带你读《Elastic Stack 实战手册》之59:——3.5.16.3.Anomaly detection(3)

简介: 带你读《Elastic Stack 实战手册》之59:——3.5.16.3.Anomaly detection(3)


《Elastic Stack 实战手册》——三、产品能力——3.5 进阶篇——3.5.16. Machine learning ——3.5.16.3.Anomaly detection(2) https://developer.aliyun.com/article/1227224



4. 使用 API 快速使用 Single metric job

 

创建一个名为 first_detectors 的 job,指定 jobId、分桶策略(bucket_span)、检测器

(detector)、带有时间戳的字段名(time_field)。


PUT _ml/anomaly_detectors/first_detectors
{
  "description": "anomaly detector",
  "analysis_config": {
    "bucket_span": "15m",
    "detectors": [
      {
        "detector_description": "Sum of volume",
           "function": "sum",
        "field_name": "volume"
      }
    ]
  },
  "data_description": {
    "time_field": "date",
    "time_format": "epoch_ms"
  }
}

此时该 job 还没有 datafeed,创建一个 datafeed,并绑定一个上述 job。

PUT _ml/datafeeds/first-datafeed
{
  "job_id": "first_detectors",
  "indexes": [
    "zmc-test1"
  ],
  "scroll_size": 1000
}

此时 datafeed 的状态是 stopped,启动该 datafeed 任务(前提:保证异常检测 job 是

open 状态)。

 

POST _ml/datafeeds/first-datafeed/_start?start=1970-01-02T10:00:00Z&end=2021-09-09T00:00:00Z

 

5. 使用 Kibana 快速使用 Single metric job

 

打开 Kibana,按照下图步骤找到创建 job 的入口。

image.png


选择 index pattern。

image.png


选择 job 类型,Kibana 7.x 支持四种类型的机器学习 job,这里选择 Single metric,对单个索引字段进行分析、预测。

image.png


选择"Use full zmc-* data"(可以通过调整时间区间控制需要分析的时序数据)。

image.png


选择字段和聚合类型,继续选择桶粒度的配置,如下图推荐桶粒度的配置为 1d,可以手动改

成 15m。

 

image.png


填写 job 信息,指定 jobId,选择 next 到下一步。


image.png


进入校验页面,校验数据和配置是否正确,选择 next 进入下一步,继续检查信息,选择

create job。


image.png

 可以看到这是通过 API 和 Kibana 创建的 job。

 

image.png



《Elastic Stack 实战手册》——三、产品能力——3.5 进阶篇——3.5.16. Machine learning ——3.5.16.3.Anomaly detection(4) https://developer.aliyun.com/article/1227220

