En esta página se describen las técnicas que se usan para manipular datos de series temporales. Este contenido se basa en los conceptos y las explicaciones de Métricas, series temporales y recursos.
Los datos de series temporales sin procesar deben manipularse antes de poder analizarlos, y el análisis suele implicar filtrar algunos datos y agregar otros. En esta página se describen dos técnicas principales para depurar datos sin procesar:
- Filtrado: se excluyen algunos datos.
- Agregación: combina varios fragmentos de datos en un conjunto más pequeño según las dimensiones que especifiques.
El filtrado y la agregación son herramientas eficaces que te ayudan a identificar patrones interesantes y destacar tendencias o valores atípicos en los datos, entre otras cosas.
En esta página se describen los conceptos de filtrado y agregación. No se explica cómo aplicarlos directamente. Para aplicar filtros o agregaciones a tus datos de serie temporal, usa la API Cloud Monitoring o las herramientas de gráficos y alertas de la Google Cloud consola. Para ver ejemplos, consulta las políticas de ejemplo de la API y los ejemplos de lenguaje de consulta de monitorización.Datos de series temporales sin procesar
La cantidad de datos de métricas sin procesar de una sola serie temporal puede ser enorme y, por lo general, hay muchas series temporales asociadas a un tipo de métrica. Para analizar todo el conjunto de datos en busca de elementos comunes, tendencias o valores atípicos, debe procesar las series temporales del conjunto. De lo contrario, habría demasiados datos que tener en cuenta.
Para introducir el filtrado y la agregación, en los ejemplos de esta página se usa un pequeño número de series temporales hipotéticas. Por ejemplo, en la siguiente ilustración se muestran varias horas de datos sin procesar de tres series temporales:
Cada serie temporal se colorea de rojo, azul o verde para reflejar el valor de una etiqueta hipotética color. Hay una serie temporal por cada valor de la etiqueta. Ten en cuenta que los valores no están alineados, ya que se registraron en momentos diferentes.
Filtrado
Una de las herramientas de análisis más potentes es el filtrado, que te permite ocultar los datos que no te interesan de inmediato.
Puede filtrar datos de serie temporal en función de lo siguiente:
- Tiempo material.
- Valor de una o varias etiquetas.
En la siguiente ilustración se muestra el resultado de filtrar para mostrar solo la serie temporal roja del conjunto original de series temporales sin procesar (que se muestra en la figura 1):
Esta serie temporal, seleccionada mediante el filtrado, se usa en la siguiente sección para mostrar la alineación.
Agregación
Otra forma de reducir la cantidad de datos que tiene es resumirlos o agregarlos. La agregación tiene dos aspectos:
- Alineación: regularizar los datos de una sola serie temporal.
- Reducción: se combinan varias series temporales.
Debes alinear las series temporales antes de poder reducirlas. En las siguientes secciones se describe la alineación y la reducción mediante series temporales que almacenan valores enteros. Estos conceptos generales también se aplican cuando una serie temporal tiene un tipo de valor Distribution. Sin embargo, en este caso hay algunas restricciones adicionales. Para obtener más información, consulta el artículo Acerca de las métricas con valores de distribución.
Alineación: regularización dentro de la serie
El primer paso para agregar datos de serie temporal es la alineación. La alineación crea una serie temporal en la que los datos brutos se han regularizado en el tiempo para que se puedan combinar con otras series temporales alineadas. La alineación genera series temporales con datos espaciados de forma regular.
La alineación consta de dos pasos:
Dividir la serie temporal en intervalos de tiempo regulares, lo que también se conoce como agrupar los datos. Este intervalo se denomina periodo, periodo de alineación o ventana de alineación.
Calcula un solo valor para los puntos del periodo de alineación. Tú eliges cómo se calcula ese punto único: puedes sumar todos los valores, calcular su media o usar el máximo.
Como la nueva serie temporal creada por la alineación representa todos los valores de la serie temporal sin procesar que se encuentran en el periodo de alineación con un solo valor, también se denomina reducción en la serie o agregación en la serie.
Regularizar intervalos de tiempo
Para analizar datos de series temporales, los puntos de datos deben estar disponibles en intervalos de tiempo uniformes. La alineación es el proceso para que esto ocurra.
La alineación crea una serie temporal con un intervalo constante, el periodo de alineación, entre los puntos de datos. La alineación se suele aplicar a varias series temporales para prepararlas para otras manipulaciones.
