ഇലാസ്റ്റിക് സ്റ്റാക്കിൽ മെഷീൻ ലേണിംഗ് മനസ്സിലാക്കുക (ഇലാസ്റ്റിക് സെർച്ച്, അല്ലെങ്കിൽ ELK)

ഇലാസ്റ്റിക് സ്റ്റാക്ക് നോൺ-റിലേഷണൽ ഇലാസ്റ്റിക് സെർച്ച് ഡാറ്റാബേസ്, കിബാന വെബ് ഇന്റർഫേസ്, ഡാറ്റാ കളക്ടർ, പ്രോസസ്സറുകൾ (ഏറ്റവും പ്രശസ്തമായ ലോഗ്സ്റ്റാഷ്, വിവിധ ബീറ്റുകൾ, എപിഎം എന്നിവയും മറ്റുള്ളവയും) അടിസ്ഥാനമാക്കിയുള്ളതാണെന്ന് നമുക്ക് ഓർക്കാം. മെഷീൻ ലേണിംഗ് അൽഗോരിതം ഉപയോഗിച്ചുള്ള ഡാറ്റാ വിശകലനമാണ് ലിസ്റ്റുചെയ്ത മുഴുവൻ ഉൽപ്പന്ന സ്റ്റാക്കിലെയും മികച്ച കൂട്ടിച്ചേർക്കലുകളിൽ ഒന്ന്. ഈ അൽഗോരിതങ്ങൾ എന്താണെന്ന് ലേഖനത്തിൽ നമ്മൾ മനസ്സിലാക്കുന്നു. ദയവായി പൂച്ചയുടെ കീഴിൽ.

മെഷീൻ ലേണിംഗ് എന്നത് ഷെയർവെയർ ഇലാസ്റ്റിക് സ്റ്റാക്കിന്റെ പണമടച്ചുള്ള സവിശേഷതയാണ്, ഇത് എക്സ്-പാക്കിൽ ഉൾപ്പെടുത്തിയിട്ടുണ്ട്. ഇത് ഉപയോഗിക്കാൻ തുടങ്ങുന്നതിന്, ഇൻസ്റ്റാളേഷന് ശേഷം 30 ദിവസത്തെ ട്രയൽ സജീവമാക്കുക. ട്രയൽ കാലയളവ് കാലഹരണപ്പെട്ടതിന് ശേഷം, അത് നീട്ടുന്നതിനോ ഒരു സബ്സ്ക്രിപ്ഷൻ വാങ്ങുന്നതിനോ നിങ്ങൾക്ക് പിന്തുണ അഭ്യർത്ഥിക്കാം. ഒരു സബ്‌സ്‌ക്രിപ്‌ഷന്റെ വില കണക്കാക്കുന്നത് ഡാറ്റയുടെ അളവിനെ അടിസ്ഥാനമാക്കിയല്ല, മറിച്ച് ഉപയോഗിച്ച നോഡുകളുടെ എണ്ണത്തെ അടിസ്ഥാനമാക്കിയാണ്. ഇല്ല, ഡാറ്റയുടെ അളവ്, തീർച്ചയായും, ആവശ്യമായ നോഡുകളുടെ എണ്ണത്തെ ബാധിക്കുന്നു, പക്ഷേ ഇപ്പോഴും ലൈസൻസിംഗിനായുള്ള ഈ സമീപനം കമ്പനിയുടെ ബജറ്റുമായി ബന്ധപ്പെട്ട് കൂടുതൽ മാനുഷികമാണ്. ഉയർന്ന ഉൽപ്പാദനക്ഷമത ആവശ്യമില്ലെങ്കിൽ, നിങ്ങൾക്ക് പണം ലാഭിക്കാം.

ഇലാസ്റ്റിക് സ്റ്റാക്കിലെ ML C++ ൽ എഴുതിയിരിക്കുന്നു, കൂടാതെ JVM-ന് പുറത്ത് പ്രവർത്തിക്കുന്നു, അതിൽ തന്നെ Elasticsearch പ്രവർത്തിക്കുന്നു. അതായത്, പ്രക്രിയ (വഴിയിൽ, ഇതിനെ ഓട്ടോഡിറ്റക്റ്റ് എന്ന് വിളിക്കുന്നു) JVM വിഴുങ്ങാത്ത എല്ലാം ഉപയോഗിക്കുന്നു. ഒരു ഡെമോ സ്റ്റാൻഡിൽ ഇത് അത്ര നിർണായകമല്ല, എന്നാൽ ഒരു പ്രൊഡക്ഷൻ പരിതസ്ഥിതിയിൽ ML ടാസ്‌ക്കുകൾക്കായി പ്രത്യേക നോഡുകൾ അനുവദിക്കേണ്ടത് പ്രധാനമാണ്.

