ຄວາມເຂົ້າໃຈການຮຽນຮູ້ເຄື່ອງຈັກໃນ Elastic Stack (aka Elasticsearch, aka ELK)

ໃຫ້ພວກເຮົາຈື່ວ່າ Elastic Stack ແມ່ນອີງໃສ່ຖານຂໍ້ມູນ Elasticsearch ທີ່ບໍ່ກ່ຽວຂ້ອງ, ການໂຕ້ຕອບເວັບ Kibana ແລະຕົວເກັບຂໍ້ມູນແລະໂປເຊດເຊີ (Logstash ທີ່ມີຊື່ສຽງທີ່ສຸດ, Beats ຕ່າງໆ, APM ແລະອື່ນໆ). ຫນຶ່ງໃນການເພີ່ມເຕີມທີ່ດີກັບ stack ຜະລິດຕະພັນທັງຫມົດທີ່ລະບຸໄວ້ແມ່ນການວິເຄາະຂໍ້ມູນໂດຍໃຊ້ລະບົບການຮຽນຮູ້ເຄື່ອງຈັກ. ໃນບົດຄວາມພວກເຮົາເຂົ້າໃຈສິ່ງທີ່ algorithms ເຫຼົ່ານີ້ແມ່ນ. ກະລຸນາພາຍໃຕ້ cat.

ການຮຽນຮູ້ຂອງເຄື່ອງຈັກແມ່ນຄຸນສົມບັດທີ່ຈ່າຍເງິນຂອງ shareware Elastic Stack ແລະລວມຢູ່ໃນ X-Pack. ເພື່ອເລີ່ມຕົ້ນໃຊ້ມັນ, ພຽງແຕ່ເປີດໃຊ້ການທົດລອງ 30 ມື້ຫຼັງຈາກການຕິດຕັ້ງ. ຫຼັງ​ຈາກ​ໄລ​ຍະ​ເວ​ລາ​ການ​ທົດ​ລອງ​ຫມົດ​ອາ​ຍຸ​, ທ່ານ​ສາ​ມາດ​ຮ້ອງ​ຂໍ​ການ​ສະ​ຫນັບ​ສະ​ຫນູນ​ເພື່ອ​ຂະ​ຫຍາຍ​ມັນ​ຫຼື​ຊື້​ການ​ສະ​ຫມັກ​ໄດ້​. ຄ່າໃຊ້ຈ່າຍຂອງການສະຫມັກແມ່ນຄໍານວນບໍ່ອີງໃສ່ປະລິມານຂໍ້ມູນ, ແຕ່ກ່ຽວກັບຈໍານວນຂອງ nodes ທີ່ໃຊ້. ບໍ່, ປະລິມານຂໍ້ມູນ, ແນ່ນອນ, ມີຜົນກະທົບຕໍ່ຈໍານວນຂອງ nodes ທີ່ຕ້ອງການ, ແຕ່ວິທີການນີ້ເພື່ອການອະນຸຍາດແມ່ນມີຄວາມເປັນມະນຸດຫຼາຍກ່ຽວກັບງົບປະມານຂອງບໍລິສັດ. ຖ້າບໍ່ຈໍາເປັນຕ້ອງມີຜົນຜະລິດສູງ, ທ່ານສາມາດປະຫຍັດເງິນໄດ້.

ML ໃນ Elastic Stack ແມ່ນຂຽນໃນ C ++ ແລະແລ່ນຢູ່ນອກ JVM, ເຊິ່ງ Elasticsearch ຕົວມັນເອງແລ່ນ. ນັ້ນແມ່ນ, ຂະບວນການ (ໂດຍວິທີທາງການ, ມັນຖືກເອີ້ນວ່າ autodetect) ກິນທຸກສິ່ງທຸກຢ່າງທີ່ JVM ບໍ່ໄດ້ກືນກິນ. ໃນຕົວສະແດງຕົວຢ່າງ, ນີ້ບໍ່ແມ່ນຄວາມສໍາຄັນຫຼາຍ, ແຕ່ໃນສະພາບແວດລ້ອມການຜະລິດມັນເປັນສິ່ງສໍາຄັນທີ່ຈະຈັດສັນ nodes ແຍກຕ່າງຫາກສໍາລັບວຽກງານ ML.

