Referensi data pemantauan Azure Stream Analytics
Artikel ini berisi semua informasi referensi pemantauan untuk layanan ini.
Lihat Memantau Azure Stream Analytics untuk detail tentang data yang dapat Anda kumpulkan untuk Azure Stream Analytics dan cara menggunakannya.
Metrik
Bagian ini mencantumkan semua metrik platform yang dikumpulkan secara otomatis untuk layanan ini. Metrik ini juga merupakan bagian dari daftar global semua metrik platform yang didukung di Azure Monitor.
Untuk informasi tentang retensi metrik, lihat Gambaran umum Metrik Azure Monitor.
Azure Stream Analytics menyediakan banyak metrik yang dapat Anda gunakan untuk memantau dan memecahkan masalah kueri dan performa pekerjaan Anda. Anda dapat menampilkan data dari metrik ini di halaman Gambaran Umum portal Azure, di bagian Pemantauan.
Jika Anda ingin memeriksa metrik tertentu, pilih Metrik di bagian Pemantauan. Pada halaman yang muncul, pilih metrik.
Metrik yang didukung untuk Microsoft.StreamAnalytics/streamingjobs
Tabel berikut mencantumkan metrik yang tersedia untuk jenis sumber daya Microsoft.StreamAnalytics/streamingjobs.
- Semua kolom mungkin tidak ada di setiap tabel.
- Beberapa kolom mungkin berada di luar area tampilan halaman. Pilih Perluas tabel untuk menampilkan semua kolom yang tersedia.
Judul tabel
- Kategori - Grup metrik atau klasifikasi.
- Metrik - Nama tampilan metrik seperti yang muncul di portal Azure.
- Nama di REST API - Nama metrik seperti yang disebutkan dalam REST API.
- Unit - Satuan ukuran.
- Agregasi - Jenis agregasi default. Nilai yang valid: Rata-rata (Rata-rata), Minimum (Min), Maksimum (Maks), Total (Jumlah), Hitungan.
- Dimensi dimensi - tersedia untuk metrik.
- Interval Butir - Waktu tempat metrik diambil sampelnya. Misalnya,
PT1Mmenunjukkan bahwa metrik diambil sampelnya setiap menit,PT30Msetiap 30 menit,PT1Hsetiap jam, dan sebagainya. - Ekspor DS- Apakah metrik dapat diekspor ke Log Azure Monitor melalui pengaturan diagnostik. Untuk informasi tentang mengekspor metrik, lihat Membuat pengaturan diagnostik di Azure Monitor.
| Kategori | Metrik | Nama dalam REST API | Unit | Agregasi | Dimensi | Butir Waktu | Ekspor DS |
|---|---|---|---|---|---|---|---|
| Permintaan Fungsi Gagal Permintaan Fungsi Gagal |
AMLCalloutFailedRequests |
Hitung | Total (Jumlah) | LogicalName, , PartitionIdProcessorInstance,NodeName |
PT1M | Ya | |
| Peristiwa Fungsi Peristiwa Fungsi |
AMLCalloutInputEvents |
Hitung | Total (Jumlah) | LogicalName, , PartitionIdProcessorInstance,NodeName |
PT1M | Ya | |
| Permintaan Fungsi Permintaan Fungsi |
AMLCalloutRequests |
Hitung | Total (Jumlah) | LogicalName, , PartitionIdProcessorInstance,NodeName |
PT1M | Ya | |
| Kesalahan Konversi Data Kesalahan Konversi Data |
ConversionErrors |
Hitung | Total (Jumlah) | LogicalName, , PartitionIdProcessorInstance,NodeName |
PT1M | Ya | |
| Kesalahan Deserialisasi Input Kesalahan Deserialisasi Input |
DeserializationError |
Hitung | Total (Jumlah) | LogicalName, , PartitionIdProcessorInstance,NodeName |
PT1M | Ya | |
| Peristiwa tidak berurutan Peristiwa yang Rusak |
DroppedOrAdjustedEvents |
Hitung | Total (Jumlah) | LogicalName, , PartitionIdProcessorInstance,NodeName |
PT1M | Ya | |
| Peristiwa Input Awal Peristiwa Input Awal |
EarlyInputEvents |
Hitung | Total (Jumlah) | LogicalName, , PartitionIdProcessorInstance,NodeName |
PT1M | Ya | |
| Kesalahan Runtime Kesalahan Runtime |
Errors |
Hitung | Total (Jumlah) | LogicalName, , PartitionIdProcessorInstance,NodeName |