മെഷീൻ ലേണിംഗ് അൽഗോരിതങ്ങൾ രണ്ട് വിഭാഗങ്ങളായി തിരിച്ചിരിക്കുന്നു - ടീച്ചറുമായി и ഒരു അധ്യാപകനില്ലാതെ. ഇലാസ്റ്റിക് സ്റ്റാക്കിൽ, അൽഗോരിതം "മേൽനോട്ടമില്ലാത്ത" വിഭാഗത്തിലാണ്. എഴുതിയത് ഈ ലിങ്ക് മെഷീൻ ലേണിംഗ് അൽഗോരിതങ്ങളുടെ ഗണിതശാസ്ത്ര ഉപകരണം നിങ്ങൾക്ക് കാണാൻ കഴിയും.

വിശകലനം നടത്താൻ, മെഷീൻ ലേണിംഗ് അൽഗോരിതം ഇലാസ്റ്റിക് സെർച്ച് ഇൻഡക്സുകളിൽ സംഭരിച്ചിരിക്കുന്ന ഡാറ്റ ഉപയോഗിക്കുന്നു. കിബാന ഇന്റർഫേസിൽ നിന്നും API വഴിയും നിങ്ങൾക്ക് വിശകലനത്തിനായി ടാസ്‌ക്കുകൾ സൃഷ്‌ടിക്കാൻ കഴിയും. നിങ്ങൾ ഇത് കിബാനയിലൂടെ ചെയ്യുകയാണെങ്കിൽ, നിങ്ങൾ ചില കാര്യങ്ങൾ അറിയേണ്ടതില്ല. ഉദാഹരണത്തിന്, അൽഗോരിതം അതിന്റെ പ്രവർത്തന സമയത്ത് ഉപയോഗിക്കുന്ന അധിക സൂചികകൾ.

വിശകലന പ്രക്രിയയിൽ ഉപയോഗിക്കുന്ന അധിക സൂചികകൾ.ml-state — സ്റ്റാറ്റിസ്റ്റിക്കൽ മോഡലുകളെക്കുറിച്ചുള്ള വിവരങ്ങൾ (വിശകലന ക്രമീകരണങ്ങൾ);
.ml-anomalies-* — ML അൽഗോരിതങ്ങളുടെ ഫലങ്ങൾ;
.ml-notifications — വിശകലന ഫലങ്ങളെ അടിസ്ഥാനമാക്കിയുള്ള അറിയിപ്പുകൾക്കുള്ള ക്രമീകരണങ്ങൾ.

ഇലാസ്റ്റിക് സെർച്ച് ഡാറ്റാബേസിലെ ഡാറ്റാ ഘടന അവയിൽ സംഭരിച്ചിരിക്കുന്ന സൂചികകളും രേഖകളും ഉൾക്കൊള്ളുന്നു. ഒരു റിലേഷണൽ ഡാറ്റാബേസുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ, ഒരു സൂചികയെ ഒരു ഡാറ്റാബേസ് സ്കീമയുമായും ഒരു ഡോക്യുമെന്റിനെ ഒരു പട്ടികയിലെ റെക്കോർഡുമായും താരതമ്യം ചെയ്യാം. ഈ താരതമ്യം സോപാധികമാണ് കൂടാതെ ഇലാസ്റ്റിക് സെർച്ചിനെക്കുറിച്ച് മാത്രം കേട്ടിട്ടുള്ളവർക്ക് കൂടുതൽ മെറ്റീരിയലുകളെക്കുറിച്ചുള്ള ധാരണ ലളിതമാക്കുന്നതിനാണ് ഇത് നൽകിയിരിക്കുന്നത്.