ຂັ້ນຕອນການຮຽນຮູ້ເຄື່ອງຈັກແບ່ງອອກເປັນສອງປະເພດ − ກັບອາຈານ и ໂດຍບໍ່ມີຄູສອນ. ໃນ Elastic Stack, ສູດການຄິດໄລ່ແມ່ນຢູ່ໃນປະເພດ "ບໍ່ມີການຄວບຄຸມ". ໂດຍ ການເຊື່ອມຕໍ່ນີ້ ທ່ານສາມາດເບິ່ງອຸປະກອນທາງຄະນິດສາດຂອງລະບົບການຮຽນຮູ້ເຄື່ອງຈັກ.

ເພື່ອປະຕິບັດການວິເຄາະ, ເຄື່ອງຈັກການຮຽນຮູ້ເຄື່ອງຈັກໃຊ້ຂໍ້ມູນທີ່ເກັບໄວ້ໃນດັດສະນີ Elasticsearch. ທ່ານສາມາດສ້າງວຽກງານສໍາລັບການວິເຄາະທັງຈາກການໂຕ້ຕອບ Kibana ແລະຜ່ານ API. ຖ້າທ່ານເຮັດສິ່ງນີ້ຜ່ານ Kibana, ທ່ານບໍ່ ຈຳ ເປັນຕ້ອງຮູ້ບາງຢ່າງ. ຕົວຢ່າງ, ດັດສະນີເພີ່ມເຕີມທີ່ algorithm ໃຊ້ໃນລະຫວ່າງການປະຕິບັດງານຂອງມັນ.

ຕົວຊີ້ວັດເພີ່ມເຕີມທີ່ໃຊ້ໃນຂະບວນການວິເຄາະ.ml-state — ຂໍ້ມູນກ່ຽວກັບຕົວແບບສະຖິຕິ (ການຕັ້ງຄ່າການວິເຄາະ);
.ml-anomalies-* — ຜົນໄດ້ຮັບຂອງ ML algorithms;
.ml-notifications — ການຕັ້ງຄ່າການແຈ້ງເຕືອນໂດຍອີງໃສ່ຜົນການວິເຄາະ.

ໂຄງສ້າງຂໍ້ມູນໃນຖານຂໍ້ມູນ Elasticsearch ປະກອບດ້ວຍດັດສະນີແລະເອກະສານທີ່ເກັບໄວ້ໃນພວກມັນ. ເມື່ອປຽບທຽບກັບຖານຂໍ້ມູນທີ່ກ່ຽວຂ້ອງ, ດັດຊະນີສາມາດຖືກປຽບທຽບກັບລະບົບຖານຂໍ້ມູນ, ແລະເອກະສານກັບບັນທຶກໃນຕາຕະລາງ. ການປຽບທຽບນີ້ແມ່ນມີເງື່ອນໄຂແລະຖືກສະຫນອງໃຫ້ງ່າຍດາຍຄວາມເຂົ້າໃຈຂອງເອກະສານເພີ່ມເຕີມສໍາລັບຜູ້ທີ່ໄດ້ຍິນພຽງແຕ່ກ່ຽວກັບ Elasticsearch.

ຫນ້າທີ່ດຽວກັນແມ່ນມີຢູ່ໂດຍຜ່ານ API ໂດຍຜ່ານການໂຕ້ຕອບເວັບ, ດັ່ງນັ້ນເພື່ອຄວາມຊັດເຈນແລະຄວາມເຂົ້າໃຈຂອງແນວຄວາມຄິດ, ພວກເຮົາຈະສະແດງວິທີການກໍານົດມັນຜ່ານ Kibana. ໃນເມນູດ້ານຊ້າຍມີພາກການຮຽນຮູ້ເຄື່ອງຈັກທີ່ທ່ານສາມາດສ້າງວຽກໃຫມ່. ໃນການໂຕ້ຕອບ Kibana ມັນຄ້າຍຄືຮູບພາບຂ້າງລຸ່ມນີ້. ໃນປັດຈຸບັນພວກເຮົາຈະວິເຄາະແຕ່ລະປະເພດຂອງວຽກງານແລະສະແດງປະເພດຂອງການວິເຄາະທີ່ສາມາດສ້າງໄດ້ທີ່ນີ້.

