Uso de la detección de anomalías de CloudWatch - Amazon: CloudWatch

Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

Uso de la detección de anomalías de CloudWatch

Al habilitar la detección de anomalías para una métrica, CloudWatch aplica algoritmos estadísticos y Machine Learning. Estos algoritmos analizan continuamente las métricas de sistemas y aplicaciones, determinan los valores de referencia normales y detectan anomalías con una intervención mínima del usuario.

Los algoritmos generan un modelo de detección de anomalías. El modelo genera un intervalo de valores esperados que representan el comportamiento normal de la métrica.

Puede utilizar el modelo de valores esperados de dos formas:

  • Puede crear alarmas de detección de anomalías basadas en el valor esperado de una métrica. Estos tipos de alarmas no tienen un umbral estático para determinar el estado de la alarma. En lugar de ello, comparan el valor de la métrica con el valor esperado en función del modelo de detección de anomalías.

    Puede elegir si la alarma se activa cuando el valor de la métrica está por encima del intervalo de valores previstos, por debajo del intervalo, o bien por encima o por debajo del intervalo.

    Para obtener más información, consulte Creación de una alarma de CloudWatch basándose en la detección de anomalías.

  • Cuando consulte un gráfico de datos de métricas, superponga los valores esperados en el gráfico en forma de banda. Esto permite ver claramente qué valores del gráfico están fuera del intervalo normal. Para obtener más información, consulte Crear un gráfico.

    Puede habilitar la detección de anomalías utilizando la Consola de administración de AWS, la AWS CLI, AWS CloudFormation o el SDK de AWS Puede habilitar la detección de anomalías en las métricas ofrecidas por AWS y también en métricas personalizadas.

    También puede recuperar los valores superior e inferior de la banda del modelo utilizando la solicitud de la API GetMetricData con la función matemática de la métrica ANOMALY_DETECTION_BAND Para obtener más información, consulte GetMetricData .

En un gráfico con detección de anomalías, el intervalo esperado de valores se muestra como una banda gris. Si el valor real de la métrica está fuera de esta banda, se muestra en rojo durante ese tiempo.

Los algoritmos de detección de anomalías dan cuenta de la estacionalidad y los cambios de tendencia de las métricas. Los cambios de estacionalidad pueden ser por hora, por día o por semana, como se muestra en los siguientes ejemplos.


      La consola de métricas de muestra la detección de anomalías habilitada para la CPUUtilization métrica.

      La consola de métricas de muestra la detección de anomalías habilitada para la CPUUtilization métrica.

      La consola de métricas de muestra la detección de anomalías habilitada para la CPUUtilization métrica.

Las tendencias a más largo plazo podrían ser a la baja o al alza.


      La consola de métricas de muestra la detección de anomalías habilitada para la CPUUtilization métrica.

Las detecciones de anomalías también funcionan bien con métricas con patrones planos.


      La consola de métricas de muestra la detección de anomalías habilitada para la CPUUtilization métrica.

Cómo funciona la detección de anomalías de CloudWatch

Al habilitar la detección de anomalías de una métrica, CloudWatch aplica algoritmos de aprendizaje automático a los datos anteriores de la métrica para crear un modelo de los valores esperados de la métrica. El modelo evalúa las tendencias y los patrones horarios, diarios y semanales de la métrica. El algoritmo se entrena con hasta dos semanas de datos de métricas, pero puede habilitar la detección de anomalías en una métrica aunque la métrica no tenga dos semanas completas de datos.

Especifique un valor para el umbral de detección de anomalías que CloudWatch utiliza junto con el modelo para determinar el intervalo "normal" de valores de la métrica. Un valor mayor del umbral de detección de anomalías produce un intervalo mayor de valores "normales".

El modelo de aprendizaje automático es específico de una métrica y una estadística. Por ejemplo, si habilita la detección de anomalías de una métrica utilizando la estadística AVG, el modelo es específica de la estadística AVG

Una vez que haya creado un modelo, se actualiza constantemente, utilizando los datos más recientes de la métrica.

Después de habilitar la detección de anomalías en una métrica, tiene la opción de excluir periodos de tiempo específicos de la métrica para entrenar el modelo. De esta forma, puede excluir las implementaciones u otros eventos inusuales para la capacitación de modelos, garantizando la creación del modelo más preciso.

El uso de modelos de detección de anomalías para las alarmas implica cargos en su cuenta de AWS Para obtener más información, consulte Precios de Amazon CloudWatch.