{"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":"Esplorando il Machine Learning in Elastic Stack (noto anche come Elasticsearch, noto come ELK)","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

\"Esplorando
\n
\nRicordiamo che alla base di Elastic Stack ci sono un database non relazionale Elasticsearch, un'interfaccia web Kibana e i raccoglitori di dati (il pi\u00f9 noto \u00e8 Logstash, accompagnato da diverse Beats, APM e altri). Una delle piacevoli aggiunte di questo intero stack di prodotti \u00e8 l'analisi dei dati tramite algoritmi di machine learning. In questo articolo esploreremo cosa sono questi algoritmi. Vi invitiamo a leggere di pi\u00f9.
\n<\/a><\/noindex>
\nIl machine learning \u00e8 una funzione a pagamento dell'Elastic Stack a carattere freemium e fa parte del pacchetto X-Pack. Per iniziare a usarlo, basta attivare un trial di 30 giorni dopo l'installazione. Al termine del periodo di prova, si pu\u00f2 richiedere supporto per un'estensione o acquistare un abbonamento. Il costo dell'abbonamento non si basa sul volume dei dati, ma sul numero di nodi utilizzati. Certo, il volume dei dati influisce sul numero di nodi necessari, ma questo approccio alla licenza \u00e8 pi\u00f9 sostenibile per il budget dell'azienda. Se non \u00e8 necessaria un'elevata performance, \u00e8 possibile risparmiare.<\/p>\n

ML in Elastic Stack \u00e8 scritto in C++ e funziona al di fuori della JVM, dove gira Elasticsearch stesso. Questo significa che il processo (che si chiama autodetect) consuma tutto ci\u00f2 che la JVM non riesce a elaborare. Su un ambiente di dimostrazione questo non \u00e8 cos\u00ec critico, ma in un ambiente produttivo \u00e8 importante dedicare nodi separati per i compiti di ML.<\/p>\n

Gli algoritmi di machine learning si dividono in due categorie \u2014 con supervisione<\/a><\/noindex> e senza supervisione<\/a><\/noindex>. In Elastic Stack l'algoritmo appartiene alla categoria 'senza supervisione'. Puoi questo link<\/a><\/noindex> consultare la base matematica degli algoritmi di machine learning.<\/p>\n

Per effettuare un'analisi, l'algoritmo di machine learning utilizza i dati conservati negli indici di Elasticsearch. \u00c8 possibile creare incarichi per l'analisi sia dall'interfaccia di Kibana che tramite API. Se lo fai tramite Kibana, alcune informazioni non sono necessarie. Ad esempio, gli indici aggiuntivi che l'algoritmo utilizza durante il processo. <\/p>\n

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

\"Esplorando
\n
\nLa struttura dei dati nel database Elasticsearch \u00e8 composta da indici e dai documenti in essi memorizzati. Se confrontato con un database relazionale, l'indice pu\u00f2 essere paragonato a uno schema di database, mentre il documento a una riga in una tabella. Questo confronto \u00e8 indicativo e serve a semplificare la comprensione del materiale successivo per chi ha solo sentito parlare di Elasticsearch.<\/p>\n

Attraverso l'API \u00e8 disponibile la stessa funzionalit\u00e0 che troviamo nell'interfaccia web, pertanto, per chiarezza e comprensione dei concetti, mostreremo come configurare utilizzando Kibana. Nel menu a sinistra c'\u00e8 la sezione Machine Learning, dove \u00e8 possibile creare un nuovo task (Job). Nell'interfaccia di Kibana questo appare come nell'immagine sottostante. Ora analizzeremo ogni tipo di task e mostreremo i tipi di analisi che si possono costruire qui.<\/p>\n

\"Esplorando
\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 tiene conto del comportamento delle metriche analizzate simultaneamente, come potrebbe sembrare nel caso di Multi Metric. Per effettuare un calcolo tenendo conto della correlazione di diverse metriche, si pu\u00f2 applicare un'analisi della popolazione. Advanced \u2014 \u00e8 una finezza 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 che si possa fare qui. Dopo aver cliccato su Crea Lavoro, l'algoritmo cercher\u00e0 anomalie.<\/p>\n

\"Esplorando
\n
\nNel campo Aggregazione<\/i> puoi scegliere l'approccio per la ricerca di anomalie. Ad esempio, nel Min<\/i> si considereranno anomali i valori al di sotto dei livelli tipici. Ci sono Max, Hign Mean, Low, Mean, Distinct<\/i> e altri. Puoi vedere la descrizione di tutte le funzioni al link<\/a><\/noindex>.<\/p>\n

