RousselTMLEARNING

TP · Kibana et Elastic Observability : de la découverte à l'expertise

TP : Analyser avec ES|QL avec correction

La correction est intégrée au TP (Voir les encadrés de couleur vert)

Ce que vous allez apprendre dans ce TP
  • Agréger avec STATS
  • Calculer avec EVAL
  • Découper le temps avec BUCKET

Introduction #

Ce que vous allez apprendre dans cette section
  • Agréger avec STATS
  • Calculer avec EVAL
  • Découper le temps avec BUCKET

Contexte. Le responsable technique veut savoir quels hôtes servent le plus d'erreurs, à quelles heures, et quelle part du trafic vient des robots. Vous répondez avec ES|QL.

Prérequis : TP précédent terminé  ·  Durée estimée : 35 min

Des analyses complètes en une requête.

Mise en place #

Étapes guidées, avec leur correction.

  1. 1. Première requête

    Pourquoi ? ES|QL se lit de haut en bas : source, filtre, agrégation, tri.

    Passez Discover en mode ES|QL et comptez les requêtes par pays d'origine.
    Voir la correction
    FROM kibana_sample_data_logs
    | STATS requetes = COUNT(*) BY geo.src
    | SORT requetes DESC
    | LIMIT 5
  2. 2. Erreurs par hôte

    Pourquoi ? Le champ response est du texte : on le convertit pour comparer.

    Calculez le nombre et le taux d'erreurs (codes ≥ 500) par hôte.
    Voir la correction
    FROM kibana_sample_data_logs
    | EVAL code = TO_INTEGER(response.keyword), erreur = CASE(code >= 500, 1, 0)
    | STATS requetes = COUNT(*), erreurs = SUM(erreur) BY host.keyword
    | EVAL taux = ROUND(100.0 * erreurs / requetes, 2)
    | SORT taux DESC
    À savoir : Si un champ .keyword n'existe pas dans votre version du jeu de données, consultez son type dans la liste des champs et utilisez le champ principal.
  3. 3. Profil horaire

    Pourquoi ? Repérer les heures de pointe aide à planifier les maintenances.

    Comptez les requêtes par tranche d'une heure sur les 7 derniers jours et affichez le résultat en graphique.
    Voir la correction
    FROM kibana_sample_data_logs
    | WHERE @timestamp > NOW() - 7 days
    | STATS requetes = COUNT(*) BY heure = BUCKET(@timestamp, 1 hour)
    | SORT heure
  4. 4. Volume servi par extension

    Pourquoi ? EVAL permet de convertir des unités à la volée.

    Calculez le volume total servi en mégaoctets par extension de fichier.
    Voir la correction
    FROM kibana_sample_data_logs
    | STATS octets = SUM(bytes) BY extension.keyword
    | EVAL mo = ROUND(octets / 1048576.0, 1)
    | KEEP extension.keyword, mo
    | SORT mo DESC

Niveau de difficulté : ●●●○○ (3/5)

Mon suivi

  • ⏱ Durée estimée : ≈ 35 min

Connectez-vous pour suivre votre progression et prendre des notes. Se connecter

💬 Questions sur cette leçon

Aucune question pour l'instant : soyez le premier à demander de l'aide ou à partager votre configuration.

Poser une question sur cette leçon →

Articles recommandés

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...

Visualiser dans Kibana : Lens, dashboards et objets enregistrés

Construire des visualisations avec Lens, assembler des dashboards interactifs (filtres, contrôles...

Kibana Maps et Canvas : cartes géographiques et présentations

Créer des cartes avec Kibana Maps (couches de documents, d'agrégats, choroplèthes, ES|QL) et des ...

Mappings et analyse de texte Elasticsearch : types de champs, analyseurs et mapping dynamique

Maîtriser les mappings Elasticsearch : types de champs (text, keyword, numériques, date, ip, nest...

Machine learning dans Elastic : détection d'anomalies et AIOps

Détecter automatiquement les comportements anormaux : jobs de détection d'anomalies, datafeeds, d...

Dynatrace : analyser les requêtes de base de données (modifications, requêtes et procédures, transactions)

Comment Dynatrace capte les appels de base de données depuis l'application, les regroupe en servi...

Kibana avancé : data views, Lens, dashboards, alerting et reporting

Exploiter Kibana en profondeur : data views et champs runtime, Discover, Lens et formules, dashbo...

Query DSL et agrégations avancées Elasticsearch, avec ES|QL

Écrire des requêtes Elasticsearch avancées : bool, filter et score, nested, function_score et per...

Elastic Security : SIEM, règles de détection et investigation

Utiliser Elastic Security comme SIEM : sources de données ECS, types de règles de détection (quer...

Soutenir

♥ SOUTENIR

Soutenez RousselTM Learning

Les formations, articles, TP et attestations restent gratuits et sans publicité intrusive. Une contribution libre, du montant de votre choix, finance l’hébergement, les environnements de TP et l’écriture de nouveaux contenus.

Contribuer avec PayPal Montant libre · carte bancaire ou compte PayPalEn savoir plus
QR code PayPal
Ou scannez ce QR code avec votre téléphone

Merci, chaque contribution compte !