Auf dieser Seite werden die Techniken zur Bearbeitung von Zeitachsendaten beschrieben. Dieser Inhalt basiert auf den Konzepten und Diskussionen unter Messwerte, Zeitachsen und Ressourcen.
Unformatierte Zeitachsendaten müssen bearbeitet werden, bevor sie analysiert werden können. Bei der Analyse werden häufig einige Daten herausgefiltert und zusammengefasst. Auf dieser Seite werden zwei primäre Techniken zum Verfeinern von Rohdaten beschrieben:
- Filtern, wodurch einige Daten nicht berücksichtigt werden.
- Aggregation: Kombiniert mehrere Daten in einem kleineren Satz zusammen mit den von Ihnen angegebenen Dimensionen.
Filter und Aggregation sind leistungsstarke Tools, mit denen Sie unter anderem interessante Muster erkennen und Trends oder Ausreißer in den Daten hervorheben können.
Auf dieser Seite werden die Konzepte hinter dem Filtern und Aggregieren beschrieben. Sie erfahren nicht, wie sie direkt angewendet werden. So wenden Sie Filter oder Aggregationen an: auf Ihre Zeitreihendaten anwenden, der Cloud Monitoring API oder der Diagrammerstellung und in der Google Cloud Console. Beispiele finden Sie unter API-Beispielrichtlinien und Beispiele für Monitoring Query Language
Unformatierte Zeitachsendaten
Die Menge an Messwertrohdaten in einer einzelnen Zeitreihe kann enorm sein. sind einem Messwerttyp normalerweise viele Zeitreihen zugeordnet. Um den gesamten Datensatz auf Gemeinsamkeiten, Trends oder Ausreißer zu analysieren, müssen Sie die Zeitachsen in dem Satz verarbeiten. Andernfalls sind zu viele Daten zu berücksichtigen.
Verwenden Sie für die ersten Schritte zum Filtern und Aggregieren der Beispiele auf dieser Seite eine kleine Anzahl der hypothetischen Zeitreihen. Die folgende Abbildung zeigt beispielsweise einige Stunden Rohdaten aus drei Zeitachsen:
Jede Zeitreihe ist farbig, rot, blau oder grün, um den Wert eines
hypothetisches color-Label. Es gibt eine Zeitreihe für jeden Wert der Eigenschaft
. Beachten Sie, dass die Werte nicht korrekt ausgerichtet sind, da sie zu unterschiedlichen Zeitpunkten aufgezeichnet wurden.
Wird gefiltert
Eines der leistungsstärksten Analysewerkzeuge ist die Filterung, mit der Sie werden Daten ausgeblendet, die Sie nicht unmittelbar interessieren.
Sie können Zeitachsendaten nach folgenden Kriterien filtern:
- Zeit:
- Wert eines oder mehrerer Labels.
Die folgende Abbildung zeigt das Ergebnis, wenn nur die roten Zeitachsen aus dem ursprünglichen Satz von Rohzeitachsen dargestellt werden (siehe Abbildung 1):
Diese durch Filtern ausgewählte Zeitreihe wird im nächsten Abschnitt verwendet, um Abstimmung zu zeigen.
Aggregation
Eine weitere Möglichkeit, die Datenmenge zu reduzieren, besteht darin, sie zusammenzufassen oder zusammenzufassen. Die Aggregation umfasst zwei Aspekte:
- Ausrichtung oder die Regularisierung von Daten innerhalb einer einzelnen Zeitreihe.
- Reduzierung oder Kombination mehrerer Zeitachsen
Sie müssen Zeitachsen ausrichten, bevor Sie sie reduzieren können. In den nächsten Abschnitten wird die Ausrichtung und Reduzierung von Zeitachsen beschrieben, in denen Ganzzahlwerte gespeichert werden. Diese allgemeinen Konzepte gelten auch, wenn eine Zeitreihe
Distribution-Werttyp; Es gibt jedoch einige
zusätzliche Einschränkungen. Weitere Informationen finden Sie unter Verteilungsmesswerte.
