預測與異常檢測函數如何進行檢測 - Simple Log Service

預測與異常檢測函數通過預測時序曲線、尋找預測曲線和實際曲線之間誤差的Ksigma與分位元等特性進行異常檢測。

函數列表

函數	說明
ts_predicate_simple	利用預設參數對時序資料進行建模，並進行簡單的時序預測和異常點的檢測。
ts_predicate_ar	使用自迴歸模型對時序資料進行建模，並進行簡單的時序預測和異常點的檢測。
ts_predicate_arma	使用移動自迴歸模型對時序資料進行建模，並進行簡單的時序預測和異常點檢測。
ts_predicate_arima	使用帶有差分的移動自迴歸模型對時序資料進行建模，並進行簡單的時序預測和異常點檢測。
ts_regression_predict	針對具有周期性、趨勢性的單時序序列，進行準確的預測。使用情境：計量資料的預測、網路流量的預測、財務資料的預測、以及具有一定規律的不同業務資料的預測。
ts_anomaly_filter	針對批量曲線進行時序異常檢測後，可以按照使用者定義的異常模式來過濾異常檢測的結果。能協助使用者快速找出異常的執行個體曲線。

ts_predicate_simple

函數格式：

select ts_predicate_simple(x, y, nPred, isSmooth)

參數說明如下：

參數	說明	取值
x	時間列，從小到大排列。	格式為Unixtime時間戳記，單位為秒。
y	數值列，對應某時刻的資料。	-
nPred	預測未來的點的數量。	long類型，取值大於等於1。
isSmooth	是否需要對未經處理資料做濾波操作。	bool類型，預設為true表示對未經處理資料做濾波操作。

樣本：

查詢分析

* | select ts_predicate_simple(stamp, value, 6) from (select '("__time__" - ("__time__" % 60))' as stamp, avg(v) as value from log GROUP BY stamp order by stamp)

輸出結果

顯示項目如下：

顯示項目		說明
橫軸	unixtime	資料的Unixtime時間戳記，單位為秒。
縱軸	src	未經處理資料。
	predict	預測的資料。
	upper	預測的上界。當前信賴度為0.85，不可修改。
	lower	預測的下界。當前信賴度為0.85，不可修改。
	anomaly_prob	該點為異常點的機率，範圍為0~1。

ts_predicate_ar

函數格式：

select ts_predicate_ar(x, y, p, nPred, isSmooth)

參數說明如下：

參數	說明	取值
x	時間列，從小到大排列。	格式為Unixtime時間戳記，單位為秒。
y	數值列，對應某時刻的資料。	-
p	自迴歸模型的階數。	long類型，取值範圍為2~8。
nPred	預測未來的點的數量。	long類型，取值範圍為1~5*p。
isSmooth	是否需要對未經處理資料做濾波操作。	bool類型，預設為true表示對未經處理資料做濾波操作。

查詢分析樣本：

* | select ts_predicate_ar(stamp, value, 3, 4) from (select '("__time__" - ("__time__" % 60))' as stamp, avg(v) as value from log GROUP BY stamp order by stamp)

說明

輸出結果與ts_predicate_simple函數相似，具體請參見ts_predicate_simple函數的輸出結果。

ts_predicate_arma

函數格式：

select ts_predicate_arma(x, y, p, q, nPred, isSmooth)

參數說明如下：

參數	說明	取值
x	時間列，從小到大排列。	格式為Unixtime時間戳記，單位為秒。
y	數值列，對應某時刻的資料。	-
p	自迴歸模型的階數。	long類型，取值範圍為2~100。
q	移動平均模型的階數。	long類型，取值範圍為2~8。
nPred	預測未來的點的數量。	long類型，取值範圍為1~5*p。
isSmooth	是否需要對未經處理資料做濾波操作。	bool類型，預設為true表示對未經處理資料做濾波操作。

查詢分析樣本：

* | select ts_predicate_arma(stamp, value, 3, 2, 4) from (select'("__time__" - ("__time__" % 60))' as stamp, avg(v) as value from log GROUP BY stamp order by stamp)

說明

輸出結果與ts_predicate_simple函數相似，具體請參見ts_predicate_simple函數的輸出結果。

ts_predicate_arima

函數格式：

select ts_predicate_arima(x, y, p, d, q, nPred, isSmooth)

