Informations de référence sur les données de surveillance Azure Stream Analytics
Cet article contient toutes les informations de référence de surveillance pour ce service.
Consultez Surveiller Azure Stream Analytics pour plus d’informations sur les données que vous pouvez collecter pour Azure Stream Analytics et comment l’utiliser.
Métriques
Cette section répertorie toutes les métriques de plateforme collectées automatiquement pour App Service. Ces métriques font également partie de la liste globale de toutes les métriques de plateforme prises en charge dans Azure Monitor.
Pour plus d’informations sur les métriques de surveillance, consultez la section Présentation des métriques Azure Monitor.
Métriques prises en charge pour Microsoft.StreamAnalytics/streamingjobs
Le tableau suivant répertorie les métriques disponibles pour le type de ressource Microsoft.StreamAnalytics/streamingjobs.
- Toutes les colonnes peuvent ne pas être présentes dans chaque table.
- Certaines colonnes peuvent dépasser la zone d’affichage de la page. Sélectionnez Développer la table pour afficher toutes les colonnes disponibles.
Titres du tableau
- Catégorie : le groupe de métriques ou classification.
- Métrique : nom complet de la métrique tel qu’il apparaît dans le portail Azure.
- Nom dans l’API REST : le nom de la métrique comme appelé dans l’API REST.
- Unité : unité de mesure.
- Agrégation : le type d’agrégation par défaut. Valeurs valides : Moyen (moy), Minimum (min), Maximum (max), Total (somme), Nombre.
- Dimensions - Dimensions disponibles pour la métrique.
- Fragments de temps - Intervalles auxquels la métrique est échantillonnée. Par exemple,
PT1Mindique que la métrique est échantillonnée toutes les minutes,PT30Mtoutes les 30 minutes,PT1Htoutes les heures, et ainsi de suite. - Exportation DS : indique si la métrique est exportable vers les journaux Azure Monitor via les paramètres de diagnostic. Pour plus d’informations sur l’exportation des métriques, consultez Créer des paramètres de diagnostic dans Azure Monitor.
| Catégorie | Mesure | Nom dans l’API REST | Unité | Agrégation | Dimensions | Fragments de temps | Exportation DS |
|---|---|---|---|---|---|---|---|
| Requêtes de fonction ayant échoué Requêtes de fonction ayant échoué |
AMLCalloutFailedRequests |
Count | Total | LogicalName, , PartitionIdProcessorInstance, ,NodeName |
PT1M | Oui | |
| Événements de fonction Événements de fonction |
AMLCalloutInputEvents |
Count | Total | LogicalName, , PartitionIdProcessorInstance, ,NodeName |
PT1M | Oui | |
| Requêtes de fonction Requêtes de fonction |
AMLCalloutRequests |
Count | Total | LogicalName, , PartitionIdProcessorInstance, ,NodeName |
PT1M | Oui | |
| Erreurs de conversion de données Erreurs de conversion de données |
ConversionErrors |
Count | Total | LogicalName, , PartitionIdProcessorInstance, ,NodeName |
PT1M | Oui | |
| Erreurs de désérialisation d’entrée Erreurs de désérialisation d’entrée |
DeserializationError |
Count | Total | LogicalName, , PartitionIdProcessorInstance, ,NodeName |
PT1M | Oui | |
| Événements hors commande Événements en désordre |
DroppedOrAdjustedEvents |
Count | Total | LogicalName, , PartitionIdProcessorInstance, ,NodeName |
PT1M | Oui | |
| Événements d’entrée précoces Événements d’entrée précoces |
EarlyInputEvents |
Count | Total | LogicalName, , PartitionIdProcessorInstance, ,NodeName |
PT1M | Oui | |
| Erreurs d’exécution Erreurs d’exécution |
Errors |
Count | Total | LogicalName, , PartitionIdProcessorInstance, ,NodeName |
PT1M | Oui | |
| Octets des événements d’entrée Octets des événements d’entrée |
InputEventBytes |
Octets | Total | LogicalName, , PartitionIdProcessorInstance, ,NodeName |
PT1M | Oui | |
| Événements d’entrée Événements d’entrée |
InputEvents |
Count | Total | LogicalName, , PartitionIdProcessorInstance, ,NodeName |
PT1M | Oui | |
| Événements d'entrée en backlog Événements d'entrée en backlog |
InputEventsSourcesBacklogged |
Count | Moyenne, Maximum, Minimum | LogicalName, , PartitionIdProcessorInstance, ,NodeName |
PT1M | Oui | |
| Sources d'entrée reçues Sources d'entrée reçues |
InputEventsSourcesPerSecond |
Count | Total | LogicalName, , PartitionIdProcessorInstance, ,NodeName |
