0.文章系列链接
- SLS机器学习介绍（01）：时序统计建模
- SLS机器学习介绍（02）：时序聚类建模
- SLS机器学习介绍（03）：时序异常检测建模
- SLS机器学习介绍（04）：规则模式挖掘
- SLS机器学习介绍（05）：时间序列预测
1. 高频检测场景
1.1 场景一
集群中有N台机器，每台机器中有M个时序指标（CPU、内存、IO、流量等），若单独的针对每条时序曲线做建模，要手写太多重复的SQL，且对平台的计算消耗特别大。该如何更好的应用SQL实现上述的场景需求？
1.2 场景二
针对系统中的N条时序曲线进行异常检测后，如何快速知道：这其中有哪些时序曲线是有异常的呢？
2. 平台实验
2.1 解决一
针对场景一中描述的问题，我们给出如下的数据约束。其中数据在日志服务的LogStore中按照如下结构存储：
timestamp : unix_time_stamp
machine: name1
metricName: cpu0
metricValue: 50
---
timestamp : unix_time_stamp
machine: name1
metricName: cpu1
metricValue: 50
---
timestamp : unix_time_stamp
machine: name1
metricName: mem
metricValue: 50
---
timestamp : unix_time_stamp
machine: name2
metricName: mem
metricValue: 60在上述的LogStore中我们先获取N个指标的时序信息：
* | select timestamp - timestamp % 60 as time, machine, metricName, avg(metricValue) from log group by time, machine, metricName现在我们针对上述结果做批量的时序异常检测算法，并得到N个指标的检测结果：
* |
select machine, metricName, ts_predicate_arma(time, value, 5, 1, 1) as res from (
select
timestamp - timestamp % 60 as time,
machine, metricName,
avg(metricValue) as value
from log group by time, machine, metricName )
group by machine, metricName通过上述SQL，我们得到的结果的结构如下
| machine | metricName | [[time, src, pred, upper, lower, prob]] |
| ------- | ---------- | --------------------------------------- |针对上述结果，我们利用矩阵转置操作，将结果转换成如下格式，具体的SQL如下：
* |
select
machine, metricName,
res[1] as ts, res[2] as ds, res[3] as preds, res[4] as uppers, res[5] as lowers, res[6] as probs
from ( select machine, metricName, array_transpose(ts_predicate_arma(time, value, 5, 1, 1)) as res from (
select
timestamp - timestamp % 60 as time,
machine, metricName,
avg(metricValue) as value
from log group by time, machine, metricName )
group by machine, metricName )经过对二维数组的转换后，我们将每行的内容拆分出来，得到符合预期的结果，具体格式如下：
| machine | metricName | ts | ds | preds | uppers | lowers | probs |
| ------- | ---------- | -- | -- | ----- | ------ | ------ | ----- |2.2 解决二
针对批量检测的结果，我们该如何快速的将存在特定异常的结果过滤筛选出来呢？日志服务平台提供了针对异常检测结果的过滤操作。
select ts_anomaly_filter(lineName, ts, ds, preds, probs, nWatch, anomalyType)其中，针对anomalyType有如下说明：
- 0：表示关注全部异常
- 1：表示关注上升沿异常
- -1：表示下降沿异常
其中，针对nWatch有如下说明：
- 表示从实际时序数据的最后一个有效的观测点开始到最近nWatch个观测点的长度。
具体使用如下所示：
* |
select
ts_anomaly_filter(lineName, ts, ds, preds, probs, cast(5 as bigint), cast(1 as bigint))
from
( select
concat(machine, '-', metricName) as lineName,
res[1] as ts, res[2] as ds, res[3] as preds, res[4] as uppers, res[5] as lowers, res[6] as probs
from ( select machine, metricName, array_transpose(ts_predicate_arma(time, value, 5, 1, 1)) as res from (
select
timestamp - timestamp % 60 as time,
machine, metricName,
avg(metricValue) as value
from log group by time, machine, metricName )
group by machine, metricName ) )通过上述结果，我们拿到的是一个Row类型的数据，我们可以使用如下方式，将具体的结构提炼出来：
* |
select
res.name, res.ts, res.ds, res.preds, res.probs
from
( select
ts_anomaly_filter(lineName, ts, ds, preds, probs, cast(5 as bigint), cast(1 as bigint)) as res
from
( select
concat(machine, '-', metricName) as lineName,
res[1] as ts, res[2] as ds, res[3] as preds, res[4] as uppers, res[5] as lowers, res[6] as probs
from (
select
machine, metricName, array_transpose(ts_predicate_arma(time, value, 5, 1, 1)) as res
from (
select
timestamp - timestamp % 60 as time,
machine, metricName, avg(metricValue) as value
from log group by time, machine, metricName )
group by machine, metricName ) ) )通过上述操作，就可以实现对批量异常检测的结果进行过滤处理操作，帮助用户更好的批量设置告警。
3.硬广时间
3.1 日志进阶
这里是日志服务的各种功能的演示 日志服务整体介绍，各种Demo
更多日志进阶内容可以参考：日志服务学习路径。
3.2 联系我们
纠错或者帮助文档以及最佳实践贡献，请联系：悟冥
问题咨询请加钉钉群：
