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}