PT1M | Ya | |
| Byte Peristiwa Input Byte Peristiwa Input |
InputEventBytes |
Byte | Total (Jumlah) | LogicalName, , PartitionIdProcessorInstance,NodeName |
PT1M | Ya | |
| Peristiwa Input Peristiwa Input |
InputEvents |
Hitung | Total (Jumlah) | LogicalName, , PartitionIdProcessorInstance,NodeName |
PT1M | Ya | |
| Peristiwa Input Backlogged Peristiwa Input Backlogged |
InputEventsSourcesBacklogged |
Hitung | Rata-rata, Maksimum, Minimum | LogicalName, , PartitionIdProcessorInstance,NodeName |
PT1M | Ya | |
| Sumber Input Diterima Sumber Input Diterima |
InputEventsSourcesPerSecond |
Hitung | Total (Jumlah) | LogicalName, , PartitionIdProcessorInstance,NodeName |
PT1M | Ya | |
| Peristiwa Input Terlambat Peristiwa Input Terlambat |
LateInputEvents |
Hitung | Total (Jumlah) | LogicalName, , PartitionIdProcessorInstance,NodeName |
PT1M | Ya | |
| Peristiwa Output Peristiwa Output |
OutputEvents |
Hitung | Total (Jumlah) | LogicalName, , PartitionIdProcessorInstance,NodeName |
PT1M | Ya | |
| Penundaan Marka Air Penundaan Marka Air |
OutputWatermarkDelaySeconds |
Detik | Rata-rata, Maksimum, Minimum | LogicalName, , PartitionIdProcessorInstance,NodeName |
PT1M | Ya | |
| Pemanfaatan % CPU Pemanfaatan % CPU |
ProcessCPUUsagePercentage |
Persen | Rata-rata, Maksimum, Minimum | LogicalName, , PartitionIdProcessorInstance,NodeName |
PT1M | Ya | |
| Pemanfaatan SU (Memori) % Penggunaan % SU (Memori) |
ResourceUtilization |
Persen | Rata-rata, Maksimum, Minimum | LogicalName, , PartitionIdProcessorInstance,NodeName |
PT1M | Ya |
Deskripsi metrik
Azure Stream Analytics menyediakan metrik berikut untuk Anda guna memantau kesehatan pekerjaan Anda.
| Metrik | Definisi |
|---|---|
| Peristiwa Input Backlogged | Jumlah peristiwa input yang di-backlog. Nilai bukan nol untuk metrik ini menyiratkan bahwa pekerjaan Anda tidak dapat mengikuti jumlah peristiwa yang masuk. Jika nilai ini perlahan meningkat atau secara konsisten bukan nol, Anda harus memperluas skala pekerjaan Anda. Untuk mempelajari lebih lanjut, lihat Memahami dan menyesuaikan unit streaming. |
| Kesalahan Konversi Data | Jumlah peristiwa output yang tidak dapat dikonversi ke skema output yang diharapkan. Untuk menghilangkan peristiwa yang mengalami skenario ini, Anda dapat mengubah kebijakan kesalahan menjadi Hilangkan. |
| Pemanfaatan % CPU (pratinjau) | Persentase CPU yang digunakan pekerjaan Anda. Bahkan jika nilai ini sangat tinggi (90 persen atau lebih), Anda tidak boleh menambah jumlah SU hanya berdasarkan metrik ini saja. Jika jumlah kejadian input yang di-backlog atau penundaan marka air meningkat, Anda kemudian dapat menggunakan metrik ini untuk menentukan apakah CPU adalah penyempitannya. Metrik ini mungkin memiliki lonjakan yang terputus-putus. Kami menyarankan Anda melakukan pengujian skala untuk menentukan batas atas pekerjaan Anda setelah input ditampung atau penundaan marka air meningkat karena penyempitan CPU. |
| Peristiwa Input Awal | Peristiwa yang stempel waktu aplikasinya lebih awal dari waktu kedatangannya lebih dari 5 menit. |
| Permintaan Fungsi Gagal | Jumlah panggilan fungsi Azure Machine Learning yang gagal (jika ada). |
| Peristiwa Fungsi | Jumlah peristiwa yang dikirim ke fungsi Azure Machine Learning (jika ada). |
| Permintaan Fungsi | Jumlah panggilan ke fungsi Azure Machine Learning (jika ada). |
| Kesalahan Deserialisasi Input | Jumlah peristiwa input yang tidak bisa dideserialisasi. |
