Détection d’anomalies

Instance Observer détecte de manière proactive les anomalies pour les mesures cycliques ou non cycliques sous le graphique des performances du package Impact Total sur les instances de production. Les anomalies représentent des valeurs hors norme de mesures basées sur des modèles historiques. Chaque anomalie peut ne pas représenter un problème, mais elle vous notifie et vous permet de décider de la criticité et de configurer les alertes en conséquence.

Les mesures cycliques se présentent sous la forme d’un ensemble complet d’événements qui se répètent régulièrement dans le même ordre ou au cours d’une période régulièrement répétée. Les mesures non cycliques sont des mesures qui se répètent de manière irrégulière ou en périodes répétées aléatoires et moins prévisibles. Une anomalie, également connue sous le nom de valeur aberrante, est un point de données inhabituel, rare ou non conforme aux modèles ou à la distribution attendus des données.

Cinq mesures cycliques sont suivies :

• Nombre de transactions : somme à l’échelle de l’instance de toutes les transactions d’interface utilisateur d’un type interne appelé UI_TYPE.
• Temps de réponse du serveur : temps d’exécution moyen ou moyen pour UI_TYPE transactions.
• Délai de réponse SQL : Moyenne signalée du délai de réponse de la base de données mesuré au niveau de la couche d’application qui commence lorsqu’une requête est envoyée à la base de données et se termine lorsque la réponse a été reçue.
• Moyenne de sémaphore : nombre moyen de transactions d’utilisateurs finaux traitées simultanément sur une période d’une minute.
• Mémoire maximale du nœud : mémoire maximale en cours d’utilisation en Mo par nœud à un point donné de l’historique. Cette valeur est généralement comprise entre 1 000 Mo et 2 048 Mo.

• L’axe X représente le temps et l’axe Y représente les mesures réelles selon la plage de dates sélectionnée. Par exemple, le graphique linéaire affiche les valeurs du nombre de transactions dans le temps. Les anomalies sont indiquées par un code couleur rouge sur le graphique et représentent l’occurrence d’une anomalie dans les données. L’emplacement de la marque rouge dépend des critères ou de l’algorithme utilisés pour détecter les anomalies.
• La plage représente les limites supérieures et inférieures avec une distribution normale des mesures en fonction de leur modèle d’ensemble de données historiques.
• La ligne moyenne représente la valeur moyenne sur quatre semaines des mesures pour comparer l’écart à un moment donné.

Détection d’anomalie de tâche

Les graphiques des anomalies de tâches suivent le nombre de travaux planifiés en cours d’exécution simultanément pour chaque heure de la journée avec la mesure de superposition de la moyenne du nombre de transactions pour chaque heure. Toute barre du graphique qui comporte une ou plusieurs tâches anormales est mise en surbrillance en rouge. Sélectionnez le lien de détail de l’histogramme pour afficher les détails du niveau du poste.

Les détails de la tâche représenteront les travaux planifiés par heure ainsi que les transactions moyennes respectives de cette instance.

Explorez le nombre de tâches planifiées par heure dans une tâche de récurrence individuelle pour n’importe quelle heure de la journée, puis dans le modèle d’exécution de la même tâche au cours des sept derniers jours. Cela peut aider à exécuter la cause première de bout en bout pour les travaux qui prennent habituellement un temps constant et qui subissent soudainement une augmentation ou une diminution significative du temps d’exécution, indiquant un possible problème de performances.

Critères de tâche de calendrier

Pour que la tâche soit considérée comme une tâche planifiée, elle doit satisfaire à au moins un des critères suivants :

• La tâche s’exécute au moins une fois pour chaque jour de la semaine.
• La tâche a été exécutée au moins une fois par semaine au cours des quatre dernières semaines.

Calcul du nombre moyen de transactions

Pour chaque heure d’un jour donné, la moyenne de la somme du nombre de transactions des quatre dernières semaines pour le même jour et la même heure est calculée. Par exemple, en récupérant la somme des nombres de transactions des quatre derniers lundis pour la quatrième heure et en faisant la moyenne des valeurs pour le calcul final.

Identification d’une anomalie de tâche

Au cours des quatre dernières semaines, pour chaque heure d’exécution de la tâche, la durée moyenne est calculée avec la valeur de l’écart-type, qui est la valeur moyenne, plus 5 multiplié par la valeur de l’écart-type.

Cette valeur sert de plage supérieure pour la tâche pour cette heure. Si la tâche est en cours d’exécution à la quatrième heure et que la durée moyenne d’une tâche au cours des quatre dernières semaines est de dix minutes et que l’écart type est de deux minutes, la plage supérieure sera 10 + (5*2) = 20 minutes.

Si l’exécution de la tâche en cours d’exécution prend plus de 20 minutes, la tâche est identifiée comme une anomalie.

Réponse à l’anomalie

Toutes les anomalies ne représentent pas un problème, mais les valeurs aberrantes détectées en fonction des modèles historiques. Configurez les alertes en conséquence après avoir analysé la criticité de l’anomalie détectée. Consultez la rubrique Configurer les alertes d’anomalie pour plus d’informations sur les alertes.