Lo que vas a aprender en este TP
- Agregar con STATS
- Calcular con EVAL
- Dividir el tiempo con BUCKET
Introducción #
Lo que vas a aprender en esta sección
- Agregar con STATS
- Calcular con EVAL
- Dividir el tiempo con BUCKET
Contexto. El responsable técnico quiere saber qué hosts sirven más errores, a qué horas y qué parte del tráfico procede de robots. Respondes con ES|QL.
Requisitos previos: TP anterior terminado · Duración estimada: 35 min
Análisis completos en una sola consulta.Puesta en marcha #
Pasos guiados, con su corrección.
1. Primera consulta
¿Por qué? ES|QL se lee de arriba abajo: origen, filtro, agregación, ordenación.
Cambia Discover al modo ES|QL y cuenta las peticiones por país de origen.2. Errores por host
¿Por qué? El campo
Calcula el número y la tasa de errores (códigos ≥ 500) por host.responsees texto: hay que convertirlo para comparar.3. Perfil horario
¿Por qué? Detectar las horas punta ayuda a planificar los mantenimientos.
Cuenta las peticiones por franjas de una hora durante los últimos 7 días y muestra el resultado en un gráfico.4. Volumen servido por extensión
¿Por qué? EVAL permite convertir unidades sobre la marcha.
Calcula el volumen total servido en megabytes por extensión de archivo.
Nivel de dificultad : ●●●○○ (3/5)
Mi seguimiento
Inicia sesión para seguir tu progreso y tomar notas. Iniciar sesión
💬 Preguntas sobre esta lección
Todavía no hay preguntas: sé el primero en pedir ayuda o compartir tu configuración.
Artículos recomendados
Explorer ses données dans Discover : KQL, Lucene et ES|QL
Rechercher et analyser des logs dans Kibana Discover : filtres, KQL, syntaxe Lucene, et le langag...
Kibana Maps y Canvas: mapas geográficos y presentaciones
Crear mapas con Kibana Maps (capas de documentos, de agregaciones, coropletas, ES|QL) y presentac...
Visualiser dans Kibana : Lens, dashboards et objets enregistrés
Construire des visualisations avec Lens, assembler des dashboards interactifs (filtres, contrôles...
Machine learning en Elastic: detección de anomalías y AIOps
Detectar automáticamente los comportamientos anómalos: jobs de detección de anomalías, datafeeds,...
Elastic Security: SIEM, reglas de detección e investigación
Usar Elastic Security como SIEM: fuentes de datos ECS, tipos de reglas de detección (query, EQL, ...
Proyecto del itinerario Elastic: centralizar y explotar los logs
El proyecto de validación del itinerario «Dominio de Elastic Stack»: Elastic Agent y Fleet, Logst...
Elastic Observability : logs, infrastructure, APM et synthétiques
Les fonctions d'Elastic Observability : exploration des logs, inventaire d'infrastructure avec El...
Alertes, connecteurs et SLO dans Kibana
Créer des règles d'alerte dans Kibana (requête Elasticsearch, ES|QL, seuil personnalisé, logs), c...
Bonnes pratiques Kibana et Elastic Observability
Check-list pour exploiter Kibana en production : versions, sécurité, espaces et rôles, dashboards...