Práctica: Detectar anomalías con machine learning

Lo que vas a aprender en este TP

• Cargar un conjunto de datos
• Crear un job y su datafeed
• Leer las anomalías
• Prever y explicar un pico

Introducción #

Lo que vas a aprender en esta sección

• Cargar un conjunto de datos
• Crear un job y su datafeed
• Leer las anomalías
• Prever y explicar un pico

Contexto. El tráfico del sitio varía según la hora y el día: un umbral fijo salta demasiado o demasiado poco. Dejas que el machine learning aprenda el ritmo normal y señale las desviaciones.

Requisitos: Docker, 4 GB de RAM libres, jq; licencia de prueba (incluida en start-local)  ·  Duración estimada: 40 min

Licencia: esta práctica usa la prueba de 30 días (funciones Platinum) que start-local activa automáticamente. En un clúster existente, actívala con POST _license/start_trial?acknowledge=true (una sola vez por versión principal); al caducar, el clúster vuelve a la licencia Basic y los jobs se detienen. El Data Visualizer sigue siendo gratuito.

Puesta en práctica #

Pasos guiados, con su corrección.

1. 1. El laboratorio

   ¿Por qué? start-local arranca Elasticsearch y Kibana con una licencia de prueba de 30 días, necesaria para el machine learning.

2. 2. Los datos

   Carga el conjunto de datos de ejemplo «web logs» de Kibana.

3. 3. El job y el datafeed

   ¿Por qué? El detector count modela el volumen de peticiones por intervalos de 15 minutos; geo.src actúa como influencer para explicar las desviaciones.

4. 4. Leer las anomalías

   Lista las anomalías más fuertes y abre Anomaly Explorer en Kibana (Machine Learning › Anomaly Detection).

5. 5. Prever y explicar

   Lanza una previsión de 24 horas y usa Log rate analysis (Machine Learning › AIOps Labs) sobre un pico del conjunto de datos.

Nivel de dificultad : ●●●○○ (3/5)