Ausrichtung: Regularisierung innerhalb der Reihe
Der erste Schritt beim Aggregieren von Zeitachsendaten ist die Ausrichtung. Ausrichtung erstellt eine neue Zeitreihe, in der die Rohdaten zeitlich ausgeglichen wurden. damit sie mit anderen ausgerichteten Zeitreihen kombiniert werden kann. Bei der Ausrichtung werden Zeitachsen mit regelmäßig verteilten Daten erstellt.
Die Ausrichtung umfasst zwei Schritte:
Unterteilen der Zeitachsen in regelmäßige Zeitintervalle, auch Daten-Bucketing genannt. Das Intervall wird als Zeitraum, Ausrichtungszeitraum oder Ausrichtungsfenster bezeichnet.
Einen einzelnen Wert für die Punkte im Ausrichtungszeitraum berechnen Sie können wählen, wie dieser einzelne Punkt berechnet werden soll. Sie können alle Werte summieren, ihren Durchschnitt berechnen oder das Maximum verwenden.
Da die durch die Ausrichtung erstellte neue Zeitreihe alle Werte aus die unverarbeiteten Zeitreihen, die innerhalb des Ausrichtungszeitraums liegen, mit einem Einzelwert, wird dies auch als In-Series-Reduktion oder innerhalb einer Reihenaggregation.
Zeitintervalle regulieren
Zur Analyse von Zeitachsendaten müssen die Datenpunkte auf gleichmäßig verteilten Zeitgrenzen verfügbar sein. Ausrichtung ist der Prozess, um dies zu erreichen.
Durch die Ausrichtung wird eine neue Zeitreihe mit einem konstanten Intervall erstellt, Punkt zwischen den Datenpunkten. Die Ausrichtung wird normalerweise auf mehrere Zeitachsen angewendet, um eine weitere Bearbeitung zu ermöglichen.
In diesem Abschnitt werden die Ausrichtungsschritte veranschaulicht, indem sie auf einen einzigen Zeitpunkt angewendet werden. . In diesem Beispiel wird ein Ausrichtungszeitraum von einer Stunde auf die Beispielzeitachse in Abbildung 2 angewendet. Uhrzeit enthält Daten, die über drei Stunden hinweg erfasst wurden. Die Aufteilung der Datenpunkte in einstündige Zeiträume führt in jedem Zeitraum zu folgenden Punkten:
| Period | Werte |
|---|---|
| 1:01–2:00 | 400, 350, 300, 200 |
| 2:01–3:00 | 200, 100 |
| 3:01–4:00 | 300, 250, 200 |
Ausrichtungszeiträume auswählen
Die Dauer des Ausrichtungszeitraums hängt von zwei Faktoren ab:
- Die Detaillierungsgrad dessen, was Sie in den Daten finden möchten.
- Der Stichprobenzeitraum der Daten. also wie oft es gemeldet wird.
In den folgenden Abschnitten werden diese Faktoren genauer erläutert.
Außerdem speichert Cloud Monitoring Messwertdaten für einen begrenzten Zeitraum. Die Der Zeitraum variiert je nach Messwerttyp. Siehe Weitere Informationen zur Datenaufbewahrung Der Aufbewahrungszeitraum ist der längste aussagekräftige Ausrichtungszeitraum.
Detaillierungsgrad
Wenn Sie wissen, dass etwas innerhalb weniger Stunden passiert ist, und Sie sich eingehender damit befassen möchten, sollten Sie für die Ausrichtung einen Zeitraum von einer Stunde oder einer bestimmten Anzahl von Minuten verwenden.
Wenn Sie Trends über einen längeren Zeitraum untersuchen möchten, ist ein längerer Ausrichtungszeitraum möglicherweise besser geeignet. Große Ausrichtungszeiträume sind in der Regel nicht geeignet, um kurzfristige anomale Bedingungen zu betrachten. Wenn Sie beispielsweise einen mehrwöchigen Ausrichtungszeitraum verwenden, ist das Vorhandensein einer Anomalie in diesem Zeitraum vielleicht noch erkennbar, aber die ausgerichteten Daten sind möglicherweise zu grob, um viel zu helfen.
