如何利用大数据和AI破解在线教育增长难题？数据存储成本高、业务查询分析效率低怎么解决？ 3天6大主题，深度剖析行业场景下的大数据痛点，分享最实用的业务经验。 特邀您入营，一起突破增长困境。

本书从介绍Elasticsearch、全观测技术原理、行业应用到技术实践，全面系统地解读在大数据背景下，运维人员、开发人员等应用全观测技术的价值和实践上手指南。还有借助阿里云环境进行的 ES 实战演练，详细的图文说明，手把手引导大家系统地使用 ES。

本文是借助阿里云环境进行的ES实战演练，主要演示了APM的配置和使用过程，介绍了相关界面的使用和注意事项，引入大家系统地使用ES。

本文主要解决 3 个问题：1.什么是全观测性？2.为什么是 Elastic Stack？3.全观 测性行业应用场景。介绍了全观测性的概念，Elastic Stack 技术栈的 Kibana、 Elasticsearch、Beats、Logstash 等产品，以及全观测在应用系统、中间件和操作系统 的应用。

本文梳理了全观测流程，介绍了Elastic的整套工具及其在全观测中的能力，并且用两个实例展示了如何用这些工具进行全观测。

本文从理论和技术层面介绍了全观测的技术，包括全观测与可观测的区别，如何实 现可观测，如何构建可观测，可观测每一步所存在的问题，以及全观测如何解决这些问题， 它又有哪些工具可以使用等进行了介绍。

本文对 Elasticsearch 进行了整体介绍，包括 Elasticsearch 生态矩阵的构成，它 所具备的低成本和强功能等特性，以及与搭建开源 ES 服务相比阿里云 Elasticsearch 所 具备的优势。此外，还对 Elasticsearch 全观测产品能力、架构、技术难点和实践案例进 行了分享。希望通过本文，大家能对 Elasticsearch 和全观测有更全面的认识。

Elasticsearch 是业内比较热门和主流的信息检索分析引擎，在 DB-Engine 指数排行上是全球热度第 7 的数据库。本书将从介绍Elasticsearch、全观测技术原理、行业应用到技术实践，全面系统地解读在大数据背景下，运维人员、开发人员等应用全观测技术的价值和实践上手指南。还有借助阿里云环境进行的 ES 实战演练，详细的图文说明，手把手引导大家系统地使用ES。

2020双十二收获双倍快乐，加入“阿里云飞天会员”,搜索产品（Elasticsearch、开放搜索）七折起，，再享最高上万元云津贴

在 Elasticsearch 中，可以将机器学习视为搜索和分析的自然扩展。它是对时间序列数据的分析。 Elasticsearch 支持的机器学习功能可以通过运行 metric 任务来自动分析时间序列数据，该 metric 任务包含一个或多个定义了将要分析的字段的检测器。 它可以帮助我们识别单变量时间序列数据中的异常，并向我们显示正常情况。在 Elasticsearch 中，我们可以通过机器学习来检测时间系列中的异常情况。

如果你有基于消息的日志条目，但是这些日志条目是机器生成的，则在将它们用于异常检测之前，首先需要将它们组织成类似的消息类型。 该过程称为分类 （cateogrization)，Elastic ML 可以帮助完成该过程。Categorization 将结构引入半结构化数据，以便对其进行分析。这样做的好处就是在事先在并不知道 message 含有什么，就能找到日志里的异常。

Elasticsearch 是一款功能强大且功能丰富的搜索工具。本文将介绍一种小众的数据类型 Percolator ，同时介绍Percolate query的使用。 您需要基本了解 Elasticsearch，尤其是mapping和search。

错过双11折扣？别担心，截止12月1日0时，返场年付7折继续

机器学习已经在现在的工业实践中得到了广泛的应用。作为强大搜索引擎的ElasticSearch也在6.3开始内置了对机器学习的支持。

Kibana 提供了很多开箱即用的可视化工具。它们可以让我们很方便地创建我们想要的分析图表。如果我们想定制一个我们自己的可视化图，那该怎么办呢？传统的方法是创建自己的插件来扩充我们自己的需求，但是这种开发的成本及周期都比较长。很幸运的是，Kibana 提供了一种很方便的可视化工具 : Vega。在今天的文章中，我们将来介绍如何创建一个属于我们自己的 Vega 可视化图。