വെബ് ഇന്റർഫേസ് വഴിയുള്ള അതേ പ്രവർത്തനം API വഴിയും ലഭ്യമാണ്, അതിനാൽ ആശയങ്ങളുടെ വ്യക്തതയ്ക്കും ധാരണയ്ക്കും, കിബാനയിലൂടെ ഇത് എങ്ങനെ ക്രമീകരിക്കാമെന്ന് ഞങ്ങൾ കാണിക്കും. ഇടതുവശത്തുള്ള മെനുവിൽ നിങ്ങൾക്ക് ഒരു പുതിയ ജോലി സൃഷ്ടിക്കാൻ കഴിയുന്ന ഒരു മെഷീൻ ലേണിംഗ് വിഭാഗമുണ്ട്. കിബാന ഇന്റർഫേസിൽ ഇത് ചുവടെയുള്ള ചിത്രം പോലെ കാണപ്പെടുന്നു. ഇപ്പോൾ ഞങ്ങൾ ഓരോ തരത്തിലുള്ള ജോലികളും വിശകലനം ചെയ്യുകയും ഇവിടെ നിർമ്മിക്കാൻ കഴിയുന്ന വിശകലന തരങ്ങൾ കാണിക്കുകയും ചെയ്യും.

സിംഗിൾ മെട്രിക് - ഒരു മെട്രിക്കിന്റെ വിശകലനം, മൾട്ടി മെട്രിക് - രണ്ടോ അതിലധികമോ മെട്രിക്കുകളുടെ വിശകലനം. രണ്ട് സാഹചര്യങ്ങളിലും, ഓരോ മെട്രിക്കും ഒരു ഒറ്റപ്പെട്ട പരിതസ്ഥിതിയിൽ വിശകലനം ചെയ്യുന്നു, അതായത്. മൾട്ടി മെട്രിക്കിന്റെ കാര്യത്തിൽ തോന്നിയേക്കാവുന്നതുപോലെ, സമാന്തരമായി വിശകലനം ചെയ്ത മെട്രിക്കുകളുടെ സ്വഭാവം അൽഗോരിതം കണക്കിലെടുക്കുന്നില്ല. വിവിധ അളവുകളുടെ പരസ്പരബന്ധം കണക്കിലെടുത്ത് കണക്കുകൂട്ടലുകൾ നടത്താൻ, നിങ്ങൾക്ക് ജനസംഖ്യാ വിശകലനം ഉപയോഗിക്കാം. ചില ടാസ്‌ക്കുകൾക്കുള്ള അധിക ഓപ്‌ഷനുകൾ ഉപയോഗിച്ച് അൽഗോരിതങ്ങൾ മികച്ച രീതിയിൽ ക്രമീകരിക്കുന്നതാണ് അഡ്വാൻസ്‌ഡ്.

സിംഗിൾ മെട്രിക്

ഒരൊറ്റ മെട്രിക്കിലെ മാറ്റങ്ങൾ വിശകലനം ചെയ്യുക എന്നതാണ് ഇവിടെ ചെയ്യാൻ കഴിയുന്ന ഏറ്റവും ലളിതമായ കാര്യം. ജോലി സൃഷ്ടിക്കുക എന്നതിൽ ക്ലിക്ക് ചെയ്ത ശേഷം, അൽഗോരിതം അപാകതകൾക്കായി നോക്കും.

ഫീൽഡിൽ സംഗ്രഹം അപാകതകൾക്കായി തിരയുന്നതിനുള്ള ഒരു സമീപനം നിങ്ങൾക്ക് തിരഞ്ഞെടുക്കാം. ഉദാഹരണത്തിന്, എപ്പോൾ കുറഞ്ഞത് സാധാരണ മൂല്യങ്ങൾക്ക് താഴെയുള്ള മൂല്യങ്ങൾ അസാധാരണമായി കണക്കാക്കും. കഴിക്കുക പരമാവധി, ഉയർന്ന ശരാശരി, താഴ്ന്ന, ശരാശരി, വ്യതിരിക്തം മറ്റുള്ളവരും. എല്ലാ പ്രവർത്തനങ്ങളുടെയും വിവരണങ്ങൾ കണ്ടെത്താനാകും ബന്ധം.

ഫീൽഡിൽ ഫീൽഡ് ഞങ്ങൾ വിശകലനം നടത്തുന്ന പ്രമാണത്തിലെ സംഖ്യാ ഫീൽഡ് സൂചിപ്പിക്കുന്നു.