相关实践学习
以电商场景为例搭建AI语义搜索应用
本实验旨在通过阿里云Elasticsearch结合阿里云搜索开发工作台AI模型服务,构建一个高效、精准的语义搜索系统,模拟电商场景,深入理解AI搜索技术原理并掌握其实现过程。
ElasticSearch 最新快速入门教程
本课程由千锋教育提供。全文搜索的需求非常大。而开源的解决办法Elasricsearch(Elastic)就是一个非常好的工具。目前是全文搜索引擎的首选。本系列教程由浅入深讲解了在CentOS7系统下如何搭建ElasticSearch,如何使用Kibana实现各种方式的搜索并详细分析了搜索的原理,最后讲解了在Java应用中如何集成ElasticSearch并实现搜索。  
相关文章
|
机器学习/深度学习 算法 PyTorch
【PyTorch实战演练】Fast R-CNN中的RoI(Region of Interest)池化详解
【PyTorch实战演练】Fast R-CNN中的RoI(Region of Interest)池化详解
865 1
|
11月前
|
存储 缓存 Cloud Native
云原生数据库驱动企业架构革新:从架构设计到落地实践全指南
本文系统阐述基于云原生数据库的企业信息系统架构设计,涵盖核心认知、四大设计原则、主流组件选型及分层架构落地。结合可运行代码实例,深入解析从环境配置到高可用保障的全流程,并提供避坑指南与进阶优化方向,助力企业实现高性能、高可用、低成本的数字化架构升级。
929 2
|
11月前
|
人工智能 安全 网络安全
科技云报到:2026网络安全六大新趋势:AI重构攻防,信任成为新防线
2026年,网络安全迈入“数字信任”时代。AI驱动下,AI Agent身份认证、API攻击泛滥、智能体基础设施风险等新威胁涌现,推动安全从被动防御转向主动信任重构。融合AI的主动防护、数据治理与合规体系,将成为企业构建可信数字生态的核心竞争力。(238字)
1880 0
|
IDE Java 关系型数据库
Java 初学者学习路线(含代码示例)
本教程为Java初学者设计,涵盖基础语法、面向对象、集合、异常处理、文件操作、多线程、JDBC、Servlet及MyBatis等内容,每阶段配核心代码示例,强调动手实践,助你循序渐进掌握Java编程。
1503 3
|
11月前
|
搜索推荐 算法 UED
15 | 最近邻检索(上):如何用局部敏感哈希快速过滤相似文章?
在搜索引擎与推荐系统中,相似文章去重至关重要。通过向量空间模型将文档转化为高维向量,利用SimHash等局部敏感哈希技术生成紧凑指纹,结合海明距离与抽屉原理分段索引,可高效检索近似重复内容,在百亿网页中快速过滤雷同结果,提升用户体验。该方法适用于文本、图像等多种对象的相似性检测。
|
前端开发 JavaScript 物联网
全栈开发:从LAMP到云原生的技术革命
🌟蒋星熠Jaxonic,全栈探索者。从Web到AI、IoT、区块链,深耕垂直领域,践行“T型人才”理念。分享技术演进与实战经验,助你在代码星河中找到属于自己的航向。
1003 5
全栈开发:从LAMP到云原生的技术革命
|
11月前
|
人工智能 机器人 数据挖掘
智能体将如何重塑职场人的工作模式?
智能体是赋予大模型“手脚”与“感官”的关键进化,让AI从聊天走向自主行动。它能感知、决策、记忆、执行,像“超级实习生”般完成复杂任务。实在Agent以一句话生成流程,实现“所说即所得”,推动人机协作新范式,开启生产力革命。
521 0
|
11月前
|
JSON Linux 数据格式
Registry搭建docker私仓
Docker Registry是官方提供的私有镜像仓库构建工具。通过拉取registry镜像并运行容器,可快速搭建私服。需配置daemon.json启用http支持,重启Docker后,使用tag和push命令上传镜像,通过curl验证内容,实现私有化镜像管理。
371 0
|
存储 缓存 5G
鸿蒙 HarmonyOS NEXT端云一体化开发-云存储篇
本文介绍用户登录后获取昵称、头像的方法,包括通过云端API和AppStorage两种方式,并实现上传头像至云存储及更新用户信息。同时解决图片缓存问题,添加上传进度提示,支持自动登录判断,提升用户体验。
589 1
|
算法 数据可视化 机器人
《从代码混乱到架构清晰:经营类游戏NPC行为系统重构指南》
本文以古风山水经营游戏开发实践为核心,分享NPC行为系统从机械执行到环境共生的技术优化路径。初期因架构缺乏扩展性,简单条件判断设计在需求迭代后陷入维护困境,经模块化重构与行为树设计破解耦合问题。后续围绕真实感与系统联动展开技术突破:构建需求层次与环境因子双重驱动模型,让NPC随天气、资源动态调整行为;引入隐性信号与分帧更新,解决群体行为冲突与性能问题;以事件驱动架构打通环境、NPC与经济系统,实现霜降等事件的连锁响应;通过NPC行为设计调控经济,化解低阶道具泛滥;采用组件化与规则引擎,保障系统长期可扩展性,最终显著提升玩家沉浸感与互动频次。
1088 1

热门文章

最新文章