En esta sección se ilustran los pasos de alineación aplicándolos a una sola serie temporal. En este ejemplo, se aplica un periodo de alineación de una hora a la serie temporal de ejemplo que se muestra en la figura 2. La serie temporal muestra los datos recogidos durante tres horas. Si dividimos los puntos de datos en periodos de una hora, obtenemos los siguientes puntos en cada periodo:
| Periodo | Valores |
|---|---|
| 1:01–2:00 | 400, 350, 300, 200 |
| 2:01–3:00 | 200, 100 |
| 3:01-4:00 | 300, 250, 200 |
Elegir periodos de alineación
La duración del periodo de alineación depende de dos factores:
- La granularidad de lo que intentas encontrar en los datos.
- El periodo de muestreo de los datos, es decir, la frecuencia con la que se registran.
En las siguientes secciones se analizan estos factores con más detalle.
Además, Cloud Monitoring conserva los datos de métricas durante un periodo de tiempo finito. El periodo varía en función del tipo de métrica. Para obtener más información, consulta Conservación de datos. El periodo de conservación es el periodo de alineación significativo más largo.
Granularidad
Si sabes que algo ha ocurrido en un periodo de un par de horas y quieres profundizar, probablemente te convenga usar un periodo de una hora o un número de minutos para la alineación.
Si te interesa analizar las tendencias durante periodos más largos, puede que sea más adecuado usar un periodo de alineación más amplio. Los periodos de alineación largos no suelen ser útiles para analizar condiciones anómalas a corto plazo. Por ejemplo, si usa un periodo de alineación de varias semanas, es posible que se detecte una anomalía en ese periodo, pero los datos alineados podrían ser demasiado genéricos para ser de gran ayuda.
Frecuencia de muestreo
La frecuencia con la que se escriben los datos, es decir, la frecuencia de muestreo, también puede influir en la elección del periodo de alineación. Consulta la lista de métricas para ver las tasas de muestreo de las métricas integradas. En la siguiente figura se muestra una serie temporal con una frecuencia de muestreo de un punto por minuto:
Si el periodo de alineación es el mismo que el periodo de muestreo, habrá un punto de datos en cada periodo de alineación. Esto significa que, por ejemplo, si se aplica cualquiera de los alineadores max, mean o min, se obtiene la misma serie temporal alineada. La siguiente ilustración muestra este resultado, junto con la serie temporal original como una línea atenuada:
Para obtener más información sobre cómo funcionan las funciones de alineación, consulta Alineadores.
Si el periodo de alineación es de dos minutos, el doble del periodo de muestreo, habrá dos puntos de datos en cada periodo. Si los alineadores max, mean o min se aplican a los puntos del periodo de alineación de dos minutos, las series temporales resultantes serán diferentes. En la siguiente ilustración se muestran estos resultados, junto con la serie temporal original como una línea atenuada:
Cuando elijas un periodo de alineación, haz que sea más largo que el periodo de muestreo, pero lo suficientemente corto como para mostrar tendencias relevantes. Puede que tengas que experimentar para determinar un periodo de alineación útil. Por ejemplo, si los datos se recogen a un ritmo de un punto al día, un periodo de alineación de una hora es demasiado corto para ser útil, ya que no habrá datos durante la mayoría de las horas.
Alineadores
Una vez que los datos se han dividido en periodos de alineación, selecciona una función (el alineador) que se aplicará a los puntos de datos de ese periodo. El alineador genera un solo valor al final de cada periodo de alineación.
Entre las opciones de alineación se incluyen sumar los valores, encontrar el máximo, el mínimo o la media de los valores, encontrar un valor de percentil elegido, contar los valores y otras opciones. La API Cloud Monitoring admite un gran conjunto de funciones de alineación, muchas más que las que se muestran aquí. Consulta la Aligner para ver la lista completa. Para obtener una descripción de los alineadores de tasa y delta, que transforman los datos de series temporales, consulta Tipos, clases y conversiones.
Por ejemplo, si toma los datos agrupados de la serie temporal sin procesar (que se muestra en la figura 1), elija un alineador y aplíquelo a los datos de cada contenedor. En la siguiente tabla se muestran los valores sin procesar y los resultados de tres alineadores diferentes: máximo, media y mínimo:
| Periodo | Valores | Alineador: máx. | Alineación: media | Alineador: min |
|---|---|---|---|---|
| 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 |
En la siguiente ilustración se muestran los resultados de aplicar los alineadores máximo, media o mínimo con un periodo de alineación de 1 hora a la serie temporal roja original (representada por la línea atenuada en la ilustración):
Otros alineadores
En la siguiente tabla se muestran los mismos valores sin procesar y los resultados de otros tres alineadores:
- Recuento cuenta el número de valores del periodo de alineación.