ഫീൽഡിൽ ബക്കറ്റ് സ്പാൻ - വിശകലനം നടത്തുന്ന ടൈംലൈനിലെ ഇടവേളകളുടെ ഗ്രാനുലാരിറ്റി. നിങ്ങൾക്ക് ഓട്ടോമേഷൻ വിശ്വസിക്കാം അല്ലെങ്കിൽ സ്വമേധയാ തിരഞ്ഞെടുക്കാം. ഗ്രാനുലാരിറ്റി വളരെ കുറവാണെന്നതിന്റെ ഒരു ഉദാഹരണമാണ് ചുവടെയുള്ള ചിത്രം - നിങ്ങൾക്ക് അപാകത നഷ്ടമായേക്കാം. ഈ ക്രമീകരണം ഉപയോഗിച്ച്, നിങ്ങൾക്ക് അൽഗോരിതത്തിന്റെ സംവേദനക്ഷമത അപാകതകളിലേക്ക് മാറ്റാനാകും.

ശേഖരിച്ച ഡാറ്റയുടെ ദൈർഘ്യം വിശകലനത്തിന്റെ ഫലപ്രാപ്തിയെ ബാധിക്കുന്ന ഒരു പ്രധാന കാര്യമാണ്. വിശകലന സമയത്ത്, അൽഗോരിതം ആവർത്തിച്ചുള്ള ഇടവേളകൾ തിരിച്ചറിയുന്നു, ആത്മവിശ്വാസ ഇടവേളകൾ (അടിസ്ഥാനരേഖകൾ) കണക്കാക്കുന്നു, കൂടാതെ മെട്രിക്കിന്റെ സാധാരണ സ്വഭാവത്തിൽ നിന്നുള്ള അസാധാരണമായ വ്യതിയാനങ്ങൾ തിരിച്ചറിയുന്നു. ഉദാഹരണത്തിന്:

ഒരു ചെറിയ ഡാറ്റയുള്ള അടിസ്ഥാനരേഖകൾ:

അൽഗോരിതത്തിൽ നിന്ന് എന്തെങ്കിലും പഠിക്കാനുണ്ടെങ്കിൽ, അടിസ്ഥാനം ഇതുപോലെ കാണപ്പെടുന്നു:

ടാസ്‌ക് ആരംഭിച്ചതിന് ശേഷം, അൽഗോരിതം മാനദണ്ഡത്തിൽ നിന്നുള്ള അസാധാരണ വ്യതിയാനങ്ങൾ നിർണ്ണയിക്കുകയും ഒരു അപാകതയുടെ സാധ്യത അനുസരിച്ച് അവയെ റാങ്ക് ചെയ്യുകയും ചെയ്യുന്നു (അനുബന്ധ ലേബലിന്റെ നിറം പരാൻതീസിസിൽ സൂചിപ്പിച്ചിരിക്കുന്നു):

മുന്നറിയിപ്പ് (നീല): 25-ൽ താഴെ
മൈനർ (മഞ്ഞ): 25-50
മേജർ (ഓറഞ്ച്): 50-75
ക്രിട്ടിക്കൽ (ചുവപ്പ്): 75-100

ചുവടെയുള്ള ഗ്രാഫ് കണ്ടെത്തിയ അപാകതകളുടെ ഒരു ഉദാഹരണം കാണിക്കുന്നു.

ഇവിടെ നിങ്ങൾക്ക് 94 എന്ന നമ്പർ കാണാം, ഇത് ഒരു അപാകതയുടെ സാധ്യതയെ സൂചിപ്പിക്കുന്നു. മൂല്യം 100-ന് അടുത്തായതിനാൽ, നമുക്ക് ഒരു അപാകതയുണ്ടെന്നാണ് ഇതിനർത്ഥം. ഗ്രാഫിന് താഴെയുള്ള കോളം അവിടെ ദൃശ്യമാകുന്ന മെട്രിക് മൂല്യത്തിന്റെ 0.000063634% എന്ന ചെറിയ പ്രോബബിലിറ്റി കാണിക്കുന്നു.

അപാകതകൾക്കായി തിരയുന്നതിനു പുറമേ, നിങ്ങൾക്ക് കിബാനയിൽ പ്രവചനം നടത്താം. ഇത് ലളിതമായും അതേ കാഴ്ചയിൽ നിന്ന് അനോമലികളുമായും ചെയ്യപ്പെടുന്നു - ബട്ടൺ പ്രവചനം മുകളിൽ വലത് മൂലയിൽ.

