智能异常分析应用是一个可托管、高可用、可扩展的服务，主要提供智能巡检、文本分析和根因诊断三大能力。本文介绍智能异常分析应用的产品架构、功能优势、适用场景、核心名词、使用限制和费用说明等信息。
目前仅限白名单用户使用根因诊断功能。如果您需要使用根因诊断功能，请提交工单申请。
产品架构
智能异常分析应用围绕运维场景中的监控指标、程序日志、服务关系等核心要素展开，通过机器学习等手段产生异常事件，通过服务拓扑关联分析时序数据和事件，最终降低企业的运维复杂度，提高服务质量。产品架构图如下所示。
各功能组件说明如下：
日志存储（Logstore）：日志服务提供Logstore用于存储日志类型的数据，并在日志存储的基础上提供查询和分析（SQL92语法）功能。更多信息，请参见查询与分析概述。
时序存储（Metricstore）：日志服务提供Metricstore用于存储时序数据，并在时序数据存储的基础上提供分析（SQL92语法、PromQL语法）功能。更多信息，请参见时序数据查询和分析语法。
机器学习算法：通过对特定场景的深度整合，提供一系列针对时序数据和文本等相关的算法，生成异常数据。更多信息，请参见智能巡检算法说明、文本分析算法说明。
告警（Alert Monitoring）：支持对异常结果进行告警。更多信息，请参见什么是日志服务告警。
功能优势
支持海量实体指标的智能异常检测，您无需关注具体的告警规则，通过简单的设置即可巡检各种异常。
智能化地分析和挖掘非结构化文本日志，自动发现异常模式。
支持您对算法产生的结果进行标注，帮助您逐步实现更好的模型训练和学习。
依托于日志服务的高可用性与数据可靠性，告警服务的可用性达到99.9%。
智能异常分析应用跟告警服务深度整合，让您拥有更完整的体验。
使用场景
在如下场景中，推荐使用智能异常分析应用。
观察对象多且每个观察对象的观测维度也多。
观测对象没有明确的阈值规则，但需要关注指标的形态。
需要对观测对象编写大量的业务规则。
处理非结构化的日志数据时，需要对文本日志中的模式进行挖掘。
在Trace场景中，有明确的服务拓扑。
存在自定义的服务拓扑。
核心名词
基本概念 | 说明 |
基本概念 | 说明 |
时序序列 | 在时序巡检任务的配置过程中，需要给算法提供标准的时间序列，即为Unix时间戳形式、等间隔的序列指标。 |
实体 | 智能巡检任务中的观测对象。 例如对某台机器上的某个特定的服务进行异常检测，通常对这个实体的描述为 |
黄金指标 | 可以较准确地描述服务质量或者观测实体稳定性的指标。例如：
|
异常类型 | |
归一化方法 | 归一化是一种简化计算的方式，即将有量纲的表达式转化为无量纲的表达式，成为标量，用于提升异常检测的效果。 |
滤波方法 | 滤波是将信号中特定波段频率滤除的操作，是抑制和防止干扰的一项重要措施。通过滤波后的曲线会平滑一些，用于提升异常检测的效果。 |
标注 | 您可以对智能巡检结果进行打标反馈，智能异常分析应用会接收到对应的信息。 |
误报 | 在时序巡检场景中，模型会检测出对应的异常，并通过告警渠道通知给您。如果您认为该结果不符合预期，则打标反馈给智能巡检应用，智能巡检应用将接收到此信息并进行机器学习。 |
漏报 | 在时序巡检场景中，如果模型未检测出对应的异常，您可以通过相应的组件对任意数据点的打标信息进行上报。 |
模式提取 | 通过分析、抽取、归纳的方法提取文本对象中的模式，用来描述一类相似文本的方法。 |
聚类 | 将物理或抽象对象的集合分成由类似的对象组成的多个类的过程被称为聚类。由聚类所生成的簇是一组数据对象的集合，这些对象与同一个簇中的对象彼此相似，与其他簇中的对象不同。 |
无监督 | 根据类别未知（未被标记）的训练样本解决模式识别中的各种问题。 |
有监督 | 有监督的学习是从标签化训练数据集中推断出函数或模型的机器学习任务。 |
日志常量 | 日志往往由程序中的 |
日志变量 | 日志往往由程序中的 |
日志模板 | 由日志中的常量部分和变量部分的通配符构成的文本被称为日志模板。 例如 通配符可以根据变量类型的不同进行选择，例如可以使用 |
日志类别 | 每个日志类别包含表示该类别的日志模板，如果日志内容与该日志模板匹配，那么就认为日志属于该日志类别。 |
使用限制
费用说明
目前智能巡检应用处于公测阶段，不会产生费用。