| Byte Peristiwa Input | Jumlah data yang diterima oleh pekerjaan Analisis Aliran, dalam byte. Anda dapat menggunakan metrik ini untuk memvalidasi bahwa peristiwa sedang dikirim ke sumber input. |
| Peristiwa Input | Jumlah rekaman yang dideserialisasi dari peristiwa input. Hitungan ini tidak termasuk peristiwa masuk yang mengakibatkan kesalahan deserialisasi. Analisis Aliran dapat menyerap peristiwa yang sama beberapa kali dalam skenario seperti pemulihan internal dan penggabungan mandiri. Jangan berharap metrik Peristiwa Input dan Peristiwa Output cocok jika pekerjaan Anda memiliki permintaan kirim langsung yang sederhana. |
| Sumber Input Diterima | Jumlah pesan yang diterima pekerjaan. Untuk Azure Event Hubs, pesan adalah item EventData tunggal. Untuk Azure Blob Storage, pesan adalah blob tunggal. Perhatikan bahwa sumber input dihitung sebelum deserialisasi. Jika ada kesalahan deserialisasi, sumber input bisa lebih besar dari peristiwa input. Jika tidak, sumber input dapat kurang dari atau sama dengan peristiwa input karena setiap pesan dapat berisi beberapa peristiwa. |
| Peristiwa Input Terlambat | Peristiwa yang tiba lebih lambat dari jendela toleransi kedatangan terlambat yang dikonfigurasi. Pelajari lebih lanjut tentang pertimbangan urutan peristiwa Azure Stream Analytics. |
| Peristiwa Tak Berurutan | Jumlah peristiwa diterima tidak berurutan karena dihilangkan atau diberi stempel waktu yang disesuaikan, berdasarkan Kebijakan Pengurutan Peristiwa. Metrik ini dapat teroengaruh oleh konfigurasi pengaturan Jendela Toleransi Tidak Berurutan. |
| Peristiwa Output | Jumlah data yang dikirim oleh pekerjaan Analisis Aliran ke target output, dalam jumlah peristiwa. |
| Kesalahan Runtime | Jumlah total kesalahan yang terkait dengan pemrosesan kueri. Ini mengecualikan kesalahan yang ditemukan saat menyerap peristiwa atau menghasilkan hasil. |
| Pemanfaatan SU (Memori) % | Persentase memori yang digunakan pekerjaan Anda. Jika metrik ini secara konsisten lebih dari 80 persen, penundaan marka air meningkat, dan jumlah peristiwa yang tertunda meningkat, pertimbangkan untuk meningkatkan unit streaming (SU). Pemanfaatan tinggi menunjukkan bahwa pekerjaan menggunakan sumber daya yang mendekati alokasi maksimum. |
| Penundaan Marka Air | Penundaan marka air maksimum di semua partisi dari semua output dalam pekerjaan. |
Dimensi metrik
Untuk informasi tentang dimensi metrik apa itu, lihat Metrik multi-dimensi.
Layanan ini memiliki dimensi berikut yang terkait dengan metriknya.
| Dimensi | Definisi |
|---|---|
| Nama Logika | Nama input atau output untuk pekerjaan Azure Stream Analytics. |
| ID partisi | ID partisi data input dari sebuah sumber input. Misalnya, jika sumber input adalah sebuah hub peristiwa, ID partisi adalah ID partisi dari hub peristiwa. Untuk pekerjaan paralel yang menyulitkan, ID Partisi dalam output sama seperti dalam input. |
| Nama Node | Pengidentifikasi dari node streaming yang disediakan saat pekerjaan Anda berjalan. Node streaming mewakili jumlah sumber daya komputasi serta memori yang dialokasikan untuk pekerjaan Anda. |
Dimensi Nama Logis
Nama logis adalah nama input atau output untuk pekerjaan Azure Stream Analytics. Misalnya, asumsikan bahwa pekerjaan Azure Stream Analytics mempunyai empat input dan lima output. Anda akan melihat empat input logis individual dan lima output logis individual ketika Anda membagi metrik terkait input serta terkait output berdasarkan dimensi ini.