പ്രവചനം പരമാവധി 8 ആഴ്‌ചയ്‌ക്ക് മുമ്പാണ് നിർമ്മിച്ചിരിക്കുന്നത്. നിങ്ങൾക്ക് ശരിക്കും താൽപ്പര്യമുണ്ടെങ്കിൽപ്പോലും, അത് ഡിസൈനിലൂടെ ഇനി സാധ്യമല്ല.

ചില സാഹചര്യങ്ങളിൽ, പ്രവചനം വളരെ ഉപയോഗപ്രദമാകും, ഉദാഹരണത്തിന്, ഇൻഫ്രാസ്ട്രക്ചറിലെ ഉപയോക്തൃ ലോഡ് നിരീക്ഷിക്കുമ്പോൾ.

മൾട്ടി മെട്രിക്

ഇലാസ്റ്റിക് സ്റ്റാക്കിലെ അടുത്ത ML ഫീച്ചറിലേക്ക് പോകാം - ഒരു ബാച്ചിലെ നിരവധി മെട്രിക്‌സ് വിശകലനം ചെയ്യുന്നു. എന്നാൽ ഒരു മെട്രിക്കിന്റെ ആശ്രിതത്വം മറ്റൊന്നിൽ വിശകലനം ചെയ്യപ്പെടുമെന്ന് ഇതിനർത്ഥമില്ല. ഇത് സിംഗിൾ മെട്രിക്കിന് സമാനമാണ്, എന്നാൽ ഒന്നിന്റെ സ്വാധീനം മറ്റൊന്നിൽ എളുപ്പത്തിൽ താരതമ്യം ചെയ്യുന്നതിനായി ഒരു സ്ക്രീനിൽ ഒന്നിലധികം മെട്രിക്കുകൾ. ജനസംഖ്യാ വിഭാഗത്തിൽ ഒരു മെട്രിക് മറ്റൊന്നിനെ ആശ്രയിക്കുന്നത് വിശകലനം ചെയ്യുന്നതിനെക്കുറിച്ച് ഞങ്ങൾ സംസാരിക്കും.

മൾട്ടി മെട്രിക് ഉള്ള ചതുരത്തിൽ ക്ലിക്ക് ചെയ്ത ശേഷം, ക്രമീകരണങ്ങളുള്ള ഒരു വിൻഡോ ദൃശ്യമാകും. അവരെ കൂടുതൽ വിശദമായി നോക്കാം.

ആദ്യം നിങ്ങൾ അവയിൽ വിശകലനത്തിനും ഡാറ്റ സമാഹരണത്തിനുമുള്ള ഫീൽഡുകൾ തിരഞ്ഞെടുക്കേണ്ടതുണ്ട്. ഇവിടെയുള്ള അഗ്രഗേഷൻ ഓപ്ഷനുകൾ സിംഗിൾ മെട്രിക്കിന് സമാനമാണ് (പരമാവധി, ഉയർന്ന ശരാശരി, താഴ്ന്ന, ശരാശരി, വ്യതിരിക്തം മറ്റുള്ളവരും). കൂടാതെ, വേണമെങ്കിൽ, ഡാറ്റയെ ഫീൽഡുകളിലൊന്നായി തിരിച്ചിരിക്കുന്നു (ഫീൽഡ് ഡാറ്റ വിഭജിക്കുക). ഉദാഹരണത്തിൽ, ഞങ്ങൾ ഇത് ഫീൽഡ് വഴി ചെയ്തു ഒറിജിൻ എയർപോർട്ട് ഐഡി. വലതുവശത്തുള്ള മെട്രിക്സ് ഗ്രാഫ് ഇപ്പോൾ ഒന്നിലധികം ഗ്രാഫുകളായി അവതരിപ്പിച്ചിരിക്കുന്നത് ശ്രദ്ധിക്കുക.

ഫീൽഡ് പ്രധാന ഫീൽഡുകൾ (സ്വാധീനമുള്ളവർ) കണ്ടെത്തിയ അപാകതകളെ നേരിട്ട് ബാധിക്കുന്നു. സ്ഥിരസ്ഥിതിയായി ഇവിടെ എല്ലായ്‌പ്പോഴും ഒരു മൂല്യമെങ്കിലും ഉണ്ടായിരിക്കും, കൂടാതെ നിങ്ങൾക്ക് അധികമായവ ചേർക്കാനും കഴിയും. വിശകലനം ചെയ്യുമ്പോൾ ഈ ഫീൽഡുകളുടെ സ്വാധീനം അൽഗോരിതം കണക്കിലെടുക്കുകയും ഏറ്റവും "സ്വാധീനമുള്ള" മൂല്യങ്ങൾ കാണിക്കുകയും ചെയ്യും.