Single Metric - ການວິເຄາະຫນຶ່ງ metric, Multi Metric - ການວິເຄາະສອງຫຼືຫຼາຍ metrics. ໃນທັງສອງກໍລະນີ, ແຕ່ລະ metric ແມ່ນການວິເຄາະໃນສະພາບແວດລ້ອມທີ່ໂດດດ່ຽວ, i.e. ສູດການຄິດໄລ່ບໍ່ໄດ້ຄໍານຶງເຖິງພຶດຕິກໍາຂອງ metrics ການວິເຄາະຂະຫນານ, ຍ້ອນວ່າມັນອາດຈະເບິ່ງຄືວ່າໃນກໍລະນີຂອງ Multi Metric. ເພື່ອປະຕິບັດການຄິດໄລ່ໂດຍຄໍານຶງເຖິງຄວາມກ່ຽວຂ້ອງຂອງ metrics ຕ່າງໆ, ທ່ານສາມາດນໍາໃຊ້ການວິເຄາະປະຊາກອນ. ແລະ Advanced ແມ່ນການປັບ algorithms ທີ່ມີທາງເລືອກເພີ່ມເຕີມສໍາລັບວຽກງານທີ່ແນ່ນອນ.

ເມຕຣິກດຽວ

ການວິເຄາະການປ່ຽນແປງໃນ metric ດຽວແມ່ນສິ່ງທີ່ງ່າຍດາຍທີ່ສຸດທີ່ສາມາດເຮັດໄດ້ທີ່ນີ້. ຫຼັງຈາກຄລິກໃສ່ສ້າງວຽກ, ສູດການຄິດໄລ່ຈະຊອກຫາຄວາມຜິດປົກກະຕິ.

ໃນພາກສະຫນາມ ການລວມກັນ ທ່ານສາມາດເລືອກວິທີການຄົ້ນຫາຄວາມຜິດປົກກະຕິ. ຕົວຢ່າງ, ເມື່ອ min ຄ່າທີ່ຕໍ່າກວ່າຄ່າປົກກະຕິຈະຖືກພິຈາລະນາວ່າຜິດປົກກະຕິ. ກິນ ສູງສຸດ, ສູງ, ຕໍ່າ, ສະເລ່ຍ, ແຕກຕ່າງກັນ ແລະ​ອື່ນໆ. ລາຍລະອຽດຂອງຫນ້າທີ່ທັງຫມົດສາມາດພົບໄດ້ ການເຊື່ອມຕໍ່.

ໃນພາກສະຫນາມ ພາກສະຫນາມ ຊີ້ໃຫ້ເຫັນພາກສະຫນາມຕົວເລກໃນເອກະສານທີ່ພວກເຮົາຈະດໍາເນີນການວິເຄາະ.

ໃນພາກສະຫນາມ ຂອບເຂດຂອງຖັງ — ການ​ແບ່ງ​ຂັ້ນ​ຕອນ​ຂອງ​ໄລ​ຍະ​ເວ​ລາ​ທີ່​ການ​ວິ​ເຄາະ​ຈະ​ໄດ້​ຮັບ​ການ​ປະ​ຕິ​ບັດ​. ທ່ານສາມາດໄວ້ວາງໃຈອັດຕະໂນມັດຫຼືເລືອກດ້ວຍຕົນເອງ. ຮູບພາບຂ້າງລຸ່ມນີ້ແມ່ນຕົວຢ່າງຂອງ granularity ຕ່ໍາເກີນໄປ - ທ່ານອາດຈະພາດຄວາມຜິດປົກກະຕິ. ການນໍາໃຊ້ການຕັ້ງຄ່ານີ້, ທ່ານສາມາດປ່ຽນຄວາມອ່ອນໄຫວຂອງ algorithm ກັບຜິດປົກກະຕິ.

