Grafana 发布异常检测功能

Grafana 在其机器学习工具包中发布了异常检测（Outlier Detection）功能，该功能可用于监控一组相似对象，并在其中某些对象的行为偏离正常范围时发出警报。

异常检测算法

Grafana 提供了两种异常检测算法：DBSCAN 和 MAD。

DBSCAN 算法

• 适用场景：适用于随时间一起移动或具有强烈趋势的数据序列。
• 工作原理：基于数据点的密度和距离进行聚类，如果序列中的数据点位于最重要的聚类之外，则会标记为异常。
• 特点：使用滚动窗口，正常行为的范围会随数据移动。

MAD 算法

• 适用场景：适用于所有组成员在一个稳定的正常行为范围内移动的情况。
• 工作原理：将每个时间戳的数据点与滚动24小时中位数进行比较，如果序列中的数据点超出选定的敏感度阈值，则会标记为异常。
• 特点：较少受到不同步事件（如实例在不同时间重启）的影响。

异常检测查询

• 功能：确定要比较的序列和基线组。
• 支持：支持任何包含三个或更多序列的指标查询。
• 设置：创建查询后，选择算法并设置敏感度。较高的敏感度将导致更多的异常和潜在警报。

警报功能

• 支持：通过 Grafana Alerting 发送警报。
• 默认行为：默认情况下，如果任何一个 pod 行为异常，警报将通知。
• 自定义规则：可以调整警报为基于聚合的异常规则。例如，可以设置规则，仅在超过10%的组行为异常时触发警报。

支持的数据源

Grafana 机器学习目前支持以下数据源：Prometheus、Graphite、Loki（仅限指标查询）、Postgres、InfluxDB、BigQuery、Snowflake、Splunk 和 Datadog。

使用限制

• 默认限制：每个异常检测器最多支持1000个序列，每个实例最多支持10个异常检测器。
• 扩展：Grafana 表示可以根据请求增加这些限制。

适用计划

异常检测功能对 Grafana Cloud 的 Pro、Advanced 或 Custom 计划用户免费提供。

支持渠道

用户可以在 Grafana Labs Slack 工作区的 #machine-learning 频道提出相关问题。