Dimensi Nama Logis tersedia untuk memfilter dan memisahkan metrik berikut ini:
- Peristiwa Input Backlogged
- Kesalahan Konversi Data
- Peristiwa Input Awal
- Kesalahan Deserialisasi Input
- Byte Peristiwa Input
- Peristiwa Input
- Sumber Input Diterima
- Peristiwa Input Terlambat
- Peristiwa Tak Berurutan
- Peristiwa Output
- Penundaan Marka Air
Dimensi Nama Node
Node streaming mewakili sekumpulan sumber daya komputasi yang digunakan untuk memproses data input Anda. Setiap enam unit streaming (SU) diterjemahkan ke satu simpul, yang dikelola layanan secara otomatis atas nama Anda. Untuk informasi selengkapnya tentang hubungan antara unit streaming dan node streaming, lihat Memahami serta menyesuaikan unit streaming.
Nama Node adalah dimensi pada tingkat node streaming. Hal ini dapat membantu Anda menelusuri metrik tertentu ke tingkat node streaming tertentu. Misalnya, Anda bisa memisahkan metrik pemanfaatan CPU % dengan tingkat node streaming guna memeriksa pemanfaatan CPU dari node streaming individual.
Dimensi Nama Node tersedia untuk memfilter serta memisahkan metrik berikut ini:
- Peristiwa Input Backlogged
- Pemanfaatan % CPU (pratinjau)
- Peristiwa Input
- Peristiwa Output
- Pemanfaatan SU (Memori) %
- Penundaan Marka Air
Dimensi ID Partisi
Ketika data streaming diserap ke dalam layanan Azure Stream Analytics untuk diproses, data input didistribusikan ke node streaming sesuai dengan partisi di sumber input. Dimensi ID Partisi adalah partisi ID data input dari sumber input.
Misalnya, jika sumber input adalah sebuah hub peristiwa, ID partisi adalah ID partisi dari hub peristiwa. ID partisi di dalam input sama dengan yang ada di output.
Dimensi ID Partisi tersedia untuk memfilter serta memisahkan metrik berikut ini:
- Peristiwa Input Backlogged
- Kesalahan Konversi Data
- Peristiwa Input Awal
- Kesalahan Deserialisasi Input
- Byte Peristiwa Input
- Peristiwa Input
- Sumber Input Diterima
- Peristiwa Input Terlambat
- Peristiwa Output
- Penundaan Marka Air
Log sumber daya
Bagian ini mencantumkan jenis log sumber daya yang dapat Anda kumpulkan untuk layanan ini. Bagian menarik dari daftar semua jenis kategori log sumber daya yang didukung di Azure Monitor.
Log sumber daya yang didukung untuk Microsoft.StreamAnalytics/streamingjobs
| Kategori | Nama tampilan kategori | Tabel log | Mendukung rencana log dasar | Mendukung transformasi waktu penyerapan | Contoh kueri | Biaya untuk diekspor |
|---|---|---|---|---|---|---|
Authoring |
Penulisan | AzureDiagnostics Log dari beberapa sumber daya Azure. |
Tidak | Tidak | Kueri | No |
Execution |
Eksekusi | AzureDiagnostics Log dari beberapa sumber daya Azure. |
Tidak | Tidak | Kueri | No |
Skema log sumber daya
Semua log disimpan dalam format JSON. Setiap entri memiliki bidang string umum berikut:
| Nama | Deskripsi |
|---|---|
| waktu | Cap waktu (dalam UTC) dari log. |
| resourceId | ID sumber daya yang operasi berlangsung, dalam huruf besar. Ini termasuk ID langganan, grup sumber daya, dan nama pekerjaan. Misalnya, /SUBSCRIPTIONS/6503D296-DAC1-4449-9B03-609A1F4A1C87/RESOURCEGROUPS/MY-RESOURCE-GROUP/PROVIDERS/MICROSOFT. STREAMANALYTICS / STREAMINGJOBS / MYSTREAMINGJOB. |
| category | Kategori log, baik Eksekusi atau Penulisan. |
| operationName | Nama operasi yang dicatat. Misalnya, Kirim Peristiwa: Output SQL gagal menulis ke mysqloutput. |
| status | Status operasi. Misalnya, Gagal atau Berhasil. |
| tingkat | Tingkat log. Misalnya, Kesalahan, Peringatan, atau Informasi. |
| properti | Detail khusus entri log, diserialisasikan sebagai string JSON. Untuk informasi selengkapnya, lihat bagian berikut ini di artikel ini. |
Skema properti log eksekusi
Log eksekusi memiliki informasi tentang peristiwa yang terjadi selama eksekusi pekerjaan Azure Stream Analytics. Skema properti bervariasi tergantung pada apakah peristiwa tersebut merupakan kesalahan data atau kejadian umum.