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

Nel campo Bucket span<\/i><\/a><\/noindex> \u2014 granularit\u00e0 degli intervalli sulla timeline che sar\u00e0 analizzata. Puoi fidarti dell'automatismo o scegliere manualmente. Nell'immagine sotto \u00e8 riportato un esempio di granularit\u00e0 troppo bassa \u2014 potresti perdere un'anomalia. Con questa impostazione puoi modificare la sensibilit\u00e0 dell'algoritmo alle anomalie.<\/p>\n

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

Linee di base su un breve intervallo di dati:<\/p>\n

\"Esplorando
\n
\nQuando l'algoritmo ha qualcosa su cui imparare \u2014 le linee di base appaiono cos\u00ec:<\/p>\n

\"Esplorando
\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 corrispondente \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

\"Esplorando
\n
\nQui si vede il numero 94, che indica la probabilit\u00e0 di un'anomalia. \u00c8 chiaro che poich\u00e9 il valore \u00e8 vicino a 100, abbiamo di fronte un'anomalia. Nella colonna sotto il grafico \u00e8 indicata una probabilit\u00e0 estremamente bassa dello 0,000063634% che l\u00ec si trovi un valore della metrica.<\/p>\n

Oltre alla ricerca di anomalie in Kibana, \u00e8 possibile avviare la previsione. Questo \u00e8 molto semplice e dallo stesso visualizzatore delle anomalie \u2014 il pulsante Forecast<\/i> nell'angolo in alto a destra.<\/p>\n

\"Esplorando
\n
\nLa previsione \u00e8 costruita al massimo per 8 settimane in avanti. Anche se lo desideri molto \u2014 non si pu\u00f2 andare oltre per progettazione.<\/p>\n

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

Multi Metric<\/h2>\n

\nPassiamo alla successiva possibilit\u00e0 di ML nell'Elastic Stack \u2014 l'analisi di pi\u00f9 metriche in una volta. Ma ci\u00f2 non significa che si analizzer\u00e0 la dipendenza di una metrica da un'altra. \u00c8 lo stesso di Single Metric, solo che ci sono molte metriche su un unico schermo per facilitare il confronto dell'influenza di una sull'altra. Parleremo dell'analisi della dipendenza di una metrica dall'altra nella parte Population.<\/p>\n

Dopo aver cliccato sul quadrato con Multi Metric apparir\u00e0 una finestra con le impostazioni. Ci soffermeremo su queste pi\u00f9 nel dettaglio.<\/p>\n

\"Esplorando
\n
\nPer iniziare, \u00e8 necessario selezionare i campi per l'analisi e aggregare i dati in base a essi. Le opzioni di aggregazione sono le stesse di quelle per Single Metric (Max, Hign Mean, Low, Mean, Distinct<\/i> e altri). Successivamente, i dati possono essere suddivisi per uno dei campi (campo Split Data<\/i>). Nell'esempio, abbiamo fatto questo in base al campo OriginAirportID<\/i>. Nota che il grafico delle metriche a destra ora \u00e8 rappresentato come un insieme di grafici.<\/p>\n

\"Esplorando
\n
\nCampo Key Fields (Influencers)<\/i> influisce direttamente sulle anomalie trovate. Per impostazione predefinita, ci sar\u00e0 sempre almeno un valore, ma puoi aggiungerne altri. L'algoritmo considerer\u00e0 l'influenza di questi campi durante l'analisi e mostrer\u00e0 i valori pi\u00f9 \"influenzanti\".<\/p>\n

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

\"Esplorando
\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 rappresenta il livello di deviazione anomala. Un'analisi simile \u00e8 comoda da fare, ad esempio, per le stazioni di lavoro per monitorare quelle con un numero sospetto di autorizzazioni, ecc. Abbiamo gi\u00e0 scritto sugli eventi sospetti in EventLog Windows<\/a><\/noindex>, che possono anch'essi essere raccolti e analizzati qui.<\/p>\n

Sotto la mappa termica c'\u00e8 l'elenco delle anomalie, ognuna della quale pu\u00f2 essere selezionata per visualizzare la Singola Metrica per un'analisi dettagliata.<\/p>\n