- Suma suma todos los valores del periodo de alineación.
- Anterior más reciente usa el valor más reciente del periodo como valor de alineación.
| Periodo | Valores | Alineador: recuento | Alineador: suma | Alineador: siguiente más antiguo |
|---|---|---|---|---|
| 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 |
Estos resultados no se muestran en un gráfico.
Reducción: combinación de series temporales
El siguiente paso del proceso, la reducción, consiste en combinar varias series temporales alineadas en una nueva serie temporal. En este paso, se sustituyen todos los valores del límite del periodo de alineación por un único valor. Como funciona en series temporales independientes, la reducción también se denomina agregación entre series.
Reductores
Un reductor es una función que se aplica a los valores de un conjunto de series temporales para generar un único valor.
Las opciones de reductor incluyen sumar los valores alineados o buscar el máximo, el mínimo o la media de los valores. La API Cloud Monitoring admite un gran conjunto de funciones de reducción. Consulta Reducer para ver la lista completa.
La lista de reductores es paralela a la lista de alineadores.
Las series temporales deben alinearse para poder reducirse. En la siguiente ilustración se muestran los resultados de alinear las tres series temporales sin procesar (de la figura 1) en periodos de 1 hora con el alineador de media:
Los valores de las tres series temporales alineadas con la media (que se muestran en la figura 4) se indican en la siguiente tabla:
| Límite de alineación | Rojo | Azul | Verde |
|---|---|---|---|
| 2:00 | 312,5 | 133,3 | 400 |
| 3:00 | 150 | 283,3 | 433,3 |
| 4:00 | 250 | 300 | 350 |
Con los datos alineados de la tabla anterior, elige un reductor y aplícalo a los valores. En la siguiente tabla se muestran los resultados de aplicar diferentes reductores a los datos alineados con la media:
| Límite de alineación | Reductor: máx. | Reductor: media | Reductor: min | Reductor: suma |
|---|---|---|---|---|
| 2:00 | 400 | 281,9 | 133,3 | 845,8 |
| 3:00 | 433,3 | 288,9 | 150 | 866,7 |
| 4:00 | 350 | 300 | 250 | 900 |
De forma predeterminada, la reducción se aplica a todas las series temporales, lo que da como resultado una única serie temporal. En la siguiente ilustración se muestra el resultado de agregar las tres series temporales alineadas con la media con el reductor máximo, que genera los valores medios más altos de las series temporales:
La reducción también se puede combinar con la agrupación, en la que las series temporales se organizan en categorías y el reductor se aplica a las series temporales de cada grupo.
Agrupación
La agrupación te permite aplicar un reductor a subconjuntos de tus series temporales en lugar de a todo el conjunto. Para agrupar series temporales, selecciona una o varias etiquetas. Las series temporales se agrupan en función de los valores de las etiquetas seleccionadas. La agrupación da como resultado una serie temporal por cada grupo.
Si un tipo de métrica registra valores de las etiquetas zone y color, puedes agrupar las series temporales por una de las etiquetas o por ambas. Cuando aplicas el
reductor, cada grupo se reduce a una sola serie temporal. Si los agrupas por color, obtendrás una serie temporal por cada color representado en los datos.
Si agrupa por zona, obtendrá una serie temporal de cada zona que aparezca en los datos. Si agrupas por ambos, obtendrás una serie temporal para cada combinación de colores y zonas.
Por ejemplo, supongamos que ha registrado muchas series temporales con los valores "rojo", "azul" y "verde" para la etiqueta color. Una vez que se han alineado todas las series temporales, se pueden agrupar por el valor color y, a continuación, reducirse por grupo. De esta forma, se obtienen tres series temporales específicas de cada color:
En el ejemplo no se especifica el alineador ni el reductor que se usa. El objetivo es mostrar que la agrupación te permite reducir un conjunto grande de series temporales a un conjunto más pequeño, donde cada serie temporal representa un grupo que comparte un atributo común: en este ejemplo, el valor de la etiqueta color.
Agregación secundaria
Cloud Monitoring realiza dos pasos de agregación.
La agregación primaria regulariza los datos medidos y, a continuación, combina las series temporales regularizadas mediante un reductor. Cuando usas la agrupación, es posible que se obtengan más de una serie temporal como resultado de la reducción que se realiza en este paso.
La agregación secundaria, que se aplica a los resultados del paso de agregación primaria, te permite combinar las series temporales agrupadas en un resultado mediante un segundo reductor.