ໄລຍະເວລາຂອງຂໍ້ມູນທີ່ເກັບກໍາແມ່ນສິ່ງທີ່ສໍາຄັນທີ່ມີຜົນກະທົບຕໍ່ປະສິດທິພາບຂອງການວິເຄາະ. ໃນລະຫວ່າງການວິເຄາະ, ສູດການຄິດໄລ່ກໍານົດໄລຍະການຊ້ໍາກັນ, ຄິດໄລ່ໄລຍະຄວາມຫມັ້ນໃຈ (ເສັ້ນພື້ນຖານ) ແລະກໍານົດຄວາມຜິດປົກກະຕິ - ການບ່ຽງເບນ atypical ຈາກພຶດຕິກໍາປົກກະຕິຂອງ metric. ຕົວຢ່າງ:

ພື້ນຖານທີ່ມີຂໍ້ມູນນ້ອຍໆ:

ໃນເວລາທີ່ algorithm ມີບາງສິ່ງບາງຢ່າງທີ່ຈະຮຽນຮູ້ຈາກ, ພື້ນຖານເບິ່ງຄືວ່ານີ້:

ຫຼັງຈາກການເລີ່ມຕົ້ນວຽກງານ, ສູດການຄິດໄລ່ຈະກໍານົດຄວາມຜິດປົກກະຕິທີ່ຜິດປົກກະຕິຈາກມາດຕະຖານແລະຈັດລໍາດັບມັນຕາມຄວາມເປັນໄປໄດ້ຂອງຄວາມຜິດປົກກະຕິ (ສີຂອງປ້າຍຊື່ທີ່ສອດຄ້ອງກັນແມ່ນສະແດງຢູ່ໃນວົງເລັບ):

ຄຳເຕືອນ (ສີຟ້າ): ໜ້ອຍກວ່າ 25
ເລັກນ້ອຍ (ສີເຫຼືອງ): 25-50
ຕົ້ນຕໍ (ສີສົ້ມ): 50-75
ຄວາມສໍາຄັນ (ສີແດງ): 75-100

ເສັ້ນສະແດງຂ້າງລຸ່ມນີ້ສະແດງໃຫ້ເຫັນຕົວຢ່າງຂອງຄວາມຜິດປົກກະຕິທີ່ພົບເຫັນ.

ໃນທີ່ນີ້ທ່ານສາມາດເບິ່ງຕົວເລກ 94, ເຊິ່ງຊີ້ໃຫ້ເຫັນເຖິງຄວາມເປັນໄປໄດ້ຂອງຄວາມຜິດປົກກະຕິ. ມັນເປັນທີ່ຊັດເຈນວ່ານັບຕັ້ງແຕ່ມູນຄ່າຢູ່ໃກ້ກັບ 100, ມັນຫມາຍຄວາມວ່າພວກເຮົາມີຄວາມຜິດປົກກະຕິ. ຖັນຂ້າງລຸ່ມຂອງກຣາຟສະແດງໃຫ້ເຫັນຄວາມເປັນໄປໄດ້ເລັກນ້ອຍທີ່ເປັນ pejoratively ຂອງ 0.000063634% ຂອງມູນຄ່າ metric ທີ່ປາກົດຢູ່ທີ່ນັ້ນ.

ນອກເຫນືອຈາກການຊອກຫາຄວາມຜິດປົກກະຕິ, ທ່ານສາມາດດໍາເນີນການຄາດຄະເນໃນ Kibana. ນີ້ແມ່ນເຮັດຢ່າງງ່າຍດາຍແລະຈາກທັດສະນະດຽວກັນກັບຄວາມຜິດປົກກະຕິ - ປຸ່ມ ການຄາດຄະເນ ໃນແຈຂວາເທິງ.

ການ​ຄາດ​ຄະ​ເນ​ແມ່ນ​ໄດ້​ເຮັດ​ໃຫ້​ສູງ​ສຸດ 8 ອາ​ທິດ​ລ່ວງ​ຫນ້າ. ເຖິງແມ່ນວ່າທ່ານຕ້ອງການແທ້ໆ, ມັນເປັນໄປບໍ່ໄດ້ໂດຍການອອກແບບ.