ലോഞ്ച് ചെയ്തതിന് ശേഷം, കിബാന ഇന്റർഫേസിൽ ഇതുപോലൊന്ന് ദൃശ്യമാകും.

ഇതാണ് വിളിക്കപ്പെടുന്നത് ഓരോ ഫീൽഡ് മൂല്യത്തിനുമുള്ള അപാകതകളുടെ ഹീറ്റ് മാപ്പ് ഒറിജിൻ എയർപോർട്ട് ഐഡി, ഞങ്ങൾ സൂചിപ്പിച്ചത് ഡാറ്റ വിഭജിക്കുക. സിംഗിൾ മെട്രിക് പോലെ, നിറം അസാധാരണമായ വ്യതിയാനത്തിന്റെ അളവ് സൂചിപ്പിക്കുന്നു. സമാനമായ ഒരു വിശകലനം നടത്തുന്നത് സൗകര്യപ്രദമാണ്, ഉദാഹരണത്തിന്, വർക്ക്സ്റ്റേഷനുകളിൽ സംശയാസ്പദമായ അളവിലുള്ള അംഗീകാരമുള്ളവരെ ട്രാക്ക് ചെയ്യാൻ. ഞങ്ങൾ ഇതിനകം എഴുതിയിട്ടുണ്ട് EventLog വിൻഡോസിലെ സംശയാസ്പദമായ സംഭവങ്ങളെക്കുറിച്ച്, അത് ഇവിടെ ശേഖരിക്കാനും വിശകലനം ചെയ്യാനും കഴിയും.

ഹീറ്റ് മാപ്പിന് താഴെയുള്ള അപാകതകളുടെ ഒരു ലിസ്റ്റ് ഉണ്ട്, ഓരോന്നിൽ നിന്നും നിങ്ങൾക്ക് വിശദമായ വിശകലനത്തിനായി സിംഗിൾ മെട്രിക് കാഴ്ചയിലേക്ക് മാറാം.

ജനസംഖ്യ

വ്യത്യസ്‌ത അളവുകൾ തമ്മിലുള്ള പരസ്പര ബന്ധങ്ങൾക്കിടയിലുള്ള അപാകതകൾക്കായി, ഇലാസ്റ്റിക് സ്റ്റാക്കിന് ഒരു പ്രത്യേക ജനസംഖ്യാ വിശകലനം ഉണ്ട്. അതിന്റെ സഹായത്തോടെയാണ്, ടാർഗെറ്റ് സിസ്റ്റത്തിലേക്കുള്ള അഭ്യർത്ഥനകളുടെ എണ്ണം വർദ്ധിക്കുമ്പോൾ, മറ്റുള്ളവരുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ ഒരു സെർവറിന്റെ പ്രകടനത്തിൽ നിങ്ങൾക്ക് അസാധാരണമായ മൂല്യങ്ങൾ തിരയാൻ കഴിയും.

ഈ ചിത്രീകരണത്തിൽ, വിശകലനം ചെയ്ത മെട്രിക്‌സ് ഏത് മൂല്യവുമായി ബന്ധപ്പെട്ടിരിക്കുന്നുവെന്ന് പോപ്പുലേഷൻ ഫീൽഡ് സൂചിപ്പിക്കുന്നു. ഈ സാഹചര്യത്തിൽ, ഇത് പ്രക്രിയയുടെ പേരാണ്. തൽഫലമായി, ഓരോ പ്രക്രിയയുടെയും പ്രോസസ്സർ ലോഡ് എങ്ങനെ പരസ്പരം സ്വാധീനിച്ചുവെന്ന് നമുക്ക് കാണാം.

വിശകലനം ചെയ്ത ഡാറ്റയുടെ ഗ്രാഫ് സിംഗിൾ മെട്രിക്, മൾട്ടി മെട്രിക് എന്നിവയിൽ നിന്ന് വ്യത്യസ്തമാണെന്ന കാര്യം ശ്രദ്ധിക്കുക. വിശകലനം ചെയ്ത ഡാറ്റയുടെ മൂല്യങ്ങളുടെ വിതരണത്തെക്കുറിച്ചുള്ള മെച്ചപ്പെട്ട ധാരണയ്ക്കായി രൂപകൽപ്പന ചെയ്താണ് കിബാനയിൽ ഇത് ചെയ്തത്.