Kesalahan data
Kesalahan apa pun yang terjadi saat pekerjaan sedang memproses data ada dalam kategori log ini. Log ini paling sering dibuat selama operasi baca data, serialisasi, dan penulisan. Log ini tidak menyertakan kesalahan konektivitas. Kesalahan konektivitas diperlakukan sebagai kejadian umum. Anda dapat mempelajari lebih lanjut tentang penyebab berbagai kesalahan data input dan output yang berbeda.
| Nama | Deskripsi |
|---|---|
| Sumber | Nama input atau output pekerjaan tempat terjadinya kesalahan. |
| Pesan | Pesan yang terkait dengan kesalahan. |
| Jenis | Tipe kesalahan. Misalnya, DataConversionError, CsvParserError, atau ServiceBusPropertyColumnMissingError. |
| Data | Berisi data yang berguna untuk menemukan sumber kesalahan secara akurat. Tunduk pada pemotongan, bergantung pada ukuran. |
Bergantung pada nilai operationName, kesalahan data memiliki skema berikut:
Peristiwa serialisasi terjadi selama operasi baca peristiwa. Mereka terjadi ketika data di input tidak memenuhi skema kueri karena salah satu alasan berikut:
Ketik ketidakcocokan selama serialisasi/deserialisasi peristiwa: Mengidentifikasi bidang yang menyebabkan kesalahan.
Tidak dapat membaca peristiwa, serialisasi yang tidak valid: Mencantumkan informasi tentang lokasi dalam data input tempat kesalahan terjadi. Termasuk nama blob untuk input blob, offset, dan sampel data.
Peristiwa pengiriman terjadi selama operasi tulis. Mereka mengidentifikasi peristiwa streaming yang menyebabkan kesalahan.
Kejadian umum
Peristiwa generik mencakup segala sesuatu yang lain.
| Nama | Deskripsi |
|---|---|
| Kesalahan | (opsional) Informasi kesalahan. Biasanya, ini adalah informasi pengecualian jika tersedia. |
| Pesan | Pesan log. |
| Jenis | Tipe pesan. Azure Maps ke kategorisasi internal kesalahan. Misalnya, JobValidationError atau BlobOutputAdapterInitializationFailure. |
| ID Korelasi | GUID yang secara unik mengidentifikasi eksekusi pekerjaan. Semua entri log eksekusi dari waktu pekerjaan dimulai sampai pekerjaan berhenti memiliki nilai ID Korelasi yang sama. |
Untuk referensi, lihat daftar semua jenis kategori log sumber daya yang didukung di Azure Monitor atau semua jenis kategori log sumber daya yang dikumpulkan untuk Azure Stream Analytics.
Tabel Log Azure Monitor
Bagian ini mencantumkan tabel Log Azure Monitor yang relevan dengan layanan ini, yang tersedia untuk kueri oleh Analitik Log menggunakan kueri Kusto. Tabel berisi data log sumber daya dan mungkin lebih bergantung pada apa yang dikumpulkan dan dirutekan ke dalamnya.
Pekerjaan Azure Stream Analytics
| Kategori | Nama tampilan kategori | Tabel log | Mendukung rencana log dasar | Mendukung transformasi waktu penyerapan | Contoh kueri | Biaya untuk diekspor |
|---|---|---|---|---|---|---|
Authoring |
Penulisan | AzureDiagnostics Log dari beberapa sumber daya Azure. |
Tidak | Tidak | Kueri | No |
Execution |
Eksekusi | AzureDiagnostics Log dari beberapa sumber daya Azure. |
Tidak | Tidak | Kueri | No |
Log aktivitas
Tabel tertaut mencantumkan operasi yang dapat direkam dalam log aktivitas untuk layanan ini. Operasi ini adalah subset dari semua kemungkinan operasi penyedia sumber daya dalam log aktivitas.
Untuk informasi selengkapnya tentang skema entri log aktivitas, lihat Skema Log Aktivitas.