日志服务Jupyter Lab是日志服务与机器学习PAI联合推出的开箱即用的云上开发IDE,集成开源Jupyter Lab和日志服务Python SDK。您无需任何运维配置,即可编写、调试及运行日志服务Python代码。

在PAI-DSW功能的基础上,日志服务Jupyter Lab进行深度定制化开发,为您提供多种场景开发模板(包括配置管理、任务管理、探索性数据分析和AIops功能体验场景)。您可以根据实际业务需求,参考日志服务提供的模板样例快速实现功能开发。

功能优势

  • 开箱即用,免运维,无需部署即可进行对应的开发及调试工作。
  • 预置日志服务Python SDK,全面实现开发工具与日志服务功能的无缝衔接。
  • 内置丰富的业务场景模板和样例,引用便捷,可以快速构建功能需求。
  • Jupyter Lab实例资源支持启用和停止操作,实例停止后不再产生费用,有效降低使用成本。
  • 支持数据永久化保存。您可以将开发代码保存到Jupyter Lab实例挂载的NAS文件系统中,一次开发多次使用。

支持的日志服务功能场景

类别 子类 支持功能
资源管理 批量创建Project和Logstore 支持通过模板批量创建多个Project和Logstore。
查询Project和Logstore列表 通过模板创建Logtail配置,同时支持跨Project复制Logtail配置。
索引配置管理 支持Logstore的索引配置管理,同时支持批量查询账号下各个Logstore的索引配置。
任务管理类 投递任务管理 快速创建投递任务,无须通过人工配置即可实现投递任务的快速编排。
查询分析类 探索性数据分析 基于Jupyter Lab中内置阿里云成本分析和全球疫情分析Demo,可以快速获取所需的成本分析和疫情分析数据。
机器学习类 ECS指标预测 通过Jupyter Lab中内置的模板,模拟ECS指标数据,并结合机器学习预测函数对指标趋势进行预测。您可以快速直观地体验日志服务的机器学习预测功能,也可以根据实际业务将机器学习能力结合到业务场景。
ECS指标异常检测 通过Jupyter Lab中内置的模板,模拟ECS指标数据,并结合机器学习预测函数对异常指标进行检测发现。您可以快速直观地体验日志服务的机器学习异常检测功能,也可以根据实际业务将日志服务异常检测能力结合到业务场景,并结合告警能力对异常进行通知。
ECS指标流式智能巡检 通过Jupyter Lab中内置的模板,将真实的ECS数据写入到日志服务,并调用机器学习流式巡检函数对数据进行建模,从而快速直观地体验日志服务的机器学习流式智能巡检功能。

实例说明

Jupyter Lab后端功能由PAI-DSW提供,因此使用Jupyter Lab前您需要创建对应的PAI-DSW个人版实例。PAI-DSW个人版实例基于阿里云Docker和Kubernetes等云原生技术,为您提供灵活且开放的AI开发环境。该版本的功能特点、实例规格及可用区、支持的镜像列表如下:
  • 华东1(杭州)地域的CPU类型实例规格如下表所示。
    规格 vCPU数量 内存(GiB 带宽(Gbps) 系统盘(GB)
    ecs.c6.large 2 4 1 128
    ecs.g6.large 2 8 1 128
    ecs.g6.xlarge 4 16 1.5 256
    ecs.g6.2xlarge 8 32 2.5 500
    ecs.g6.4xlarge 16 64 5 500
    ecs.g6.8xlarge 32 128 10 500
  • 华东1(杭州)地域的GPU类型的实例规格如下表所示。
    规格 vCPU数量 内存(GiB) GPU 带宽(Gbps) 系统盘(GB)
    ecs.gn6e-c12g1.12xlarge 48 368 4*NVIDIA V100 16 500
    ecs.gn5-c4g1.xlarge 4 30 1*NVIDIA P100 3 256
    ecs.gn5-c8g1.2xlarge 8 60 1*NVIDIA P100 3 500
    ecs.gn5-c8g1.4xlarge 16 120 2*NVIDIA P100 5 500
    ecs.gn5-c28g1.7xlarge 28 112 1*NVIDIA P100 5 500
    cs.gn6v-c10g1.20xlarge 82 336 8 * NVIDIA V100 35 500
    ecs.gn6v-c8g1.16xlarge 64 256 8 * NVIDIA V100 20 500
    ecs.gn6v-c8g1.2xlarge 8 32 1 * NVIDIA V100 2.5 500
    ecs.gn6v-c8g1.8xlarge 32 128 4 * NVIDIA V100 10 500
  • CPU类型的镜像列表如下表所示。
    镜像名称 描述
    py27_cpu_tf1.12_ubuntu 支持TensorFlow 1.12(CPU)版本
    py36_cpu_tf2.1_torch1.4_ubuntu 支持TensorFlow 2.1和PyTorch 1.4(CPU)版本
    ubuntu18.04-py3.6-paitf1.12 支持PAI-TensorFlow 1.12(CPU)版本
    py36_cpu_tf1.15_ubuntu 支持TensorFlow 1.15(CPU)版本
  • GPU类型的镜像列表如下表所示。
    镜像名称 描述
    py27_cuda90_tf1.12_ubuntu 支持TensorFlow 1.12(GPU)版本
    py36_cuda101_tf2.1_torch1.4_ubuntu 支持TensorFlow 2.1和PyTorch 1.4(GPU)版本
    ubuntu18.04-py3.6-cuda10.0-paitf1.12 支持PAI-TensorFlow 1.12(GPU)版本
    py36_cuda100_tf1.15_ubuntu 支持TensorFlow 1.15(GPU)版本

操作流程

快速使用Jupyter Lab功能,基本操作流程如下:

  1. 完成授权。具体操作,请参见授权
  2. 创建和启动Jupyter Lab实例。具体操作,请参见Jupyter Lab实例相关操作
  3. 登录Jupyter Lab,进行交互式开发。详情请参见开始编程

    也可以直接引用日志服务内置的Demo库进行快速开发。详情请参见场景案例

  4. 保存并下载您的代码至本地,以备下次编写使用。

    如果创建Jupyter Lab实例时,已挂载NAS存储,则可以将代码直接存储到NAS。

  5. 完成开发编程后,退出Jupyter Lab,停止Jupyter Lab实例。具体操作,请参见Jupyter Lab实例相关操作

费用说明

Jupyter Lab由PAI-DSW提供服务,日志服务不收取额外费用。费用遵循PAI-DSW定价规则,更多信息,请参见PAI-DSW计费说明
  • 目前仅支持华东1(杭州)地域使用Jupyter Lab。当您使用Jupyter Lab跨地域读取日志时,将产生日志服务外网读取流量费用。更多信息,请参见计量项和计费项
  • 您通过挂载NAS实现数据永久化保存,将产生NAS费用。更多信息,请参见文件存储NAS产品定价
Jupyter Lab使用PAI-DSW个人版,目前仅支持按量计费(后付费),折算规则如下:
账单金额=(定价/60)×使用时长(分钟)