Créer une règle de paramètres de configuration

Les paramètres de configuration ont une incidence sur la méthode de traitement des données de mesure. Les règles de paramètres de configuration remplacent les valeurs par défaut de ces paramètres de configuration, ce qui vous permet de créer des modèles statistiques efficaces pour différentes classes CI.

Avant de commencer

Rôle requis : evt_mgmt_admin

Pourquoi et quand exécuter cette tâche

Un certain nombre de paramètres de configuration déterminent le comportement des MID Servers Metric Intelligence. Dans le système de base, ces paramètres de configuration sont définis avec des valeurs, des types de données et une plage de valeurs valides par défaut. Vous ne pouvez pas modifier directement ces paramètres de configuration ou en ajouter de nouveaux. Vous pouvez néanmoins créer une règle de configuration de mesures avec de nouveaux paramètres de configuration qui remplacent les valeurs par défaut sur les MID Servers.

Vous pouvez ensuite appliquer manuellement ces règles à tous les MID Servers Metric Intelligence en une seule opération de synchronisation, ou configurer une tâche système horaire pour effectuer la synchronisation.

Pour prendre effet, les MID Servers Metric Intelligence doivent être synchronisés avec les mises à jour des règles de paramètres de configuration.

Il est possible de disposer de plusieurs règles pour un paramètre qui ont une incidence sur les mêmes CI, auquel cas :

• Les règles dans lesquelles un filtre est défini ont priorité sur une règle globale dans laquelle aucun filtre n'a été défini.
• Si plusieurs règles ayant une incidence sur le même jeu de CI possèdent la même priorité, seule la dernière règle à définir est appliquée.
• Si plusieurs règles avec des priorités différentes ont une incidence sur le même jeu de CI, les règles avec la priorité la plus élevée sont appliquées.

Procédure

1. Accédez à la Tout > Gestion des événements > Détection d'anomalie > Règles de configuration de mesures.
2. Dans le volet Règles de configuration de mesures, cliquez sur Nouveau et remplissez le formulaire.

   Tableau 1. Formulaire Règles de configuration de mesures

   Champ	Description
   Nom	Nom de la règle.
   Ordre	Priorité de la règle dans toutes les autres règles. Des valeurs plus élevées indiquent des priorités plus élevées.
   Filtrer par	Cochez cette case pour afficher le champ Règle, qui vous permet de spécifier les conditions que les CI doivent remplir pour appliquer la règle. Par exemple, dans la liste choisir un champ, sélectionnez Ajouter des champs connexes, puis ajoutez le filtre [classe][est][serveur Linux]. Si elle est claire, la règle s'applique globalement à tous les CI de la table Mappage de mesures sur des CI [sa_metric_map].

3. Cliquez avec le bouton droit de la souris sur le titre du formulaire, puis cliquez sur Enregistrer.
4. Dans la section du formulaire Configurations remplacées des mesures, cliquez sur Nouveau, remplissez le formulaire, puis cliquez sur Envoyer.

   Tableau 2. Formulaire Configurations remplacées des mesures

   Champ	Description
   Nom	Paramètre de configuration pour lequel remplacer sa valeur. Cliquez sur l'icône pour afficher la liste de tous les paramètres de configuration. Cliquez sur l'icône pour afficher la boîte de dialogue Paramètres de mesure avec des informations telles que la plage de valeurs possibles. Consultez les tableaux suivants (Paramètres de configuration et Paramètres de configuration internes) pour en savoir plus sur les paramètres de configuration.
   Règle	Règle à laquelle le paramètre de configuration créé s'applique.
   Valeur	Nouvelle valeur qui remplace la valeur par défaut pour le paramètre de configuration spécifié.

   Vous pouvez modifier les paramètres de configuration suivants dans le champ Nom.

   Remarque :

   le filtre spécifié dans la règle de configuration de mesure ne s'applique pas aux paramètres avec un champ d'application global.

