时序SPL_日志服务(SLS)-阿里云帮助中心

在Logstore中存在很多时序数据，日志服务支持通过时序SPL指令和SPL函数处理Logstore中的时序数据。

什么是Series

Series是由时间维度序列和指标维度序列组成的二维数据结构，适用于表达随时间变化的观测值集合。和Series相对应的是Table数据。

与Table模型的对比

对比维度	Table模型	Series模型

对比维度	Table模型	Series模型
数据组织方式	离散时间点记录（行式存储）	连续时间序列（列式存储）
查询模式	基于离散点的聚合计算	支持滑动窗口等时序运算
存储效率	适合低频离散事件	优化高频连续指标存储

示例

以Nginx访问日志分析为例，计算URI维度的分钟级平均响应时间。

Table模型

* 
| extend ts =  to_unixtime(date_trunc('hour',date_parse(time_local, '%d/%b/%Y:%H:%i:%s')))
| stats avg_latency = avg(cast(upstream_response_time as double)) by ts,request_uri

离散时间点聚合结果示例：

Series模型实现

* 
| stats avg_latency=avg(cast(upstream_response_time as double)) by time_local, request_uri
| make-series avg_latency default = 'last'
    on time_local 
    from 'sls_begin_time' to 'sls_end_time' 
    step '1m' 
    by request_uri

连续时间序列可视化示例：

SPL指令

SPL指令用于将Table数据转换为Series数据。

指令名称	说明

指令名称	说明
stats	用于计算数据集的统计信息，支持按分组字段聚合。
make-series	将Table数据构建成Series数据。
render	将SPL查询结果渲染为图表以实现可视化。

SPL函数

通过make-series处理数据得到serie后，可调用SPL函数进行可视化。

函数名称	说明

函数名称	说明
second_to_nano函数	时间转换函数：将秒级时间戳转为纳秒级，适用于高精度场景。
series_forecast函数	时间序列预测函数：基于历史数据预测未来趋势，适用于监控、分析和规划。
series_pattern_anomalies函数	异常检测函数：基于机器学习算法，识别时间序列中的异常点或异常模式，适用于监控、告警和数据分析等场景。
series_decompose_anomalies函数	时间序列分解与异常检测函数：基于时间序列分解算法，将原始数据拆分为趋势性、季节性和残差分量，并通过统计方法分析残差分量以识别异常点，适用于实时监控、根因分析及数据质量检测等场景。