Dimensions des métriques Azure Stream Analytics
Azure Stream Analytics fournit un service de traitement de streaming serverless et distribué. Les travaux peuvent s’exécuter sur un ou plusieurs nœuds de streaming distribués, que le service gère automatiquement. Les données d’entrée sont partitionnées et allouées à différents nœuds de streaming pour être traitées.
Stream Analytics dispose de nombreuses métriques pour surveiller l’intégrité d’un travail. Pour résoudre les problèmes de performances de votre travail, vous pouvez fractionner et filtrer les métriques à l’aide des dimensions suivantes.
Dimension | Définition |
---|---|
Nom logique | Nom d’entrée ou de sortie d’un travail Stream Analytics. |
ID de partition | ID de la partition de données d’entrée provenant d’une source d’entrée. Par exemple, si la source d’entrée est un hub d’événements, l’ID de partition est l’ID de la partition du hub d’événements. Pour un travail présentant un parallélisme embarrassant, l’ID de partition de la sortie est identique à celui de l’entrée. |
Node Name | Identificateur d’un nœud de streaming approvisionné au moment de l’exécution de votre travail. Un nœud de streaming représente la quantité de ressources de calcul et de mémoire allouées à votre travail. |
Dimension Nom logique
Le Nom logique est le nom d’entrée ou de sortie d’un travail Stream Analytics. Par exemple, supposons qu’un travail Stream Analytics comporte quatre entrées et cinq sorties. Vous voyez les quatre entrées logiques individuelles et les cinq sorties logiques individuelles lorsque vous fractionnez les métriques liées aux entrées et aux sorties en fonction de cette dimension.
La dimension Nom logique est disponible pour filtrer et fractionner les métriques suivantes :
- Événements d'entrée en backlog
- Erreurs de conversion de données
- Événements d’entrée précoces
- Erreurs de désérialisation d’entrée
- Octets des événements d’entrée
- Événements d’entrée
- Source d’entrée reçue
- Événements d’entrée tardifs
- Événements dans le désordre
- Événements de sortie
- Délai en filigrane
Dimension Nom de nœud
Un nœud de streaming représente un ensemble de ressources de calcul utilisées pour traiter vos données d’entrée. Six unités de streaming se traduisent par un nœud, que le service gère automatiquement en votre nom. Pour plus d’informations sur la relation entre les unités de streaming et les nœuds de streaming, consultez Comprendre et ajuster les unités de streaming.
La dimension Nom de nœud est une dimension de niveau Nœud de streaming. Celle-ci peut vous aider à explorer en détail certaines métriques jusqu’au niveau du nœud de streaming spécifique. Par exemple, vous pouvez fractionner la métrique % d’utilisation du processeur par niveau de nœud de streaming pour vérifier l’utilisation du processeur d’un nœud de streaming individuel.
La dimension Nom de nœud est disponible pour filtrer et fractionner les métriques suivantes :
- Événements d'entrée en backlog
- % d’utilisation de l’UC (préversion)
- Événements d’entrée
- Événements de sortie
- SU (Mémoire) % d'utilisation
- Délai en filigrane
Dimension ID de partition
Lorsque des données de streaming sont ingérées dans le service Azure Stream Analytics à des fins de traitement, les données d’entrée sont distribuées aux nœuds de streaming en fonction des partitions de la source d’entrée. La dimension ID de partition correspond à l’ID de la partition des données d’entrée provenant de la source d’entrée.
Par exemple, si la source d’entrée est un hub d’événements, l’ID de partition est l’ID de la partition du hub d’événements. L’ID de partition de l’entrée est le même que celui de la sortie.
La dimension ID de partition est disponible pour filtrer et fractionner les métriques suivantes :
- Événements d'entrée en backlog
- Erreurs de conversion de données
- Événements d’entrée précoces
- Erreurs de désérialisation d’entrée
- Octets des événements d’entrée
- Événements d’entrée
- Source d’entrée reçue
- Événements d’entrée tardifs
- Événements de sortie
- Délai en filigrane
Étapes suivantes
- Métriques de travaux Azure Stream Analytics
- Analyser les performances des travaux Stream Analytics à l’aide de métriques et de dimensions
- Débogage à l’aide du diagramme de travail physique (préversion) dans le portail Azure
- Débogage à l’aide du diagramme de travail logique (préversion) dans le portail Azure
- Surveiller un travail Stream Analytics via le portail Azure
- Comprendre et ajuster les unités de streaming
Commentaires
https://aka.ms/ContentUserFeedback.
Bientôt disponible : pendant toute l’année 2024, nous allons éliminer progressivement Problèmes GitHub comme mécanisme de commentaires pour le contenu et le remplacer par un nouveau système de commentaires. Pour plus d’informations, voir :Soumettre et afficher des commentaires pour