TP : Détecter des anomalies avec le machine learning

Ce que vous allez apprendre dans ce TP

• Charger un jeu de données
• Créer un job et son datafeed
• Lire les anomalies
• Prévoir et expliquer un pic

Introduction #

Ce que vous allez apprendre dans cette section

• Charger un jeu de données
• Créer un job et son datafeed
• Lire les anomalies
• Prévoir et expliquer un pic

Contexte. Le trafic du site varie selon l'heure et le jour : un seuil fixe sonne trop ou pas assez. Vous laissez le machine learning apprendre le rythme normal et signaler les écarts.

Prérequis : Docker, 4 Go de RAM libres, jq ; licence d'essai (fournie par start-local)  ·  Durée estimée : 40 min

Licence : ce TP utilise l'essai de 30 jours (fonctions Platinum) activé automatiquement par start-local. Sur un cluster existant, activez-le avec POST _license/start_trial?acknowledge=true (une seule fois par version majeure) ; à l'expiration, le cluster repasse en licence Basic et les jobs s'arrêtent. Le Data Visualizer reste gratuit.

Mise en place #

Étapes guidées, avec leur correction.

1. 1. Le labo

   Pourquoi ? start-local démarre Elasticsearch et Kibana avec une licence d'essai de 30 jours, nécessaire au machine learning.

2. 2. Les données

   Chargez le jeu de données d'exemple « web logs » de Kibana.

3. 3. Le job et le datafeed

   Pourquoi ? Le détecteur count modélise le volume de requêtes par tranche de 15 minutes ; geo.src sert d'influenceur pour expliquer les écarts.

4. 4. Lire les anomalies

   Listez les anomalies les plus fortes, puis ouvrez Anomaly Explorer dans Kibana (Machine Learning › Anomaly Detection).

5. 5. Prévoir et expliquer

   Lancez une prévision sur 24 heures, puis utilisez Log rate analysis (Machine Learning › AIOps Labs) sur un pic du jeu de données.

Niveau de difficulté : ●●●○○ (3/5)