阈值检测
告警数预测原理 ARMS会根据指标历史24h数据，计算指标会超出每个阈值的次数来预测在该设定下告警的数量。并且，ARMS提供了指标详细信息，您可以看到指标实际值超出阈值的具体时间。您可以根据这些信息调整阈值，以适配实际业务需求。相关...
阈值检测
告警数预测原理 ARMS会根据指标历史24h数据，计算指标会超出每个阈值的次数来预测在该设定下告警的数量。并且，ARMS提供了指标详细信息，您可以看到指标实际值超出阈值的具体时间。您可以根据这些信息调整阈值，以适配实际业务需求。相关...
阈值检测
告警数预测原理 ARMS会根据指标历史24h数据，计算指标会超出每个阈值的次数来预测在该设定下告警的数量。并且，ARMS提供了指标详细信息，您可以看到指标实际值超出阈值的具体时间。您可以根据这些信息调整阈值，以适配实际业务需求。相关...
区间检测
告警数预测原理 ARMS会根据指标历史24h数据，计算指标会超出每个阈值的次数来预测在该设定下告警的数量。并且，ARMS提供了指标详细信息，您可以看到指标实际值超出阈值的具体时间。您可以根据这些信息调整阈值，以适配实际业务需求。相关...
区间检测
告警数预测原理 ARMS会根据指标历史24h数据，计算指标会超出每个阈值的次数来预测在该设定下告警的数量。并且，ARMS提供了指标详细信息，您可以看到指标实际值超出阈值的具体时间。您可以根据这些信息调整阈值，以适配实际业务需求。相关...
区间检测
告警数预测原理 ARMS会根据指标历史24h数据，计算指标会超出每个阈值的次数来预测在该设定下告警的数量。并且，ARMS提供了指标详细信息，您可以看到指标实际值超出阈值的具体时间。您可以根据这些信息调整阈值，以适配实际业务需求。相关...
工作原理
工作原理 本地安装一个数据库网关代理（database gateway agent）。数据库网关代理负责与数据库网关云端服务（database gateway cloud service）建立安全的、可信任的通道。不同账号、不同网关所建立的通道彼此隔离。通道建立后，当您...
类目预测功能介绍
类目预测基本原理 类目预测的目标是预测搜索的query与类目的相关度，它需要用到历史query数据、点击行为数据、类目下的物品信息数据。具体来说是把之前搜过的query收集起来，结合搜索后的点击行为数据，与类目下的物品信息联系起来，刻画...
如何抓取 HTTP 报文（Mac OS/Charles）
Charles（macOS 平台）本节以 Charles 4.5.5 版本为例，介绍 Charles 的原理、安装、配置和 HTTPS 解密配置的内容。Charles 在 Mac 端是相当重要的 HTTP 报文分析工具，在许多问题的排查中能够发挥相当重要的作用，帮助开发者高效定位和...
功能概览
工作原理 您首先需要在本地一台或多台服务器上安装并激活云备份客户端，然后登录云备份控制台添加NAS、HDFS或S3兼容存储数据源，再选择已安装的云备份客户端对目标NAS或HDFS上的指定文件夹和文件进行归档。在执行归档任务时，云备份客户端...
K近邻
K近邻算法进行分类的原理是针对预测表的每行数据，从训练表中选择与其距离最近的K条记录，将这K条记录中类别数量最多的类，作为该行的类别。组件配置 您可以使用以下任意一种方式，配置K近邻组件参数。方式一：可视化方式 在 Designer 工作...
AHPA Controller
您可以通过安装AHPA Controller使用AHPA弹性预测能力。本文介绍AHPA的组件信息、使用说明和变更记录。组件介绍 AHPA基于应用历史指标预测未来Pod实例数量，帮助您解决弹性滞后的问题。AHPA通过主动预测和被动预测相结合，实时调整资源实例...
基于GPU指标实现AHPA弹性预测
AHPA可以根据从Prometheus Adapter获取到的GPU利用率数据，结合历史负载趋势和预测算法，提前预估未来的GPU资源需求，并自动调整Pod副本数量或者GPU资源分配，确保在GPU资源紧张前完成扩容操作，而在资源闲置时及时缩容，从而达到节省成本...