Abtastrate
Die Häufigkeit, mit der die Daten geschrieben werden, die Stichprobenrate, kann sich auch auf die Auswahl des Ausrichtungszeitraums auswirken. Die Abtastraten für integrierte Messwerte können Sie der Liste der Messwerte entnehmen. Betrachten Sie die folgende Abbildung, zeigt eine Zeitachse mit einer Abtastrate von einem Punkt pro Minute:
Wenn der Ausrichtungszeitraum mit dem Stichprobenzeitraum übereinstimmt, gibt es in jedem Ausrichtungszeitraum einen Datenpunkt. Das bedeutet, dass wir
Beispiel: max-, mean- oder min-Aligner anwenden
führt zu denselben ausgerichteten Zeitreihen. In der folgenden Abbildung sehen Sie
dieses Ergebnis zusammen mit der ursprünglichen Zeitreihe als verblasse Linie dargestellt:
Weitere Informationen zur Funktionsweise der Aligner-Funktionen finden Sie unter Aligner:
Wenn für den Ausrichtungszeitraum zwei Minuten festgelegt wurden oder der Stichprobenzeitraum verdoppelt wurde, gibt es für jeden Zeitraum zwei Datenpunkte. Wenn die Aligner max, mean oder min auf die Punkte innerhalb des zweiminütigen Ausrichtungszeitraums angewendet werden, weichen die resultierenden Zeitachsen ab. In der folgenden Abbildung sehen Sie
diese Ergebnisse zusammen mit der ursprünglichen Zeitreihe als verblasse Linie dargestellt:
Wenn Sie einen Ausrichtungszeitraum auswählen, sollte dieser länger als der Stichprobenzeitraum sein, aber kurz genug, um relevante Trends anzuzeigen. Möglicherweise müssen Sie experimentieren, um einen geeigneten Ausrichtungszeitraum zu ermitteln. Wenn beispielsweise Daten mit einer Rate von einem Punkt pro Tag erfasst werden, ist ein Ausrichtungszeitraum von einer Stunde zu kurz, um nützlich zu sein: Für die meisten Stunden gibt es keine Daten.
Ausrichter
Nachdem die Daten in Ausrichtungszeiträume aufgeteilt wurden, wählen Sie eine Funktion, den Ausrichter, aus, der auf die Datenpunkte in diesem Zeitraum angewendet werden soll. Der Ausrichter erzeugt einen einzelnen Wert, der am Ende jedes Ausrichtungszeitraums platziert wird.
Zu den Ausrichtungsoptionen gehören das Addieren der Werte oder das Ermitteln des Maximal-, Minimal- oder Mittelwerts der Werte, das Suchen eines ausgewählten Perzentilwerts, das Zählen der Werte usw. Die Cloud Monitoring API unterstützt
eine Vielzahl von Ausrichtungsfunktionen,
viel mehr als das hier dargestellte Set. Siehe Aligner
finden Sie die vollständige Liste. Eine Beschreibung der Raten- und Delta-Aligner
die Zeitreihendaten transformieren,
[Arten, Typen und Conversions][kinds-types-conversion]
Wenn Sie beispielsweise die gruppierten Daten aus der Rohzeitachse verwenden (siehe Abbildung 1), wählen Sie einen Ausrichter aus und wenden Sie ihn auf die Daten in jedem Bucket an. Die folgende Tabelle zeigt die Rohwerte und die Ergebnisse von drei verschiedenen Ausrichtern: Maximalwert, Mittelwert und Mindestwert:
| Period | Werte | Ausrichter: Maximalwert | Ausrichter: Mittelwert | Ausrichter: Mindestwert |
|---|---|---|---|---|
| 1:01–2:00 | 400, 350, 300, 200 | 400 | 312.5 | 200 |
| 2:01–3:00 | 200, 100 | 200 | 150 | 100 |
| 3:01–4:00 | 300, 250, 200 | 300 | 250 | 200 |
Die folgende Abbildung zeigt die Ergebnisse der Anwendung von max, mean, oder Min.-Aligner mit einem einstündigen Ausrichtungszeitraum auf die ursprüngliche rote Zeitangabe. (dargestellt durch die verblasste Linie in der Abbildung):
<ph type="x-smartling-placeholder">
Einige andere Ausrichter
Die folgende Tabelle zeigt dieselben Rohwerte und die Ergebnisse von drei anderen Ausrichtern:
- Count zählt die Anzahl der Werte im Ausrichtungszeitraum.
