Elastic 5分钟教程：使用机器学习，自动化异常检测

机器学习有助于在可观察性数据中检测不需要的行为，这使您更容易发现应用程序中的性能下降的服务或实例

在这段视频中，您将了解到如何通过使用Elastic Stack上的机器学习功能，使异常检测自动化。参考链接：Elastic Stack Machine learning

机器学习有助于在可观察性数据中检测不需要的行为

这使您更容易发现应用程序中的性能下降的服务或实例

在这段视频中，您将了解到

如何使异常检测自动化

使用机器学习

根据您的可观察性数据

让我们从一个下午开始

服务地图是检查我们的微服务体系结构的一个很好的工具

启用异常检测时，它还可以提供服务健康状况的指示

目前，我们没有任何健康指标

因为所有服务都出现在灰色圆圈中

让我们来看看我们如何让他们

Elastic Stack

提供了许多开箱即用的工作

其中一些可以帮助您计算APM交易持续时间的异常得分

要启用它们，只需选择要使用它们的环境

现在，如果我们回到服务地图

我们可以看到每项服务的健康指标

以及我们的架构是如何受到影响的

带绿圈是健康的服务

黄色圆圈

指示具有异常活动的服务

这可能意味着服务降级

不健康的应用程序显示在双红色圆圈中

在我们的架构中，前端

和其他服务是不健康的，所以

我们应该调查一下需要解决的问题

机器学习集成在其他可观察性应用程序中也可用

例如

我们可以对主机的内存使用情况和网络流量启用异常检测

在能够检测到异常之前

我们应该选择将用于为机器学习作业创建模型的日期

它看起来像是检测到一些内存和网络问题

这是应该调查的

当谈到log时

您还可以使用机器学习集成

观察日志消息的静态部分

这可以用来

将相似的消息聚在一起

并将它们分类为消息类别

在我们的日志中发现了一个重要的异常情况

这可能与APM和指标作业发现的异常有关

我们可以检查我们刚刚创建的工作的结果

在机器学习应用程序中

我们可以在其中管理和删除现有作业

或者最终创造出新的

在这段视频中，您了解到

创建机器学习作业

检测异常情况

根据您的可观察性数据

你还会了解到

机器学习功能广泛的集成在Stack中

这将帮助您在您的所有可观察性数据中发现异常

感谢收看这段简短的视频

关于如何使用机器学习在可观性数据中异常检测

查看参考链接以了解更多信息