机器学习服务是日志服务提供的一项可托管、高可用、可扩展的智能服务,广泛适用于时序数据的变点异常、折点异常、周期异常、关联分析等运维巡检场景。

日志服务的机器学习服务通过如下流程完成对时序数据的巡检分析。智能巡检完成后,您可在目标Logstore中查看巡检结果日志。
  1. 通过协同消费组对源Logstore的日志数据进行读取消费。
  2. 通过流式机器学习模型对读取的每一条时序数据进行分析检测。
  3. 设置目标Logstore,将巡检结果写入指定的目标Logstore中。
  4. 量化异常程度,您可根据业务需求设置告警。

优势

  • 面向日志分析场景,提供开箱即用的机器学习服务。
  • 可视化参数配置界面,便于使用。
  • 支持单时间序列数据的秒级实时检测分析,覆盖绝大部分监控场景。
  • 支持单时间序列数据的异常检测、变点检测、折点检测、周期异常检测,提供多样化的检测功能。
  • 全托管、免运维,与阿里云大数据产品、开源生态集成。

使用限制

  • 目前仅支持AK方式接入。
  • 目前仅支持华东1(杭州)、华东2(上海)、华北2(北京)、华北3(张家口)、华北5(呼和浩特)、华南1(深圳)、西南1(成都)。
  • 写入的时序数据必须是基于相同时间间隔的采样数据。
  • 写入的时序数据中不能含有重复时间点的数据。
  • 日志服务支持同时最多巡检分析70000条时间序列,每条时间序列在长度上无限制。如果数量超过上限,请您配置更多的资源。
  • 机器学习服务采用全流式机器学习算法,您只需要设置分析的开始时间即可。目前不支持设置截止时间。
  • 机器学习服务需要一定的历史数据,建议您留出相对一天时间的数据供模型预训练,算法会快速追上当前时间并持续不断地为您巡检数据。

机器学习功能

数据 机器学习算法 说明
时间序列 流式统计算法异常检测 使用核密度估计算法对时序数据进行异常巡检。
流式树算法异常检测 使用随机树算法对时序数据进行异常巡检。
流式图算法异常检测 使用Time2Graph算法对时序数据进行异常巡检。
您可以根据您的巡检需求,选择对应的算法对时序数据进行巡检。不同的算法擅长的巡检点不同,具体如下表所示。
机器学习算法 变点异常 折点异常 周期异常
流式统计算法异常检测
流式树算法异常检测
流式图算法异常检测