Dela via

Azure Stream Analytics-jobbmått

  • Artikel

Azure Stream Analytics innehåller många mått som du kan använda för att övervaka och felsöka fråge- och jobbprestanda. Du kan visa data från dessa mått på sidan Översikt i Azure-portalen i avsnittet Övervakning .

Screenshot of the Azure portal that shows the section for monitoring Stream Analytics jobs.

Om du vill kontrollera ett visst mått väljer du Mått i avsnittet Övervakning . På sidan som visas väljer du måttet.

Screenshot that shows selecting a metric in the Stream Analytics job monitoring dashboard.

Mått som är tillgängliga för Stream Analytics

Azure Stream Analytics innehåller följande mått som du kan använda för att övervaka jobbets hälsa.

Mätvärde Definition
Bakåtloggade indatahändelser Antal indatahändelser som är eftersläppta. Ett värde som inte är noll för det här måttet innebär att ditt jobb inte kan hänga med i antalet inkommande händelser. Om det här värdet långsamt ökar eller konsekvent inte är noll bör du skala ut ditt jobb. Mer information finns i Förstå och justera strömningsenheter.
Datakonverteringsfel Antal utdatahändelser som inte kunde konverteras till det förväntade utdataschemat. Om du vill släppa händelser som påträffar det här scenariot kan du ändra felprincipen till Släpp.
CPU %-användning (förhandsversion) Procentandel cpu som ditt jobb använder. Även om det här värdet är mycket högt (90 procent eller mer) bör du inte öka antalet SUs enbart baserat på det här måttet. Om antalet backloggade indatahändelser eller vattenstämpelfördröjningar ökar kan du använda det här måttet för att avgöra om CPU är flaskhalsen.

Det här måttet kan ha tillfälliga toppar. Vi rekommenderar att du gör skalningstester för att fastställa den övre gränsen för ditt jobb varefter indata är efterloggade eller vattenstämpelfördröjningar ökar på grund av en CPU-flaskhals.
Tidiga indatahändelser Händelser vars tidsstämpel för programmet är tidigare än ankomsttiden med mer än 5 minuter.
Misslyckade funktionsbegäranden Antal misslyckade Azure Machine Learning-funktionsanrop (om det finns).
Funktionshändelser Antal händelser som skickas till Azure Machine Learning-funktionen (om det finns).
Funktionsbegäranden Antal anrop till Azure Machine Learning-funktionen (om det finns).
Fel vid indatadeserialisering Antal indatahändelser som inte kunde deserialiseras.
Indatahändelsebyte Mängden data som Stream Analytics-jobbet tar emot, i byte. Du kan använda det här måttet för att verifiera att händelser skickas till indatakällan.
Indatahändelser Antal poster som deserialiserats från indatahändelserna. Det här antalet inkluderar inte inkommande händelser som resulterar i deserialiseringsfel. Stream Analytics kan mata in samma händelser flera gånger i scenarier som interna återställningar och självkopplingar. Förvänta dig inte att mått för indatahändelser och utdatahändelser matchar om ditt jobb har en enkel direktfråga.
Mottagna indatakällor Antal meddelanden som jobbet tar emot. För Azure Event Hubs är ett meddelande ett enda EventData objekt. För Azure Blob Storage är ett meddelande en enda blob.

Observera att indatakällor räknas före deserialisering. Om det finns deserialiseringsfel kan indatakällor vara större än indatahändelser. Annars kan indatakällor vara mindre än eller lika med indatahändelser eftersom varje meddelande kan innehålla flera händelser.
Händelser för sena indata Händelser som kom senare än det konfigurerade toleransfönstret för sena ankomster. Läs mer om överväganden för händelseordning i Azure Stream Analytics.
Out-of-Order-händelser Antal händelser som tagits emot i fel ordning och som antingen har tagits bort eller fått en justerad tidsstämpel baserat på händelseordningsprincipen. Det här måttet kan påverkas av konfigurationen av inställningen Out-of-Order Tolerance Window (Out-of-Order Tolerance Window ).
Utdatahändelser Mängden data som Stream Analytics-jobbet skickar till utdatamålet, i antal händelser.
Körningsfel Totalt antal fel som rör frågebearbetning. Det utesluter fel som hittas vid inmatning av händelser eller utdataresultat.
SU (minne) % användning Procentandel minne som ditt jobb använder. Om det här måttet är konsekvent över 80 procent ökar vattenstämpelfördröjningen och antalet eftersläpande händelser ökar, överväg att öka strömningsenheter (SUs). Hög användning anger att jobbet använder nära de maximalt allokerade resurserna.
Fördröjning av vattenstämpel Maximal vattenstämpelfördröjning för alla partitioner av alla utdata i jobbet.

Scenarier att övervaka

Azure Stream Analytics tillhandahåller en serverlös, distribuerad strömningsbearbetningstjänst. Jobb kan köras på en eller flera distribuerade direktuppspelningsnoder, som tjänsten hanterar automatiskt. Indata partitioneras och allokeras till olika direktuppspelningsnoder för bearbetning.

Metric Villkor Tidsmängd Threshold Korrigerande åtgärder
SU (minne) % användning Större än Genomsnitt 80 Flera faktorer ökar användningen av SU:er. Du kan skala med frågeparallellisering eller öka antalet SUs. Mer information finns i Utnyttja frågeparallellisering i Azure Stream Analytics.
CPU %-användning Större än Genomsnitt 90 Det innebär sannolikt att vissa åtgärder (till exempel användardefinierade funktioner, användardefinierade aggregeringar eller komplex indatadeserialisering) kräver många CPU-cykler. Du kan vanligtvis lösa det här problemet genom att öka antalet SU:er för jobbet.
Körningsfel Större än Totalt 0 Granska aktivitets- eller resursloggarna och gör lämpliga ändringar i indata, frågor eller utdata.
Fördröjning av vattenstämpel Större än Genomsnitt När det genomsnittliga värdet för det här måttet under de senaste 15 minuterna är större än toleransen för sen ankomst (i sekunder). Om du inte har ändrat toleransen för sen ankomst är standardvärdet inställt på 5 sekunder. Prova att öka antalet SUS:er eller parallellisera frågan. Mer information om SU:er finns i Förstå och justera strömningsenheter. Mer information om hur du parallelliserar frågan finns i Använda frågeparallellisering i Azure Stream Analytics.
Fel vid indatadeserialisering Större än Totalt 0 Granska aktivitets- eller resursloggarna och gör lämpliga ändringar i indata. Mer information om resursloggar finns i Felsöka Azure Stream Analytics med hjälp av resursloggar.

Få hjälp

Om du vill ha mer hjälp kan du prova microsofts Q&A-sida för Azure Stream Analytics.

Nästa steg