日志服务 SLS - SPL/SQL里的机器学习算子
总体介绍
- get_log_patterns
- series_drilldown/series-drilldown指令
- series_pattern_anomalies
- series_decompose_anomalies
- series_forecast
- cluster
- series_plot
- series_describe
- correlation
- diff_log_patterns
- diff_patterns
- http-call
get_log_patterns
用于日志模板提取。它基于日志的文本特征，利用机器学习算法对日志数据进行聚类分析，识别典型的日志模板。该函数常用于日志模式识别、日志异常发现等场景。 使用限制
- 最大处理1w条日志数据。如果输入的日志数量超过了1w条，将随机处理其中的1w条日志；未被处理的日志的分析结果为 null
日志模板提取
series_drilldown/series-drilldown指令
异常下探函数。通过触发异常时间前的少量数据点，分析在异常触发时间时各种维度组合的异常情况。
异常下探分析
series_pattern_anomalies
基于神经网络的异常检测算法。
时序模式异常检测
series_decompose_anomalies
对指标进行基于时间序列分解的异常检测算法。
时序分解异常检测
series_forecast
预测某个指标接下来一段时间的数据。
时序预测
cluster
对于给定的N个向量（或者时间序列），需要快速的查看下向量或者指标的形态，可以使用聚类函数进行快速的分组分析。
聚类分析
series_plot
对时序画图
时序可视化
series_describe
对于给定的一个时间序列，该函数会对该序列从多个维度进行分析，返回相关的结果。其中多个维度具体如下：
- 数据是否连续、数据的缺失情况
- 序列是否是稳定的
- 序列是否是有周期的，周期是多少
- 序列是否有显著的趋势
时序统计描述
correlation
计算两个对象的相似度。如果两个对象都是一个向量，返回的是两个序列的相似度。如果一个对象是一组向量，另一个对象是一个向量，返回的是这一组向量里面的每个向量和另一个向量的相似度。如果两个对象都是一组向量，返回的是两两向量之间相似度的矩阵。
相关性分析
diff_log_patterns
该函数用于比较两组日志在日志模板上的差异，通过日志的文本特征和机器学习算法进行聚类分析与模板差异对比，识别变化显著的日志模板，常应用于日志异常发现等场景。
日志模式差异分析
diff_patterns
diff_pattern 函数用于比较两个具有相同结构的数据集，并找出表征这两个数据集之间差异的离散属性（维度）模式。 diffpatterns 的开发初衷是为了帮助分析故障（例如，通过比较给定时间范围内的故障与非故障情况），但它也可能找到任何两个具有相同结构的数据集之间的差异。
模式差异分析
http-call
调用外部 http 服务。
HTTP 调用