ໃນບາງສະຖານະການ, ການຄາດຄະເນຈະເປັນປະໂຫຍດຫຼາຍ, ຕົວຢ່າງ, ເມື່ອຕິດຕາມການໂຫຼດຂອງຜູ້ໃຊ້ໃນໂຄງສ້າງພື້ນຖານ.

Multi Metric

ໃຫ້ກ້າວໄປສູ່ຄຸນສົມບັດ ML ຕໍ່ໄປໃນ Elastic Stack - ການວິເຄາະຕົວຊີ້ວັດຫຼາຍອັນໃນຊຸດດຽວ. ແຕ່ນີ້ບໍ່ໄດ້ຫມາຍຄວາມວ່າການເອື່ອຍອີງຂອງຫນຶ່ງ metric ກັບອີກອັນຫນຶ່ງຈະຖືກວິເຄາະ. ນີ້ແມ່ນຄືກັນກັບ Single Metric, ແຕ່ມີຫຼາຍ metrics ໃນຫນ້າຈໍຫນຶ່ງສໍາລັບການປຽບທຽບງ່າຍຂອງຜົນກະທົບຂອງຫນຶ່ງຕໍ່ຄົນອື່ນ. ພວກເຮົາຈະເວົ້າກ່ຽວກັບການວິເຄາະການເພິ່ງພາອາໄສຂອງຕົວຊີ້ວັດອັນໜຶ່ງຕໍ່ອີກອັນໜຶ່ງໃນໝວດປະຊາກອນ.

ຫຼັງຈາກຄລິກໃສ່ສີ່ຫຼ່ຽມມົນດ້ວຍ Multi Metric, ປ່ອງຢ້ຽມທີ່ມີການຕັ້ງຄ່າຈະປາກົດ. ໃຫ້ເບິ່ງພວກເຂົາໃນລາຍລະອຽດເພີ່ມເຕີມ.

ກ່ອນອື່ນ ໝົດ, ທ່ານ ຈຳ ເປັນຕ້ອງເລືອກຂົງເຂດ ສຳ ລັບການວິເຄາະແລະການລວບລວມຂໍ້ມູນໃສ່ພວກມັນ. ທາງ​ເລືອກ​ການ​ລວມ​ຢູ່​ທີ່​ນີ້​ແມ່ນ​ຄື​ກັນ​ກັບ​ສໍາ​ລັບ​ການ​ດຽວ Metric (ສູງສຸດ, ສູງ, ຕໍ່າ, ສະເລ່ຍ, ແຕກຕ່າງກັນ ແລະ​ອື່ນໆ). ນອກຈາກນັ້ນ, ຖ້າຕ້ອງການ, ຂໍ້ມູນຖືກແບ່ງອອກເປັນຫນຶ່ງພາກສະຫນາມ (ພາກສະຫນາມ ແຍກຂໍ້ມູນ). ໃນຕົວຢ່າງ, ພວກເຮົາໄດ້ເຮັດນີ້ໂດຍພາກສະຫນາມ ID ສະໜາມບິນຕົ້ນທາງ. ສັງເກດເຫັນວ່າຕາຕະລາງ metrics ທາງດ້ານຂວາຖືກນໍາສະເຫນີເປັນຫຼາຍກາຟ.

ພາກສະຫນາມ ຊ່ອງຂໍ້ມູນຫຼັກ (Influencers) ມີຜົນກະທົບໂດຍກົງຕໍ່ຄວາມຜິດປົກກະຕິທີ່ກວດພົບ. ໂດຍຄ່າເລີ່ມຕົ້ນມັນຈະມີຢ່າງໜ້ອຍໜຶ່ງຄ່າຢູ່ບ່ອນນີ້, ແລະທ່ານສາມາດເພີ່ມຄ່າເພີ່ມເຕີມໄດ້. ສູດການຄິດໄລ່ຈະພິຈາລະນາອິດທິພົນຂອງຂົງເຂດເຫຼົ່ານີ້ເມື່ອວິເຄາະແລະສະແດງຄຸນຄ່າ "ອິດທິພົນ" ທີ່ສຸດ.