基于GPU指标实现AHPA弹性预测
AHPA可以根据从Prometheus Adapter获取到的GPU利用率数据，结合历史负载趋势和预测算法，提前预估未来的GPU资源需求，并自动调整Pod副本数量或者GPU资源分配，确保在GPU资源紧张前完成扩容操作，而在资源闲置时及时缩容，从而达到节省成本...
组件参考：所有组件汇总
K近邻 该组件进行分类的原理是针对预测表的每行数据，从训练表中选择与其距离最近的K条记录，将这K条记录中类别数量最多的类，作为该行的类别。逻辑回归多分类 该组件是一个二分类算法，PAI提供的逻辑回归可以支持多分类，且支持稀疏及稠密...
使用Python开发自定义Processor
当自定义Processor的依赖较多、Processor包较大时，不建议使用Processor方式来部署服务，建议您使用镜像方式来部署服务，两种部署方式的对比介绍请参见 部署原理。使用Python开发自定义Processor的流程如下：步骤一：构建开发环境 EAS 提供...
算法说明
算法简介 预测算法是基于Prophet预测模型中的原理进行研发的。Prophet将时序数据分解为趋势项、周期项和假日项，分别进行拟合与预测，最终整合为未来数据的预测结果。其中Prophet使用linear function或者logistic function拟合趋势项，使用...
补丁管理原理介绍
该文档会详细介绍补丁管理的工作原理，以及如何扫描系统上的补丁状态，安装缺失的补丁等。Linux 补丁管理支持的Linux系统包括 CentOS/Alibaba Cloud Linux/Debian/Ubuntu 等，不同OS使用不同的包管理工具，具体如下，不同包管理工具扫描、...
ALB Ingress概述
本文介绍Ingress基本概念以及ALB Ingress Controller的工作原理、使用说明和安装要求。Ingress基本概念 在Kubernetes集群中，Ingress作为集群内服务对外暴露的访问接入点，其几乎承载着集群内服务访问的所有流量。Ingress是Kubernetes中的...
Caffe服务请求构造
如果服务请求中指定的 shape 与模型的 shape 不一致，则预测请求报错。安装ProtoBuf并调用服务（以Python为例，介绍如何对Caffe服务进行调用）。PAI-EAS为Python预先生成了ProtoBuf包，您可以使用如下命令直接安装。pip install ...
TensorFlow服务请求构造
因此最终预测结果为2，预测结果正确。其它语言的调用方法 除Python外，使用其它语言客户端调用服务都需要根据.proto 文件手动生成预测的请求代码文件。调用示例如下：编写请求代码文件（例如创建 tf.proto 文件），内容如下。syntax="proto...
Python部署预测
操作步骤 安装依赖包。pip install h2o 修改脚本中model_id、预测文件本机存放路径和预测结果保存路径。import h2o h2o.connect(url="http://ip:port",auth=('username','password'))#修改一：使用模型 model_id model=h2o.get_model('...
Ingress概述
本文介绍Ingress基本概念、工作原理和使用说明。索引 Ingress基本概念 Nginx Ingress Controller ALB Ingress Controller MSE Ingress Controller Ingress基本概念 在Kubernetes集群中，Ingress作为集群内服务对外暴露的访问接入点，几乎...
梯度提升回归树
计算逻辑原理 GBRT是一种迭代的回归树算法，由多棵回归树组成，合并许多弱学习器，每棵树只能对部分数据做出好的预测，所有树的结论累加起来得到最终结果。因为添加的树越来越多，可以不断迭代提高性能，所以GBRT是一种泛化能力较强的算法...
梯度提升决策树
计算逻辑原理 GBDT是一种迭代的决策树算法，由多棵决策树组成，每棵树只能对部分数据做出好的预测，所有树的结论累加起来得到最终结果，因此，添加的树越来越多，可以不断迭代提高性能。是一种泛化能力较强的算法。参数说明 IN端口-输入...
软测量校正
计算逻辑原理 当化验值校正确认信号从“校验中”变为“校验完毕”时：根据输入的年月日等时间点得到时间T，从IGate中读取T-K（即预测模型时间偏差）前后deltaT（即时间偏差上限）时间范围内的“预测值”历史数据，找到最接近T-K时刻的预测...
部署AHPA
AHPA可以根据历史数据进行学习和分析，提前预测未来的资源需求，并据此动态调整Pod副本数量，确保在业务高峰到来之前完成资源的扩容和预热操作，从而提高系统的响应速度和稳定性。同时，当预测到业务低谷时，也会适时缩容以节省资源成本。...