PT1M | Oui | |
| Événements d’entrée tardifs Événements d’entrée tardifs |
LateInputEvents |
Count | Total | LogicalName, , PartitionIdProcessorInstance, ,NodeName |
PT1M | Oui | |
| Événements de sortie Événements de sortie |
OutputEvents |
Count | Total | LogicalName, , PartitionIdProcessorInstance, ,NodeName |
PT1M | Oui | |
| Délai en filigrane Délai en filigrane |
OutputWatermarkDelaySeconds |
Secondes | Moyenne, Maximum, Minimum | LogicalName, , PartitionIdProcessorInstance, ,NodeName |
PT1M | Oui | |
| % d’utilisation de l’UC % d’utilisation de l’UC |
ProcessCPUUsagePercentage |
Pourcentage | Moyenne, Maximum, Minimum | LogicalName, , PartitionIdProcessorInstance, ,NodeName |
PT1M | Oui | |
| SU (Mémoire) % d'utilisation SU (Mémoire) % d'utilisation |
ResourceUtilization |
Pourcentage | Moyenne, Maximum, Minimum | LogicalName, , PartitionIdProcessorInstance, ,NodeName |
PT1M | Oui |
Descriptions des métriques
Azure Stream Analytics fournit les métriques suivantes pour vous permettre de surveiller l’intégrité de votre travail.
| Métrique | Définition |
|---|---|
| Événements d'entrée en backlog | Nombre d’événements d’entrée qui sont en backlog. Une valeur non nulle pour cette métrique implique que votre travail n’est pas en mesure de suivre le nombre d’événements entrants. Si cette valeur est croissante ou constamment différente de zéro, vous devez effectuer un scale-out de votre travail. Pour plus d’informations, consultez Comprendre et ajuster les unités de diffusion en continu. |
| Erreurs de conversion de données | Nombre d’événements de sortie qui n’ont pas pu être convertis dans le schéma de sortie attendu. Pour supprimer les événements qui rencontrent ce scénario, vous pouvez modifier la stratégie d’erreur en Annuler. |
| % d’utilisation de l’UC (préversion) | Pourcentage d’UC que votre travail utilise. Même si cette valeur est très élevée (90 % ou plus), vous ne devez pas augmenter le nombre de SU uniquement sur la base de cette métrique. Si le nombre d’événements d’entrée en backlog ou de délais en filigrane augmente, vous pouvez utiliser cette métrique pour déterminer si le processeur constitue le goulot d’étranglement. Cette métrique peut avoir des pics intermittents. Nous vous recommandons d’effectuer des tests de mise à l’échelle pour déterminer la limite supérieure de votre travail après laquelle les entrées sont en backlog ou les délais en filigrane augmentent en raison d’un goulot d’étranglement du processeur. |
| Événements d’entrée précoces | Événements dont l’horodatage d’application est antérieur à leur heure d’arrivée de plus de 5 minutes. |
| Requêtes de fonction ayant échoué | Nombre d’appels à la fonction Azure Machine Learning ayant échoué (le cas échéant). |
| Événements de fonction | Nombre d’événements envoyés à la fonction Azure Machine Learning (le cas échéant). |
| Requêtes de fonction | Nombre d’appels à la fonction Azure Machine Learning (le cas échéant). |
| Erreurs de désérialisation d’entrée | Nombre d’événements d’entrée qui n’ont pas pu être désérialisés. |
| Octets des événements d’entrée | Quantité de données que le travail Stream Analytics reçoit, en octets. Vous pouvez utiliser cette métrique pour valider que les événements sont envoyés à la source d’entrée. |
| Événements d’entrée | Nombre d’enregistrements désérialisé à partir des événements d’entrée. Ce nombre n’inclut pas les événements entrants qui génèrent des erreurs de désérialisation. Stream Analytics peut ingérer les mêmes événements plusieurs fois dans des scénarios comme les récupérations internes ou les jointures réflexives. Ne vous attendez pas à ce que les métriques Événements d’entrée et Événements de sortie correspondent si votre travail comporte une simple requête directe. |
| Sources d'entrée reçues | Nombre de messages reçus par le travail. Pour Azure Event Hubs, un message est un élément EventData unique. Pour Stockage Blob Azure, un message est un blob unique. Notez que les sources d’entrée sont comptabilisées avant la désérialisation. En cas d’erreurs de désérialisation, les sources d’entrée peuvent être supérieures aux événements d’entrée. Sinon, les sources d’entrée peuvent être inférieures ou égales aux événements d’entrée dans la mesure où chaque message peut contenir plusieurs événements. |