പ്രക്രിയ അസാധാരണമായി പെരുമാറിയതായി ഗ്രാഫ് കാണിക്കുന്നു സമ്മര്ദ്ദം (വഴിയിൽ, ഒരു പ്രത്യേക യൂട്ടിലിറ്റി സൃഷ്ടിച്ചത്) സെർവറിൽ പോയിപ്പു, ആരാണ് ഈ അപാകതയുടെ സംഭവത്തെ സ്വാധീനിച്ചത് (അല്ലെങ്കിൽ ഒരു സ്വാധീനമായി മാറിയത്).

വിപുലമായ

മികച്ച ട്യൂണിംഗ് ഉള്ള അനലിറ്റിക്സ്. വിപുലമായ വിശകലനം ഉപയോഗിച്ച്, കിബാനയിൽ അധിക ക്രമീകരണങ്ങൾ ദൃശ്യമാകും. ക്രിയേഷൻ മെനുവിലെ അഡ്വാൻസ്ഡ് ടൈലിൽ ക്ലിക്ക് ചെയ്ത ശേഷം, ടാബുകളുള്ള ഈ വിൻഡോ ദൃശ്യമാകുന്നു. ടാബ് ജോബ് വിശദാംശങ്ങൾ ഞങ്ങൾ അത് ഉദ്ദേശ്യത്തോടെ ഒഴിവാക്കി, വിശകലനം സജ്ജീകരിക്കുന്നതുമായി നേരിട്ട് ബന്ധമില്ലാത്ത അടിസ്ഥാന ക്രമീകരണങ്ങളുണ്ട്.

В സംഗ്രഹം_എണ്ണം_ഫീൽഡ്_നാമം ഓപ്ഷണലായി, സമാഹരിച്ച മൂല്യങ്ങൾ അടങ്ങിയ പ്രമാണങ്ങളിൽ നിന്ന് നിങ്ങൾക്ക് ഒരു ഫീൽഡിന്റെ പേര് വ്യക്തമാക്കാൻ കഴിയും. ഈ ഉദാഹരണത്തിൽ, മിനിറ്റിലെ ഇവന്റുകളുടെ എണ്ണം. IN categorization_field_name ചില വേരിയബിൾ മൂല്യം അടങ്ങിയിരിക്കുന്ന പ്രമാണത്തിൽ നിന്ന് ഒരു ഫീൽഡിന്റെ പേരും മൂല്യവും സൂചിപ്പിക്കുന്നു. ഈ ഫീൽഡിലെ മാസ്ക് ഉപയോഗിച്ച്, നിങ്ങൾക്ക് വിശകലനം ചെയ്ത ഡാറ്റ ഉപസെറ്റുകളായി വിഭജിക്കാം. ബട്ടണിൽ ശ്രദ്ധിക്കുക ഡിറ്റക്ടർ ചേർക്കുക മുമ്പത്തെ ചിത്രീകരണത്തിൽ. ഈ ബട്ടണിൽ ക്ലിക്ക് ചെയ്തതിന്റെ ഫലം ചുവടെയുണ്ട്.

ഒരു നിർദ്ദിഷ്‌ട ടാസ്‌ക്കിനായി അനോമലി ഡിറ്റക്ടർ കോൺഫിഗർ ചെയ്യുന്നതിനുള്ള ക്രമീകരണങ്ങളുടെ ഒരു അധിക ബ്ലോക്ക് ഇതാ. ഇനിപ്പറയുന്ന ലേഖനങ്ങളിൽ നിർദ്ദിഷ്ട ഉപയോഗ കേസുകൾ (പ്രത്യേകിച്ച് സുരക്ഷാ കേസുകൾ) ചർച്ച ചെയ്യാൻ ഞങ്ങൾ പദ്ധതിയിടുന്നു. ഉദാഹരണത്തിന്, ഒന്ന് നോക്കൂ വേർപെടുത്തിയ കേസുകളിൽ ഒന്ന്. അപൂർവ്വമായി ദൃശ്യമാകുന്ന മൂല്യങ്ങൾക്കായുള്ള തിരയലുമായി ഇത് ബന്ധപ്പെട്ടിരിക്കുന്നു, അത് നടപ്പിലാക്കുന്നു അപൂർവ പ്രവർത്തനം.