- Summe addiert alle Werte im Ausrichtungszeitraum.
- Nächste Ältere verwendet den neuesten Wert im Zeitraum als Ausrichtungswert.
| Period | Werte | Ausrichter: Anzahl | Ausrichter: Summe | Ausrichter: nächst Ältere |
|---|---|---|---|---|
| 1:01–2:00 | 400, 350, 300, 200 | 4 | 1250 | 200 |
| 2:01–3:00 | 200, 100 | 2 | 300 | 100 |
| 3:01–4:00 | 300, 250, 200 | 3 | 750 | 200 |
Diese Ergebnisse werden nicht in einem Diagramm angezeigt.
Reduktion: Kombination von Zeitachsen
Der nächste Schritt im Prozess, die Reduzierung, ist der Prozess der Mehrere ausgerichtete Zeitreihen zu einer neuen Zeitreihe kombinieren. In diesem Schritt werden alle Werte an der Grenze des Ausrichtungszeitraums durch einen einzelnen Wert ersetzt. Da die Reduzierung über verschiedene Zeitachsen hinweg funktioniert, wird sie auch als seriöse Aggregation bezeichnet.
Reduzierungen
Ein Reduzierer ist eine Funktion, die auf die Werte in einer Reihe von Zeitachsen angewendet wird, um einen einzelnen Wert zu erzeugen.
Zu den Reduzierungsoptionen gehören das Addieren der ausgerichteten Werte oder das Ermitteln des Maximal-, Minimal- oder Mittelwerts der Werte. Die Cloud Monitoring API unterstützt eine Vielzahl von Reduzierungsfunktionen. Die vollständige Liste finden Sie unter Reducer.
Die Liste der Reduzierer entspricht der Liste der Ausrichter.
Zeitachsen müssen ausgerichtet werden, bevor sie reduziert werden können. Die folgende Abbildung zeigt die Ergebnisse, bei denen alle drei Rohzeitachsen (aus Abbildung 1) in 1-Stunden-Zeiträume mit dem Mittelwert ausgerichtet werden:
Die Werte aus den drei Mittelwert-Zeitachsen (siehe Abbildung 4) sind in der folgenden Tabelle aufgeführt:
| Begrenzung der Ausrichtung | Rot | Blau | Grün |
|---|---|---|---|
| 2:00 | 312.5 | 133.3 | 400 |
| 3:00 | 150 | 283.3 | 433.3 |
| 4:00 | 250 | 300 | 350 |
Wählen Sie unter Verwendung der ausgerichteten Daten in der vorherigen Tabelle einen Reduzierer aus und wenden Sie ihn an zu den Werten hinzu. In der folgenden Tabelle sehen Sie, wie sich Reduzierer zu den mittleren ausgerichteten Daten:
| Begrenzung der Ausrichtung | Reduzierer: Maximalwert | Reduzierer: Mittelwert | Reduzierer: Mindestwert | Reduzierer: Summe |
|---|---|---|---|---|
| 2:00 | 400 | 281.9 | 133.3 | 845.8 |
| 3:00 | 433.3 | 288.9 | 150 | 866.7 |
| 4:00 | 350 | 300 | 250 | 900 |
Standardmäßig wird die Reduzierung auf alle Ihre Zeitreihen angewendet, was zu eine einzelne Zeitreihe. Die folgende Abbildung zeigt das Ergebnis der Aggregation die drei mean ausgerichteten Zeitachsen mit dem max-Reduzierer, die liefert die höchsten Mittelwerte für die Zeitreihe:
Die Reduzierung kann auch mit einer Gruppierung kombiniert werden, bei der Zeitachsen in Kategorien organisiert werden und der Reduzierer auf die Zeitachsen in jeder Gruppe angewendet wird.