參數說明如下：

參數	說明	取值
x	時間列，從小到大排列。	格式為Unixtime時間戳記，單位為秒。
y	數值列，對應某時刻的資料。	-
p	自迴歸模型的階數。	long類型，取值範圍為2~8。
d	差分模型的階數。	long類型，取值範圍為1~3。
q	移動平均模型的階數。	long類型，取值範圍為2~8。
nPred	預測未來的點的數量。	long類型，取值範圍為1~5*p。
isSmooth	是否需要對未經處理資料做濾波操作。	bool類型，預設為true表示對未經處理資料做濾波操作。

查詢分析樣本：

* | select ts_predicate_arima(stamp, value, 3, 1, 2, 4) from (select '("__time__" - ("__time__" % 60))' as stamp, avg(v) as value from log GROUP BY stamp order by stamp)

說明

輸出結果與ts_predicate_simple函數相似，具體請參見ts_predicate_simple函數的輸出結果。

ts_regression_predict

函數格式：

select ts_regression_predict(x, y, nPred, algotype,processType)

參數說明如下：

參數	說明	取值
x	時間列，從小到大排列。	格式為Unixtime時間戳記，單位為秒。
y	數值列，對應某時刻的資料。	-
nPred	預測未來的點的數量。	long類型，取值範圍為1~500。
algotype	針對的預測的演算法類型。	取值包括： origin：使用GBRT（Gradient Boosted Regression Tree）演算法進行預測。 forest：使用STL序列分解的結果，將分解得到的趨勢序列使用GBRT演算法進行預測，再將分解出來的序列按照加法模型進行求和後返回。 linear：使用STL序列分解的結果，將分解得到趨勢序列使用Linear Regression演算法進行預測，再將分解出來的序列按照加法模型進行求和後返回。
processType	資料對應的預先處理流程。	取值包括： 0：不進行任何額外的資料預先處理。 1：對資料去除異常後再進行預測處理。

樣本：

查詢分析

* and h : nu2h05202.nu8 and m: NET |  select ts_regression_predict(stamp, value, 200, 'origin') from (select '("__time__" - ("__time__" % 60))' as stamp, avg(v) as value from log GROUP  BY  stamp order by stamp)

輸出結果

顯示項目如下：

顯示項目		說明
橫軸	unixtime	資料的Unixtime時間戳記，單位為秒。
縱軸	src	未經處理資料。
縱軸	predict	預測資料。

ts_anomaly_filter

函數格式：

select ts_anomaly_filter(lineName, ts, ds, preds, probs, nWatch, anomalyType)

參數說明如下：

參數	說明	取值
lineName	varchar類型，表示每條曲線的名稱。	-
ts	曲線的時間序列，表示當前這條曲線的時間資訊。array（double）類型，由小到大排列。	-
ds	曲線的實際值序列，表示當前這條曲線的數值資訊。array（double）類型，長度與ts相同。	-
preds	曲線的預測值序列，表示當前這條曲線的預測值。array（double）類型，長度與ts相同。	-
probs	曲線的異常檢測序列，表示當前這條曲線的異常檢測結果。array（double）類型，長度與ts相同。	-
nWatch	long類型，表示當前曲線中最近觀測的實際值的數量，長度必須小於實際的曲線長度。	-
anomalyType	long類型，表示要過濾的異常類型的種類。	取值包括： 0：表示關注全部異常。 1：表示關註上升沿異常。 -1：表示下降沿異常。

樣本：

查詢分析

* | select res.name, res.ts, res.ds, res.preds, res.probs 
     from ( 
         select ts_anomaly_filter(name, ts, ds, preds, probs, cast(5 as bigint), cast(1 as bigint)) as res 
       from (
         select name, res[1] as ts, res[2] as ds, res[3] as preds, res[4] as uppers, res[5] as lowers, res[6] as probs 
     from (
         select name, array_transpose(ts_predicate_ar(stamp, value, 10)) as res 
         from (
           select name, stamp, value from log where name like '%asg-%') group by name)) );

輸出結果

| name                     | ts                                                   | ds          | preds     | probs       |
| ------------------------ | ---------------------------------------------------- | ----------- | --------- | ----------- |
| asg-bp1hylzdi2wx7civ0ivk | [1.5513696E9, 1.5513732E9, 1.5513768E9, 1.5513804E9] | [1,2,3,NaN] | [1,2,3,4] | [0,0,1,NaN] |