ഫീൽഡിൽ ഫംഗ്ഷൻ അപാകതകൾക്കായി തിരയാൻ നിങ്ങൾക്ക് ഒരു പ്രത്യേക പ്രവർത്തനം തിരഞ്ഞെടുക്കാം. ഒഴികെ വിരളമാണ്, രസകരമായ രണ്ട് ഫംഗ്ഷനുകൾ കൂടിയുണ്ട് - ദിവസം_സമയം и സമയം_ആഴ്ച. യഥാക്രമം ദിവസത്തിലോ ആഴ്ചയിലോ മെട്രിക്സിന്റെ പെരുമാറ്റത്തിലെ അപാകതകൾ അവർ തിരിച്ചറിയുന്നു. മറ്റ് വിശകലന പ്രവർത്തനങ്ങൾ ഡോക്യുമെന്റേഷനിൽ ഉണ്ട്.

В ഫീല്ഡിന്റെ പേര് വിശകലനം നടത്തപ്പെടുന്ന രേഖയുടെ ഫീൽഡ് സൂചിപ്പിക്കുന്നു. ഫീൽഡ്_നാമം പ്രകാരം ഇവിടെ വ്യക്തമാക്കിയിട്ടുള്ള ഡോക്യുമെന്റ് ഫീൽഡിന്റെ ഓരോ വ്യക്തിഗത മൂല്യത്തിനും വേണ്ടിയുള്ള വിശകലന ഫലങ്ങൾ വേർതിരിക്കാൻ ഉപയോഗിക്കാം. നിങ്ങൾ പൂരിപ്പിക്കുകയാണെങ്കിൽ over_field_name ഞങ്ങൾ മുകളിൽ ചർച്ച ചെയ്ത ജനസംഖ്യാ വിശകലനം നിങ്ങൾക്ക് ലഭിക്കും. നിങ്ങൾ ഒരു മൂല്യം വ്യക്തമാക്കുകയാണെങ്കിൽ partition_field_nameഡോക്യുമെന്റിന്റെ ഈ ഫീൽഡിനായി ഓരോ മൂല്യത്തിനും പ്രത്യേക അടിസ്ഥാനരേഖകൾ കണക്കാക്കും (മൂല്യം, ഉദാഹരണത്തിന്, സെർവറിന്റെ പേര് അല്ലെങ്കിൽ സെർവറിലെ പ്രോസസ്സ് ആകാം). IN exclude_frequent തിരഞ്ഞെടുക്കാം എല്ലാം അഥവാ ആരും, ഇടയ്ക്കിടെ സംഭവിക്കുന്ന ഡോക്യുമെന്റ് ഫീൽഡ് മൂല്യങ്ങൾ ഒഴിവാക്കുക (അല്ലെങ്കിൽ ഉൾപ്പെടെ) എന്നാണ് ഇതിനർത്ഥം.

ഈ ലേഖനത്തിൽ, ഇലാസ്റ്റിക് സ്റ്റാക്കിലെ മെഷീൻ ലേണിംഗിന്റെ കഴിവുകളെക്കുറിച്ച് കഴിയുന്നത്ര സംക്ഷിപ്തമായ ഒരു ആശയം നൽകാൻ ഞങ്ങൾ ശ്രമിച്ചു; തിരശ്ശീലയ്ക്ക് പിന്നിൽ ഇനിയും ധാരാളം വിശദാംശങ്ങൾ അവശേഷിക്കുന്നു. ഇലാസ്റ്റിക് സ്‌റ്റാക്ക് ഉപയോഗിച്ച് നിങ്ങൾക്ക് ഏതൊക്കെ കേസുകൾ പരിഹരിക്കാൻ കഴിഞ്ഞുവെന്നും ഏതൊക്കെ ജോലികൾക്കാണ് നിങ്ങൾ ഇത് ഉപയോഗിക്കുന്നതെന്നും അഭിപ്രായങ്ങളിൽ ഞങ്ങളോട് പറയുക. ഞങ്ങളെ ബന്ധപ്പെടാൻ, നിങ്ങൾക്ക് ഹബ്രെയിൽ വ്യക്തിഗത സന്ദേശങ്ങൾ ഉപയോഗിക്കാം അല്ലെങ്കിൽ വെബ്സൈറ്റിലെ ഫീഡ്ബാക്ക് ഫോം.

അവലംബം: www.habr.com