ຫຼັງຈາກການເປີດຕົວ, ບາງສິ່ງບາງຢ່າງເຊັ່ນນີ້ຈະປາກົດຢູ່ໃນການໂຕ້ຕອບ Kibana.

ນີ້ແມ່ນອັນທີ່ເອີ້ນວ່າ ແຜນທີ່ຄວາມຮ້ອນຂອງຜິດປົກກະຕິສໍາລັບແຕ່ລະຄ່າພາກສະຫນາມ ID ສະໜາມບິນຕົ້ນທາງ, ທີ່ພວກເຮົາຊີ້ໃຫ້ເຫັນໃນ ແຍກຂໍ້ມູນ. ເຊັ່ນດຽວກັນກັບ Single Metric, ສີຊີ້ໃຫ້ເຫັນເຖິງລະດັບຄວາມບ່ຽງເບນທີ່ຜິດປົກກະຕິ. ມັນສະດວກທີ່ຈະເຮັດການວິເຄາະທີ່ຄ້າຍຄືກັນ, ສໍາລັບຕົວຢ່າງ, ໃນສະຖານີເຮັດວຽກເພື່ອຕິດຕາມຜູ້ທີ່ມີຈໍານວນການອະນຸຍາດຈໍານວນຫລາຍທີ່ຫນ້າສົງໄສ, ແລະອື່ນໆ. ພວກເຮົາຂຽນແລ້ວ ກ່ຽວກັບເຫດການທີ່ຫນ້າສົງໄສໃນ EventLog Windows, ເຊິ່ງຍັງສາມາດເກັບກໍາແລະວິເຄາະຢູ່ທີ່ນີ້.

ຂ້າງລຸ່ມນີ້ແຜນທີ່ຄວາມຮ້ອນແມ່ນບັນຊີລາຍຊື່ຂອງຄວາມຜິດປະກະຕິ, ຈາກແຕ່ລະທ່ານສາມາດສະຫຼັບກັບມຸມເບິ່ງດຽວ Metric ສໍາລັບການວິເຄາະລາຍລະອຽດ.

ປະຊາກອນ

ເພື່ອຊອກຫາຄວາມຜິດປົກກະຕິລະຫວ່າງຄວາມກ່ຽວຂ້ອງກັນລະຫວ່າງຕົວວັດແທກທີ່ແຕກຕ່າງກັນ, Elastic Stack ມີການວິເຄາະປະຊາກອນສະເພາະ. ມັນແມ່ນການຊ່ວຍເຫຼືອຂອງມັນທີ່ທ່ານສາມາດຊອກຫາຄ່າຜິດປົກກະຕິໃນການປະຕິບັດຂອງເຄື່ອງແມ່ຂ່າຍທຽບກັບຄົນອື່ນເມື່ອ, ຕົວຢ່າງ, ຈໍານວນການຮ້ອງຂໍຕໍ່ລະບົບເປົ້າຫມາຍເພີ່ມຂຶ້ນ.

ໃນຕົວຢ່າງນີ້, ພາກສະຫນາມປະຊາກອນຊີ້ໃຫ້ເຫັນເຖິງມູນຄ່າທີ່ຕົວຊີ້ວັດທີ່ວິເຄາະຈະກ່ຽວຂ້ອງ. ໃນກໍລະນີນີ້ມັນເປັນຊື່ຂອງຂະບວນການ. ດັ່ງນັ້ນ, ພວກເຮົາຈະເບິ່ງວິທີການໂຫຼດຂອງໂປເຊດເຊີຂອງແຕ່ລະຂະບວນການມີອິດທິພົນຕໍ່ກັນແລະກັນ.

ກະລຸນາຮັບຊາບວ່າເສັ້ນສະແດງຂອງຂໍ້ມູນທີ່ວິເຄາະແຕກຕ່າງຈາກກໍລະນີທີ່ມີ Single Metric ແລະ Multi Metric. ນີ້ແມ່ນເຮັດໃນ Kibana ໂດຍການອອກແບບສໍາລັບການຮັບຮູ້ການປັບປຸງການແຈກຢາຍມູນຄ່າຂອງຂໍ້ມູນການວິເຄາະ.

ເສັ້ນສະແດງສະແດງໃຫ້ເຫັນວ່າຂະບວນການປະຕິບັດຕົວຜິດປົກກະຕິ ຄວາມກົດດັນ (ໂດຍວິທີທາງການ, ສ້າງຂຶ້ນໂດຍຜົນປະໂຫຍດພິເສດ) ໃນເຄື່ອງແມ່ຂ່າຍ ປຸ້ຍ, ຜູ້​ທີ່​ມີ​ອິດ​ທິ​ພົນ (ຫຼື​ຫັນ​ອອກ​ເປັນ​ອິດ​ທິ​ພົນ​) ການ​ປະ​ກົດ​ຕົວ​ຂອງ​ຄວາມ​ຜິດ​ປົກ​ກະ​ຕິ​ນີ້​.

ແບບ​ພິ​ເສດ

ການວິເຄາະດ້ວຍການປັບລະອຽດ. ດ້ວຍການວິເຄາະຂັ້ນສູງ, ການຕັ້ງຄ່າເພີ່ມເຕີມຈະປາກົດຢູ່ໃນ Kibana. ຫຼັງ​ຈາກ​ການ​ຄລິກ​ໃສ່​ກະ​ເບື້ອງ​ຂັ້ນ​ສູງ​ໃນ​ເມ​ນູ​ການ​ສ້າງ​, ປ່ອງ​ຢ້ຽມ​ທີ່​ມີ​ແຖບ​ນີ້​ຈະ​ປາ​ກົດ​ຂຶ້ນ​. ແຖບ ລາຍລະອຽດວຽກ ພວກເຮົາຂ້າມມັນໂດຍຈຸດປະສົງ, ມີການຕັ້ງຄ່າພື້ນຖານທີ່ບໍ່ກ່ຽວຂ້ອງໂດຍກົງກັບການຕັ້ງຄ່າການວິເຄາະ.

В summary_count_field_name ທາງເລືອກອື່ນ, ທ່ານສາມາດລະບຸຊື່ຂອງຊ່ອງຂໍ້ມູນຈາກເອກະສານທີ່ມີຄ່າລວມ. ໃນຕົວຢ່າງນີ້, ຈໍານວນເຫດການຕໍ່ນາທີ. IN categorization_field_name ຊີ້ບອກຊື່ ແລະຄ່າຂອງຊ່ອງຂໍ້ມູນຈາກເອກະສານທີ່ມີຄ່າຕົວແປບາງອັນ. ການນໍາໃຊ້ຫນ້າກາກໃນພາກສະຫນາມນີ້, ທ່ານສາມາດແບ່ງປັນຂໍ້ມູນທີ່ວິເຄາະອອກເປັນຊຸດຍ່ອຍ. ເອົາໃຈໃສ່ກັບປຸ່ມ ເພີ່ມເຄື່ອງກວດຈັບ ໃນຕົວຢ່າງທີ່ຜ່ານມາ. ຂ້າງລຸ່ມນີ້ແມ່ນຜົນຂອງການຄລິກໃສ່ປຸ່ມນີ້.

ນີ້ແມ່ນບລັອກເພີ່ມເຕີມຂອງການຕັ້ງຄ່າສໍາລັບການຕັ້ງຄ່າເຄື່ອງກວດຈັບຜິດປົກກະຕິສໍາລັບວຽກງານສະເພາະ. ພວກເຮົາວາງແຜນທີ່ຈະປຶກສາຫາລືກໍລະນີການນໍາໃຊ້ສະເພາະ (ໂດຍສະເພາະແມ່ນຄວາມປອດໄພ) ໃນບົດຄວາມຕໍ່ໄປນີ້. ຍົກ​ຕົວ​ຢ່າງ, ເບິ່ງ ຫນຶ່ງ​ໃນ​ກໍ​ລະ​ນີ disassembled​. ມັນກ່ຽວຂ້ອງກັບການຄົ້ນຫາສໍາລັບຄ່າທີ່ບໍ່ຄ່ອຍຈະປາກົດແລະຖືກປະຕິບັດ ຫນ້າທີ່ຫາຍາກ.

ໃນພາກສະຫນາມ ຫນ້າທີ່ ທ່ານສາມາດເລືອກຟັງຊັນສະເພາະເພື່ອຄົ້ນຫາຄວາມຜິດປົກກະຕິ. ຍົກເວັ້ນ ຫາຍາກ, ມີ​ສອງ​ຫນ້າ​ທີ່​ຫນ້າ​ສົນ​ໃຈ​ຫຼາຍ - time_of_day и time_of_week. ພວກເຂົາກໍານົດຄວາມຜິດປົກກະຕິໃນພຶດຕິກໍາຂອງ metrics ຕະຫຼອດມື້ຫຼືອາທິດ, ຕາມລໍາດັບ. ຫນ້າທີ່ການວິເຄາະອື່ນໆ ຢູ່ໃນເອກະສານ.

В field_name ຊີ້ໃຫ້ເຫັນພາກສະຫນາມຂອງເອກະສານທີ່ການວິເຄາະຈະດໍາເນີນການ. By_field_name ສາມາດໃຊ້ເພື່ອແຍກຜົນການວິເຄາະສໍາລັບແຕ່ລະຄ່າສ່ວນບຸກຄົນຂອງຊ່ອງເອກະສານທີ່ລະບຸໄວ້ທີ່ນີ້. ຖ້າທ່ານຕື່ມ over_field_name ທ່ານໄດ້ຮັບການວິເຄາະປະຊາກອນທີ່ພວກເຮົາໄດ້ສົນທະນາຂ້າງເທິງ. ຖ້າທ່ານລະບຸຄ່າໃນ partition_field_name, ຫຼັງຈາກນັ້ນສໍາລັບພາກສະຫນາມຂອງເອກະສານນີ້ເສັ້ນພື້ນຖານທີ່ແຍກຕ່າງຫາກຈະຖືກຄິດໄລ່ສໍາລັບແຕ່ລະມູນຄ່າ (ຄ່າສາມາດເປັນ, ຕົວຢ່າງ, ຊື່ຂອງເຄື່ອງແມ່ຂ່າຍຫຼືຂະບວນການໃນເຄື່ອງແມ່ຂ່າຍ). IN exclude_frequent ສາມາດເລືອກໄດ້ ທັງຫມົດ ຫຼື none, ເຊິ່ງຈະຫມາຍຄວາມວ່າບໍ່ລວມ (ຫຼືລວມທັງ) ຄ່າພາກສະຫນາມເອກະສານທີ່ເກີດຂຶ້ນເລື້ອຍໆ.

ໃນບົດຄວາມນີ້, ພວກເຮົາໄດ້ພະຍາຍາມໃຫ້ຄວາມຄິດທີ່ຊັດເຈນເທົ່າທີ່ເປັນໄປໄດ້ກ່ຽວກັບຄວາມສາມາດຂອງການຮຽນຮູ້ເຄື່ອງຈັກໃນ Elastic Stack; ບອກພວກເຮົາໃນຄໍາເຫັນວ່າກໍລະນີໃດທີ່ເຈົ້າແກ້ໄຂໄດ້ໂດຍໃຊ້ Elastic Stack ແລະວຽກງານໃດທີ່ທ່ານໃຊ້ມັນສໍາລັບ. ເພື່ອຕິດຕໍ່ພວກເຮົາ, ທ່ານສາມາດນໍາໃຊ້ຂໍ້ຄວາມສ່ວນບຸກຄົນກ່ຽວກັບ Habré ຫຼື ແບບຟອມຄໍາຄຶດຄໍາເຫັນຢູ່ໃນເວັບໄຊທ໌.

ແຫຼ່ງຂໍ້ມູນ: www.habr.com