En la siguiente tabla se muestran los valores de las series temporales agrupadas (ilustradas en la figura 6):
| Límite de alineación | Grupo rojo | Grupo azul | Grupo verde |
|---|---|---|---|
| 2:00 | 400 | 150 | 450 |
| 3:00 | 200 | 350 | 450 |
| 4:00 | 300 | 300 | 400 |
Estas tres series temporales ya reducidas se pueden reducir aún más aplicando una agregación secundaria. En la siguiente tabla se muestran los resultados de aplicar los reductores seleccionados:
| Límite de alineación | Reductor: máx. | Reductor: media | Reductor: min | Reductor: suma |
|---|---|---|---|---|
| 2:00 | 450 | 333,3 | 150 | 1000 |
| 3:00 | 450 | 333,3 | 200 | 1000 |
| 4:00 | 400 | 333,3 | 300 | 1000 |
En la siguiente ilustración se muestra el resultado de agregar las tres series agrupadas con el reductor media:
Clases, tipos y conversiones
Recuerde que los puntos de datos de una serie temporal se caracterizan por un tipo de métrica y un tipo de valor. Consulte el artículo Tipos de valores y tipos de métricas para obtener más información. Los alineadores y reductores adecuados para un conjunto de datos pueden no serlo para otro. Por ejemplo, un alineador o un reductor que cuente el número de valores falsos es adecuado para datos booleanos, pero no para datos numéricos. Del mismo modo, un alineador o un reductor que calcula una media se puede aplicar a datos numéricos, pero no a datos booleanos.
Algunos alineadores y reductores también se pueden usar para cambiar explícitamente el tipo de métrica o el tipo de valor de los datos de una serie temporal. Algunos, como
ALIGN_COUNT, lo hacen como efecto secundario.
Tipo de métrica: una métrica acumulativa es aquella en la que cada valor representa el total desde que se empezó a recoger valores. No puedes usar métricas acumulativas directamente en los gráficos, pero sí métricas delta, en las que cada valor representa el cambio desde la medición anterior.
También puede convertir métricas acumuladas y de delta en métricas de indicador. Por ejemplo, supongamos que tiene una métrica delta cuya serie temporal es la siguiente:
(hora de inicio, hora de finalización] (minutos) Valor (MiB) (0, 2] 8 (2, 5] 6 (6, 9] 9 Supongamos que has seleccionado un alineador de
ALIGN_DELTAy un periodo de alineación de tres minutos. Como el periodo de alineación no coincide con el intervalo (hora de inicio, hora de finalización] de cada muestra, se crea una serie temporal con valores interpolados. En este ejemplo, la serie temporal interpolada es la siguiente:(hora de inicio, hora de finalización] (minutos) Valor interpolado (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 A continuación, se suman todos los puntos del periodo de alineación de tres minutos para generar los valores alineados:
(hora de inicio, hora de finalización] (minutos) Valor alineado (MiB) (0, 3] 10 (3, 6] 4 (6, 9] 9 Si se selecciona
ALIGN_RATE, el proceso es el mismo, excepto que los valores alineados se dividen entre el periodo de alineación. En este ejemplo, el periodo de alineación es de tres minutos, por lo que la serie temporal alineada tiene los siguientes valores:(hora de inicio, hora de finalización] (minutos) Valor alineado (MiB/segundo) (0, 3] 0,056 (3, 6] 0,022 (6, 9] 0,050 Para representar una métrica acumulativa en un gráfico, debe convertirse en una métrica delta o en una métrica de tasa. El proceso de las métricas acumulativas es similar al que se ha descrito anteriormente. Puedes calcular una serie temporal delta a partir de una serie temporal acumulativa calculando la diferencia entre términos adyacentes.
Tipo de valor: algunos alineadores y reductores dejan el tipo de valor de los datos de entrada sin cambios. Por ejemplo, los datos de tipo entero siguen siendo de tipo entero después de la alineación. Otros alineadores y reductores convierten los datos de un tipo a otro, lo que significa que la información se puede analizar de formas que no son adecuadas para el tipo de valor original.
Por ejemplo, el reductor
REDUCE_COUNTse puede aplicar a datos numéricos, booleanos, de cadena y de distribución, pero el resultado que produce es un entero de 64 bits que cuenta el número de valores del periodo.REDUCE_COUNTsolo se puede aplicar a métricas de tipo "gauge" y "delta", y no cambia el tipo de métrica.
En las tablas de referencia de Aligner y Reducer se indica para qué tipo de datos es adecuado cada uno y qué conversiones se producen. Por ejemplo, a continuación se muestra la entrada de ALIGN_DELTA:
