Udostępnij za pośrednictwem

log_reduce_predict_fl()

  • Artykuł

Funkcja log_reduce_predict_fl() analizuje częściowo ustrukturyzowane kolumny tekstowe, takie jak wiersze dziennika, a dla każdego wiersza pasuje do odpowiedniego wzorca ze wstępnie wytrenowanego modelu lub zgłasza anomalię, jeśli nie znaleziono pasującego wzorca. Dane wyjściowe funkcji są podobne do log_reduce_fl(), chociaż wzorce są pobierane z wstępnie wytrenowanego modelu wygenerowanego przez log_reduce_train_fl().

Wymagania wstępne

  • Wtyczka języka Python musi być włączona w klastrze. Jest to wymagane w przypadku wbudowanego języka Python używanego w funkcji .
  • Wtyczka języka Python musi być włączona w bazie danych. Jest to wymagane w przypadku wbudowanego języka Python używanego w funkcji .

Składnia

T|invokelog_reduce_predict_fl(, models_tblModel_name,reduce_col [,anomaly_str ])

Dowiedz się więcej o konwencjach składniowych.

Parametry

Nazwa Typ Wymagane Opis
models_tbl tabela ✔️ Tabela zawierająca modele wygenerowane przez log_reduce_train_fl(). Schemat tabeli powinien mieć wartość (name:string, timestamp: datetime, model:string).
Model_name string ✔️ Nazwa modelu, który zostanie pobrany z models_tbl. Jeśli tabela zawiera kilka modeli pasujących do nazwy modelu, zostanie użyta najnowsza.
reduce_col string ✔️ Nazwa kolumny ciągu, do których jest stosowana funkcja.
anomaly_str string Ten ciąg jest danymi wyjściowymi wierszy, które nie mają pasowanego wzorca w modelu. Wartość domyślna to "ANOMALY".

Definicja funkcji

Funkcję można zdefiniować, osadzając jej kod jako funkcję zdefiniowaną przez zapytanie lub tworząc ją jako funkcję przechowywaną w bazie danych w następujący sposób:

Zdefiniuj funkcję przy użyciu następującej instrukcji let. Nie są wymagane żadne uprawnienia.

Ważne

Instrukcja let nie może być uruchamiana samodzielnie. Po nim musi znajdować się instrukcja wyrażenia tabelarycznego. Aby uruchomić działający przykład log_reduce_fl()polecenia , zobacz Przykład.

let log_reduce_predict_fl=(tbl:(*), models_tbl: (name:string, timestamp: datetime, model:string), 
                      model_name:string, reduce_col:string, anomaly_str: string = 'ANOMALY')
{
    let model_str = toscalar(models_tbl | where name == model_name | top 1 by timestamp desc | project model);
    let kwargs = bag_pack('logs_col', reduce_col, 'output_patterns_col', 'LogReduce','output_parameters_col', '', 
                          'model', model_str, 'anomaly_str', anomaly_str, 'output_type', 'summary');
    let code = ```if 1:
        from log_cluster import log_reduce_predict
        result = log_reduce_predict.log_reduce_predict(df, kargs)
    ```;
    tbl
    | evaluate hint.distribution=per_node python(typeof(Count:int, LogReduce:string, example:string), code, kwargs)
};
// Write your query to use the function here.

Przykład

W poniższym przykładzie użyto operatora invoke do uruchomienia funkcji.

Aby użyć funkcji zdefiniowanej przez zapytanie, wywołaj ją po definicji funkcji osadzonej.

let log_reduce_predict_fl=(tbl:(*), models_tbl: (name:string, timestamp: datetime, model:string), 
                      model_name:string, reduce_col:string, anomaly_str: string = 'ANOMALY')
{
    let model_str = toscalar(models_tbl | where name == model_name | top 1 by timestamp desc | project model);
    let kwargs = bag_pack('logs_col', reduce_col, 'output_patterns_col', 'LogReduce','output_parameters_col', '', 
                          'model', model_str, 'anomaly_str', anomaly_str, 'output_type', 'summary');
    let code = ```if 1:
        from log_cluster import log_reduce_predict
        result = log_reduce_predict.log_reduce_predict(df, kargs)
    ```;
    tbl
    | evaluate hint.distribution=per_node python(typeof(Count:int, LogReduce:string, example:string), code, kwargs)
};
HDFS_log_100k
| take 1000
| invoke log_reduce_predict_fl(models_tbl=ML_Models, model_name="HDFS_100K", reduce_col="data")

Dane wyjściowe

Liczba LogReduce przykład
239 081110 <NUM NUM><> INFO dfs. DataNode$DataXceiver: Odbieranie bloku blk_<NUM> src: <dest IP: <IP>> 081110 215858 15494 INFO dfs. DataNode$DataXceiver: Odbieranie bloku blk_-7037346755429293022 src: /10.251.43.21:45933: /10.251.43.21:50010
231 081110 <NUM NUM><> INFO dfs. DataNode$PacketResponder: odebrano blok blk_<NUM> o rozmiarze <NUM> z <adresu IP> 081110 215858 15485 INFO dfs. DataNode$PacketResponder: odebrano blk_5080254298708411681 67108864 o rozmiarze od /10.251.43.21
230 081110 <NUM NUM><> INFO dfs. DataNode$PacketResponder: PacketResponder <NUM> dla bloku blk_<NUM> kończące 081110 215858 15496 INFO dfs. DataNode$PacketResponder: PacketResponder 2 dla zakończenia blk_ bloku 7746692545918257727
218 081110 <NUM NUM><> INFO dfs. FSNamesystem: BLOCK* NameSystem.addStoredBlock: blockMap updated: <adres IP> jest dodawany do blk_<NUM> rozmiar <NUM> 081110 215858 27 info dfs. FSNamesystem: BLOCK* NameSystem.addStoredBlock: blockMap zaktualizowano: 10.250.11.85:50010 jest dodawany do rozmiaru blk_5080254298708411681 67108864
79 081110 <NUM NUM><> INFO dfs. FSNamesystem: BLOCK* NameSystem.allocateBlock: <>. <> 081110 215858 26 INFO dfs. FSNamesystem: BLOCK* NameSystem.allocateBlock: /user/root/rand3/_temporary/task_200811101024_0005_m_001805_0/part-01805. blk-7037346755429293022
3 081110 <NUM NUM><> INFO dfs. DataBlockScanner: Weryfikacja powiodła się dla <*> 081110 215859 13 info dfs. DataBlockScanner: Weryfikacja zakończyła się pomyślnie dla blk_-7244926816084627474

Ta funkcja nie jest obsługiwana.