| Événements d’entrée tardifs | Événements reçus plus tard que la valeur configurée dans la fenêtre de tolérance d’arrivée tardive. En savoir plus sur les Considérations relatives à l’ordre des événements Azure Stream Analytics. |
| Événements dans le désordre | Nombre d’événements reçus dans le désordre qui ont été supprimés ou dont l’horodatage a été réglé, en fonction de la stratégie de classement des événements. Cette métrique peut être affectée par la configuration du paramètre Plage de tolérance pour les événements en désordre. |
| Événements de sortie | Quantité de données envoyées par le travail Stream Analytics à la cible de sortie, en nombre d’événements. |
| Erreurs d’exécution | Nombre total d’erreurs liées au traitement des requêtes. Cela exclut les erreurs trouvées lors de l’ingestion d’événements ou de la sortie des résultats. |
| SU (Mémoire) % d'utilisation | Pourcentage de mémoire que votre travail utilise. Si cette métrique est régulièrement supérieure à 80 %, le délai en filigrane augmente; tout comme le nombre d’événements retardés. Dans ce cas, vous pouvez d’augmenter les unités de streaming (SU). Une utilisation intensive indique que la tâche atteint une limite proche de la quantité maximale de ressources allouées. |
| Délai en filigrane | Le délai en filigrane maximal sur toutes les partitions de toutes les sorties du travail. |
Dimensions de métrique
Pour plus d’informations sur les dimensions de métrique, consultez Métriques multidimensionnelles.
Ce service a les dimensions suivantes associées à ses métriques.
- Nom logique : nom d’entrée ou de sortie d’un travail Azure Stream Analytics.
- ID de partition : ID de la partition de données d’entrée à partir d’une source d’entrée.
- Nom du nœud : identificateur d’un nœud de streaming approvisionné lors de l’exécution d’un travail.
Pour plus d’informations, consultez Dimensions pour les métriques Azure Stream Analytics.
Journaux d’activité de ressources
Cette section répertorie les types de journaux d’activité de ressources que vous pouvez collecter pour ce service. La section extrait la liste de tous les types de catégorie de journaux d’activité de ressources pris en charge dans Azure Monitor.
Journaux de ressources pris en charge pour Microsoft.StreamAnalytics/streamingjobs
| Category | Nom complet de la catégorie | Table de journal | Prend en charge le plan de journal de base | Prend en charge la transformation de la durée d’ingestion | Exemples de requêtes | Coûts d’exportation |
|---|---|---|---|---|---|---|
Authoring |
Création | AzureDiagnostics Journaux d’activité de plusieurs ressources Azure. |
Non | Non | Requêtes | Non |
Execution |
Exécution | AzureDiagnostics Journaux d’activité de plusieurs ressources Azure. |
Non | Non | Requêtes | Non |
Pour connaître le schéma et les propriétés des journaux de ressources pour les erreurs de données et les événements, consultez le schéma des journaux des ressources.
Tables Azure Monitor Logs
Cette section répertorie les tables journaux Azure Monitor pertinentes pour ce service, qui sont disponibles pour les requêtes par Log Analytics à l’aide de requêtes Kusto. Les tables contiennent des données de journal des ressources et éventuellement plus en fonction de ce qui est collecté et routé vers eux.
Tâches Stream Analytics
microsoft.streamanalytics/streamingjobs
Journal d’activité
La table liée répertorie les opérations qui peuvent être enregistrées dans le journal d’activité de ce service. Ces opérations constituent un sous-ensemble de toutes les opérations possibles du fournisseur de ressources dans le journal d’activité.
Pour plus d’informations sur le schéma des entrées du journal d’activité, consultez Schéma du journal d’activité.
Contenu connexe
Commentaires
Bientôt disponible : Tout au long de 2024, nous allons supprimer progressivement GitHub Issues comme mécanisme de commentaires pour le contenu et le remplacer par un nouveau système de commentaires. Pour plus d’informations, consultez https://aka.ms/ContentUserFeedback.
Envoyer et afficher des commentaires pour