简介
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 | 支持通过模板批量创建多个Project和Logstore。 | |
通过模板创建Logtail配置，同时支持跨Project复制Logtail配置。 | ||
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 | 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 | 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 | 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。 | |
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。 | ||
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DSW提供，因此使用Jupyter Lab前您需要创建对应的DSW个人版实例。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：
完成授权。具体操作，请参见授权。
创建和启动Jupyter Lab实例。具体操作，请参见Jupyter Lab实例相关操作。
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。
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。
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DSW提供服务，日志服务不收取额外费用。费用遵循DSW定价规则，更多信息，请参见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，请参见按使用功能计费模式计费项。
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）