部署AHPA
AHPA可以根据历史数据进行学习和分析，提前预测未来的资源需求，并据此动态调整Pod副本数量，确保在业务高峰到来之前完成资源的扩容和预热操作，从而提高系统的响应速度和稳定性。同时，当预测到业务低谷时，也会适时缩容以节省资源成本。...
推理加速（Blade）概述
工作原理 PAI-Blade以Wheel包的形式安装到用户环境，无需申请资源、上传模型和数据的繁琐步骤。您可以在代码中调用PAI-Blade的Python接口，使模型优化集成在工作流中，且能够在本地对优化完成的模型进行性能验证。此外，您还可以便捷地尝试...
功能概览
工作原理 用户在需要做文件备份的服务器上安装并激活 云备份 文件备份客户端，每台服务器仅需安装一次。客户端会根据备份计划配置，对这台服务器上的指定文件夹进行备份。执行备份任务时，云备份 客户端会扫描指定的文件夹，识别需备份的...
接入JVM监控数据（新版）
基本原理 Java Management Extensions（JMX）技术是Java SE平台的标准功能，提供了一种简单、标准的监控和管理资源的方式，主要用于监控和管理Java应用的运行状态、资源信息、JVM虚拟机运行情况等信息。JMX还支持通过remote RMI方式进行...
拒绝推断
算法原理 拒绝推断方法需要根据输入的包含真实标签和预测结果的训练数据（又称为授信数据），给缺少真实标签但包含预测结果的数据加上合适的标签，没有真实标签的数据又称为拒绝数据。该算法提供以下四种拒绝推断方法。模糊法 模糊法...
接入IDC资产
工作原理 在IDC机房中的某一台服务器上安装Agent后，您可以在该服务器创建IDC探针和探针扫描任务。IDC探针将在您设置的扫描周期内，对指定网段范围内的IDC服务器进行扫描。IDC探针扫描并发现了IDC服务器后，会自动将该服务器添加到云安全...
功能概览
工作原理 您首先需要在本地物理机或虚拟机上安装并激活云备份客户端。然后登录云备份控制台添加大规模文件系统数据源，就可以利用客户端对目标文件系统上指定的文件进行备份。在执行备份任务时，云备份客户端会对指定的文件系统文件夹进行...
功能概览
工作原理 您首先需要在本地物理机或虚拟机上安装并激活云备份客户端。然后登录云备份控制台添加NAS数据源，就可以利用客户端对目标NAS上指定的文件进行备份。在执行备份任务时，云备份客户端会对指定的NAS文件夹进行扫描，识别需备份的文件...
分段多项式预测
本文为您介绍分段多项式预测组件。功能说明 分段多项式预测组件：用于对分段多项式回归组件训练出来的模型进行预测。仅支持分段多项式回归模型。计算逻辑原理 分段多项式：通过把输入变量的取值空间分割成连续的区间，然后在每个区间中进行...
使用EAS Python SDK部署模型
本文为您介绍如何使用阿里云模型在线服务（EAS）的Python SDK代码将训练获得的模型部署为EAS在线服务，再使用EAS的预测SDK代码调用EAS服务，实现模型在线推理。背景信息 本文旨在介绍如何在Python环境中，通过SDK调用EAS接口来部署和调用...
功能概览
工作原理 您首先需要在本地一台或多台服务器上安装并激活 云备份 客户端，然后登录 云备份 控制台添加数据源（源端数据源和目标端数据源）。创建同步计划。在执行同步任务时，云备份 客户端组会对指定的文件夹进行扫描，识别需要同步的文件...
补丁基线
当您需要针对某一个操作系统创建自定义的扫描和安装规则的时候，需要用到补丁基线模块。补丁基线定义了您在实例上安装的补丁规则，可以指定：1.操作系统的产品类型 2.补丁的分类 3.补丁的严重级别 4.自动批准的条件 您可以选择自定义的补丁...
配置 MPC 项目
前提条件 在配置 MPC 项目前，请确认您已经完成了以下操作：确认已安装、部署节点并完成节点间的授权，并确认该节点使用的引擎类型包含训练和预测引擎。关于如何部署、授权节点，请参见 隐私计算节点。确认已新增 MPC 项目所需的数据表。...
- 产品推荐
- 这些文档可能帮助您