   Tableau 3. Paramètres de configuration

   Nom et description	Valeurs	Valeur par défaut	Type de données	Champ d'application
   anomaly_detection_enabled Activez/désactivez la détection d'anomalie. Remarque : si le paramètre anomaly_detection_action_level est défini, le paramètre anomaly_detection_enabled est ignoré.	N/A	VRAI	booléen	CI/Mesure
   anomaly_detection_action_level Niveau d'action de l'analyse et du traitement des anomalies. Pour en savoir plus, consultez la rubrique Configurer le niveau d'action de la détection d'anomalie.	choix : Mesures uniquement Limites Scores des anomalies Alertes d'anomalie Alertes IT	Nouveaux enregistrements : Limites Enregistrements mis à niveau : Alertes d'anomalie	choix	CI/Mesure
   buffer_anomaly_eviction_size Nombre maximal d'anomalies au niveau d'une mesure individuelle qui peuvent être stockées dans la mémoire tampon interne avant de les envoyer à l'instance pour chaque paire CI/mesure.	60–1 440	60	entier	Global
   buffer_ci_score_eviction_size Nombre maximal d'anomalies au niveau du CI qui peuvent être stockées dans la mémoire tampon interne avant de les envoyer à l'instance (paramètre actuellement non utilisé)	60–1 440	60	entier	Global
   buffer_metric_eviction_size Nombre maximal de mesures qui peuvent être stockées dans la mémoire tampon interne avant de les envoyer à l'instance pour chaque paire CI/mesure.	60–1 440	60	entier	Global
   connection_login_timeout_secs Délai maximal, en secondes, pour se connecter à la base de données locale sur le MID Server.	30–60	30	entier	Global
   corrupt_data_count_threshold Nombre minimum de points de formation (moyenne de 15 minutes) requis pour effectuer une analyse statistique.	10–100	30	entier	Global
   deprioritize_early_batching_of_anomalous_ci Envoi d'informations de CI anormaux immédiatement ou à intervalles réguliers.	N/A	faux	booléen	Global
   mad_model_min_days Nombre de jours pendant lesquels les données doivent être disponibles pour prendre en compte un modèle basé sur un écart absolu médian.	10-120	10	entier	CI/Mesure
   max_pool_connections_size Nombre maximal de connexions pour le pool de bases de données local.	10–50	25	entier	Global
   observation_time_min Intervalle d'observation de mesure minimum attendu.	1–1 440	1	entier	CI/Mesure
   robust_central_percentage Pourcentage de données résiduelles pour calculer l'écart-type résiduel, utilisé pour la détection des valeurs hors norme. Lorsque ce paramètre est défini sur 100, l'écart-type d'échantillon régulier est utilisé.	50–100	90	double	Global
   sparse_gap_fraction_threshold Si une quantité de données supérieure à ce pourcentage est manquante et qu'aucune autre classe n'a été identifiée, utilisez PARTIEL. Ne tentez pas d'adapter un modèle HEBDOMADAIRE.	0–100	50	double	Global
   weekly_model_min_days Nombre de jours pendant lesquels les données doivent être disponibles afin de ne prendre en compte qu'une seule décomposition de saisonnalité HEBDOMADAIRE.	14-90	15	entier	CI/Mesure
   daily_model_min_days Nombre de jours pendant lesquels les données doivent être disponibles afin de ne prendre en compte qu'une seule décomposition de saisonnalité QUOTIDIENNE.	2-90	3	entier	CI/Mesure
   build_snpm_model Activez/désactivez la création d'un modèle de données SNPM.	N/A	VRAI	booléen	CI/Mesure
   snpm_minimum_data_count Nombre minimum de points de données requis pour la création d'un modèle non paramétrique stationnaire.	0 – 1e9	5 000	entier	CI/Mesure

   Les paramètres de configuration suivants sont destinés à une utilisation interne.

   Tableau 4. Paramètres de configuration internes

   Nom et description	Valeurs	Valeur par défaut	Type de données	Champ d'application
   anomaly_memory_time_min Paramètre du calculateur de score d'anomalie : durée dans la mémoire pour une situation anormale.	1–600	45	double	CI/Mesure
   excess_z_score Paramètre du calculateur de score d'anomalie : anomalie minimale accumulée pour les valeurs hors norme.	0–3	0,8	double	CI/Mesure
   linear_accumulator_threshold Seuil de l'arborescence de décision : analyse de l'ACCUMULATEUR	0,5–5	1	double	Global
   low_freq_power_threshold Seuil de l'arborescence de décision : analyse HEBDOMADAIRE	0–100	50	double	Global
   low_variability_threshold Seuil de l'arborescence de décision : analyse de TENDANCE	0,0000000001–0,001	0,0001	double	Global
   mid_freq_power_threshold Seuil de l'arborescence de décision : analyse HEBDOMADAIRE	0–100	33	double	Global
   multinomial_count_threshold Seuil de l'arborescence de décision : analyse MULTINOMIALE	1–1 000	40	entier	Global
   non_zero_diff_threshold Seuil de l'arborescence de décision : analyse PRESQUE CONSTANT	0–100	5	double	Global
   normal_memory_time_min Paramètre du calculateur de score d'anomalie : durée dans la mémoire pour une situation normale.	1–600	1	double	CI/Mesure
   normal_probability_ewma_timescale_min Paramètre du calculateur de score d'anomalie : échelle de temps de l'évaluation normale.	1–600	15	double	CI/Mesure
   normal_probability_weight Paramètre du calculateur de score d'anomalie : facteur d'ajustement de l'évaluation normale.	0–1	1	double	CI/Mesure
   sigmoid_offset Paramètre du calculateur de score d'anomalie : anomalie de la conversion du score.	0–5	2,1	double	CI/Mesure
   sigmoid_weight Paramètre du calculateur de score d'anomalie : anomalie de la conversion du score.	0–5	1,2	double	CI/Mesure
   tiny_variability_threshold Seuil de l'arborescence de décision : analyse PRESQUE CONSTANT	0–0,001	0,0000000001	double	Global
   weekly_peak_hi_limit Seuil de l'arborescence de décision : analyse HEBDOMADAIRE.	7–14	10	double	Global
   weekly_peak_lo_limit Seuil de l'arborescence de décision : analyse hebdomadaire.	0,5–7	0,7	double	Global
   weekly_vs_daily_log_likelihood_threshold Taux de probabilité que le nombre de journaux hebdomadaires soit supérieur au nombre de journaux quotidiens pour devenir le modèle statistique préféré.	100–1 000	200	double	CI/Mesure
   daily_vs_noisy_log_likelihood_threshold Taux de probabilité que le nombre de journaux quotidiens soit supérieur au nombre de journaux bruyants pour devenir le modèle statistique préféré.	20–1 000	200	double	CI/Mesure
   weekly_vs_noisy_log_likelihood_treshold Taux de probabilité que le nombre de journaux hebdomadaires soit supérieur au nombre de journaux bruyants pour devenir le modèle statistique préféré.	100–1 000	200	double	CI/Mesure
   trendy_vs_noisy_log_likelihood_threshold Taux de probabilité que le nombre de journaux de tendance soit supérieur au nombre de journaux bruyants pour devenir le modèle statistique préféré.	10–1 000	50	double	CI/Mesure
   seasonal_loess_width_in_hours S'applique à la composante saisonnière d'un modèle hebdomadaire ou quotidien avant d'effectuer une prévision du comportement futur. Si la valeur est définie sur 0, chaque point de données du modèle saisonnier devient indépendant du reste des points de données.	6–24	12	double	CI/Mesure
   robustness Impacte la façon dont les valeurs hors norme contribuent aux calculs saisonniers et de tendance.	N/A	VRAI	booléen	CI/Mesure
   snpm_min_value_threshold Valeur minimale des données requises pour la création d'un modèle SNPM.	-1e9 – 1e9	0	double	CI/Mesure
   snpm_max_observation_interval_in_sec Intervalle d'observation maximal attendu requis pour la création d'un modèle SNPM.	60 – 600 000	120	entier	CI/Mesure
   min_std_jump_fraction Rapport minimum du niveau de bruit d'observation calculé localement par rapport à la taille de saut typique qui justifie le recalcul d'une variance de bruit d'observation plus importante.	0,0 – 1,0	0,2	double	CI/Mesure
   dynamic_threshold_error_smoothing Indique s'il est nécessaire d'utiliser une moyenne de déplacement pondérée de façon exponentielle pour lisser les résidus dans l'analyse de seuil dynamique.	N/A	VRAI	booléen	CI/Mesure
   ewma_alpha Valeur alpha de la moyenne de déplacement pondérée de façon exponentielle dans l'analyse de seuil dynamique.	1e-15 – 1,0	0,02739726027	double	CI/Mesure
   dynamic_threshold_beginning_smoothing_length Nombre de points de données lissés à définir pour multiplier par deux la longueur de lissage.	0 – 10 000	250	entier	CI/Mesure
   dynamic_threshold_error_buffer_minutes Nombre de points de données autour de chaque valeur hors norme à regrouper.	1 – 1 000	30	entier	CI/Mesure
   dynamic_threshold_search_start Valeur de début à partir de laquelle le facteur de contrôle optimal est recherché.	0,5 – 20,0	3.0	double	CI/Mesure
   dynamic_threshold_search_interval Intervalle entre les valeurs de recherche du facteur de contrôle optimal.	0,1 – 5,0	0,5	double	CI/Mesure
   dynamic_threshold_search_count Nombre de valeurs requises pour rechercher un facteur de contrôle optimal.	1 – 50	19	entier	CI/Mesure
   dynamic_threshold_error_sequence_limit Nombre maximal de groupes d'erreurs pour une valeur de facteur de contrôle particulière lors de la recherche.	1 – 20	5	entier	CI/Mesure
   dynamic_threshold_minimum_data_count Nombre minimum de points de données brutes nécessaires avant de tenter la définition du seuil dynamique.	1 – 10 000	5 000	entier	CI/Mesure
   linear_seasonal_log_likelihood_threshold Seuil utilisé pour décider s'il faut préférer un modèle adapté avec une saisonnalité linéaire ou un modèle avec un composant périodique.	10-5 000	1 000	entier	CI/Mesure