Popolazione<\/h2>\n

\nPer cercare anomalie tra le correlazioni tra diverse metriche in Elastic Stack, \u00e8 disponibile un'analisi della Popolazione. Proprio grazie a questa si possono ricercare valori anomali nelle prestazioni di un server rispetto agli altri, per esempio, con un aumento del numero di richieste al sistema target.<\/p>\n

\"Esplorando
\n
\nIn questa illustrazione, nel campo Popolazione, \u00e8 indicato il valore rispetto al quale saranno analizzate le metriche. In questo caso, si tratta del nome del processo. Di conseguenza, vedremo come il carico della CPU di ciascuno dei processi ha influenzato l'uno sull'altro.<\/p>\n

Si nota che il grafico dei dati analizzati \u00e8 diverso rispetto a quelli di Singola Metrica e Multi Metrica. Questo \u00e8 stato progettato in Kibana per migliorare la percezione della distribuzione dei valori dei dati analizzati.<\/p>\n

\"Esplorando
\n
\nDal grafico risulta che il processo ha mostrato un comportamento anomalo stress<\/i> (per la cronaca, generato da un'utilit\u00e0 speciale) sul server poipu<\/i>, che ha influito (o \u00e8 stato l'influencer) sulla comparsa di questa anomalia.<\/p>\n

Advanced<\/h2>\n

\nAnalisi con impostazioni dettagliate. Con l'analisi avanzata in Kibana vengono visualizzate ulteriori configurazioni. Dopo aver cliccato nel menu di creazione sulla piastrella Avanzato, appare una finestra come questa con varie schede. La scheda Dettagli del lavoro<\/i> \u00e8 stata intenzionalmente omessa, poich\u00e9 contiene impostazioni di base non direttamente correlate alla configurazione dell'analisi.<\/p>\n

\"Esplorando
\n
\nIn summary_count_field_name<\/i> \u00e8 possibile specificare opzionalmente il nome di un campo nei documenti contenente valori aggregati. In questo esempio \u2014 il numero di eventi al minuto. In categorization_field_name<\/i><\/a><\/noindex> si indica il nome del campo nei documenti che contiene un valore variabile. Sulla base di questo campo \u00e8 possibile suddividere i dati analizzati in sottoinsiemi. Nota il pulsante Aggiungi rilevatore<\/i> nell'illustrazione precedente. Qui sotto il risultato della pressione di questo pulsante.<\/p>\n

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

Nel campo function<\/i> \u00e8 possibile selezionare una specifica funzione per la ricerca di anomalie. Oltre a rared<\/i>, ci sono anche un paio di funzioni interessanti \u2014 time_of_day<\/i> e time_of_week<\/i><\/a><\/noindex>. Queste evidenziano anomalie nel comportamento delle metriche durante il giorno o la settimana, rispettivamente. 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 separare i risultati dell'analisi per ciascun valore specificato di questo campo del documento. Se riempi over_field_name<\/i> si otterr\u00e0 un'analisi della popolazione, come esaminato in precedenza. Se specifichi un valore in partition_field_name<\/i>, allora su questo campo del documento verranno calcolate linee base separate per ciascun valore (ad esempio, il nome del server o il processo sul server pu\u00f2 fungere da valore). In exclude_frequent<\/i> puoi scegliere all<\/i> o none<\/i>, il che significa escludere (o includere) valori frequenti dei campi dei documenti.<\/p>\n

In questo articolo abbiamo cercato di fornire una panoramica concisa sulle capacit\u00e0 del machine learning in Elastic Stack, ma ci sono ancora molti dettagli da esplorare. Raccontateci nei commenti quali casi avete risolto utilizzando Elastic Stack e per quali compiti lo utilizzate. Potete contattarci tramite 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\udd47Approfondiamo il Machine Learning in Elastic Stack (ovvero Elasticsearch, ovvero ELK) | ProHoster","description":"Ricordiamo che alla base di Elastic Stack ci sono il database non relazionale Elasticsearch, l'interfaccia web Kibana e i raccoglitori di dati (il pi\u00f9 noto \u00e8 Logstash, insieme a vari Beats, APM e altri). Un'aggiunta gradevole all'intero stack di prodotti \u00e8 l'analisi dei dati mediante algoritmi di machine learning. In questo articolo analizziamo cosa rappresentano questi algoritmi. Vi chiediamo di continuare a leggere. Machine learning","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, \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\/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}]}}