Gruppierung
Durch Gruppieren können Sie einen Reduzierer auf Untermengen Ihrer Zeitreihen anwenden und nicht über den gesamten Satz von Zeitreihen. Um Zeitachsen zu gruppieren, wählen Sie ein oder mehrere Labels aus. Die Zeitachsen werden dann basierend auf ihren Werten für die ausgewählten Labels gruppiert. Gruppierung zu einer Zeitachse für jede Gruppe.
Wenn ein Messwerttyp Werte für die Labels zone und color aufzeichnet, können Sie Zeitachsen nach einem oder beiden Labels gruppieren. Wenn Sie das Tag
wird jede Gruppe auf
eine einzige Zeitreihe reduziert. Wenn Sie
erhalten Sie eine Zeitachse für jede in den Daten dargestellte Farbe.
Wenn Sie nach Zonen gruppieren, erhalten Sie eine Zeitreihe für jede angezeigte Zone.
in den Daten. Wenn Sie nach beiden Gruppen gruppieren, erhalten Sie eine Zeitreihe für jede Kombination
von Farben und Bereichen.
Angenommen, Sie haben viele Zeitachsen mit den Werten "rot", "blau" und "grün" für das Label color erfasst. Nachdem alle Zeitachsen ausgerichtet wurden, können sie nach color-Wert gruppiert und dann nach Gruppe reduziert werden. Daraus ergeben sich drei farbspezifische Zeitachsen:
Im Beispiel wird der verwendete Aligner oder Reducer nicht angegeben. Der Punkt hier ist,
können Sie einen großen Satz
von Zeitreihen in einen kleineren Satz
wobei jede Zeitreihe für eine Gruppe mit einem gemeinsamen Attribut steht:
Beispiel: der Wert des Labels color.
Sekundäre Aggregation
Cloud Monitoring führt zwei Aggregationsschritte aus.
Bei der primären Aggregation werden die gemessenen Daten reguliert und kombiniert die serialisierten Zeitreihen mithilfe eines Reducer. Wenn Sie Gruppierung ist, können mehr als eine Zeitreihe aus der Reduzierung resultieren. die im Rahmen dieses Schritts ausgeführt wird.
Sekundäre Aggregation, die auf die Ergebnisse der primären Aggregationsschritts können Sie die gruppierten Zeitreihen in einer mit einem zweiten Reducer.
Die folgende Tabelle zeigt die Werte der gruppierten Zeitachsen (siehe Abbildung 6):
| Begrenzung der Ausrichtung | Rote Gruppe | Blaue Gruppe | Grüne Gruppe |
|---|---|---|---|
| 2:00 | 400 | 150 | 450 |
| 3:00 | 200 | 350 | 450 |
| 4:00 | 300 | 300 | 400 |
Diese drei bereits verkürzten Zeitachsen können durch sekundäre Aggregation noch weiter reduziert werden. Die folgende Tabelle zeigt die Ergebnisse der Anwendung ausgewählter Reduzierungen:
| Begrenzung der Ausrichtung | Reduzierer: Maximalwert | Reduzierer: Mittelwert | Reduzierer: Mindestwert | Reduzierer: Summe |
|---|---|---|---|---|
| 2:00 | 450 | 333.3 | 150 | 1000 |
| 3:00 | 450 | 333.3 | 200 | 1000 |
| 4:00 | 400 | 333.3 | 300 | 1000 |
Die folgende Abbildung zeigt das Ergebnis der Aggregation der drei gruppierten Reihen mit dem Mittelwert:
Arten, Typen und Conversions
Wie bereits erwähnt, sind die Datenpunkte in einer Zeitreihe durch einen Messwert kind und einen Werttyp. Siehe Werttypen und Messwertarten für eine überprüfen. Die entsprechenden Ausrichter und Redigenten für einen Datensatz sind möglicherweise nicht für einen anderen Datensatz geeignet. Zum Beispiel eignet sich ein Ausrichter oder Reduzierer, der die Anzahl falscher Werte zählt, für boolesche Daten, aber nicht für numerische Daten. Gleichermaßen ist ein Ausrichter oder Reduzierer, der einen Mittelwert berechnet, auf numerische Daten anwendbar, aber nicht auf boolesche Daten.
Einige Aligner und Reducer können auch verwendet werden, um entweder den
Messwertart oder den Werttyp der Daten in einer Zeitreihe. Einige, z. B. ALIGN_COUNT, tun dies als Nebeneffekt.
Messwertart: Ein kumulativer Messwert ist ein Messwert, bei dem jeder Wert die Summe seit Beginn der Werterfassung darstellt. Sie können kumulative Messwerte nicht direkt in Diagrammen verwenden, aber Sie können Delta-Messwerte verwenden, bei denen jeder Wert die Änderung seit der vorherigen Messung darstellt.
Sie können auch kumulative und Delta-Messwerte in Messwerte umwandeln. Nehmen wir als Beispiel einen Deltamesswert mit einer der folgenden Zeitachsen:
(Startzeit, Endzeit] (Minuten) Wert (MiB) (0, 2] 8 (2, 5] 6 (6, 9] 9 Angenommen, Sie haben einen
ALIGN_DELTA-Aligner und einen Ausrichtungszeitraum von drei Minuten ausgewählt. Da der Ausrichtungszeitraum nicht mit dem (Startzeit, Endzeit] für jede Stichprobe wird eine Zeitachse mit und interpolierten Werten. In diesem Beispiel ist die interpolierte Zeitachse:(Startzeit, Endzeit] (Minuten) Interpolierter Wert (MiB) (0, 1] 4 (1, 2] 4 (2, 3] 2 (3, 4] 2 (4, 5] 2 (5, 6] 0 (6, 7] 3 (7, 8] 3 (8, 9] 3 Als Nächstes werden alle Punkte innerhalb des dreiminütigen Ausrichtungszeitraums addiert, um die ausgerichteten Werte zu generieren:
(Startzeit, Endzeit] (Minuten) Ausgerichteter Wert (MiB) (0, 3] 10 (3, 6] 4 (6, 9] 9 Für
ALIGN_RATEist der Vorgang identisch, außer dass die ausgerichteten Werte durch den Ausrichtungszeitraum geteilt werden. In diesem Beispiel beträgt der Ausrichtungszeitraum drei Minuten. Die ausgerichteten Zeitachsen haben dabei die folgenden Werte:(Startzeit, Endzeit] (Minuten) Ausgerichteter Wert (MiB/Sekunde) (0, 3] 0.056 (3, 6] 0.022 (6, 9] 0.050 Für die grafische Darstellung eines kumulativen Messwerts muss dieser in einen Deltamesswert oder in einen Ratenmesswert umgewandelt werden. Der Vorgang für kumulative Messwerte ist mit dem vorherigen Vorgehen identisch. Sie können eine Delta-Zeitachse aus einer kumulativen durch Berechnung der Differenz benachbarter Terme.
Werttyp: Bei einigen Ausrichtern und Reduzierern bleibt der Werttyp der Eingabedaten unverändert. Ganzzahldaten sind beispielsweise nach der Ausrichtung immer noch Ganzzahldaten. Andere Ausrichter und Reduzierer konvertieren Daten von einem Typ in einen anderen. Dies bedeutet, dass die Informationen auf eine Weise analysiert werden können, die nicht dem ursprünglichen Werttyp entspricht.
Beispielsweise kann der
REDUCE_COUNT-Reduzierer auf numerische, boolesche, String- und Verteilungsdaten angewendet werden. Das Ergebnis ist jedoch eine 64-Bit-Ganzzahl, die die Anzahl der Werte im Punkt zählt.REDUCE_COUNTkann nur auf Gauge- und Delta-Metriken angewendet werden und lässt die Art der Metrik unverändert.
In den Referenztabellen für Aligner und Reducer ist angegeben, für welche Art von Daten jeweils eine Conversion geeignet ist. Hier sehen Sie beispielsweise den Eintrag für ALIGN_DELTA:
