Utilisation de la détection d'anomalies CloudWatch - Amazon CloudWatch

Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

Utilisation de la détection d'anomalies CloudWatch

Lorsque vous activezdétection d'anomaliespour une métrique, CloudWatch applique des algorithmes statistiques et de machine learning. Ces algorithmes analysent en permanence les métriques des systèmes et des applications pour déterminer les références normales et les anomalies de surface avec une intervention minimale de l'utilisateur.

Les algorithmes génèrent un modèle de détection d'anomalies. Le modèle génère une plage de valeurs attendues qui représentent le comportement normal des métriques.

Vous pouvez utiliser le modèle des valeurs attendues de deux manières :

  • Vous pouvez créer des alarmes de détection d'anomalie basées sur la valeur attendue d'une métrique. Ces types d'alarme n'ont pas de seuil statique pour déterminer l'état de l'alarme. Au lieu de cela, ils comparent la valeur de la mesure à la valeur attendue en fonction du modèle de détection d'anomalies.

    Vous pouvez choisir si l'alarme est déclenchée lorsque la valeur de la métrique est supérieure à la bande de valeurs attendues, inférieure à la bande, ou les deux.

    Pour de plus amples informations, veuillez consulter Création d'une alarme CloudWatch basée sur la détection d'anomalies.

  • Lors de l'affichage d'un graphique des données de métrique, superposez les valeurs attendues sur le graphique sous forme de bande. Cela permet de voir clairement dans le graphique les valeurs qui sont en dehors de la plage normale. Pour de plus amples informations, veuillez consulter Création d'un graphique.

    Vous pouvez activer la détection d'anomalies avec l'AWS Management Console, l'AWS CLI, AWS CloudFormation ou le kit SDK AWS. Vous pouvez activer la détection d'anomalies sur les métriques fournies par AWS et sur les métriques personnalisées.

    Vous pouvez également extraire les valeurs supérieures et inférieures du groupe du modèle à l'aide de la demande de l'API GetMetricData avec la fonction mathématique des métriques ANOMALY_DETECTION_BAND. Pour plus d'informations, consultez GetMetricData.

Dans un graphique avec détection d'anomalies, la plage de valeurs attendue est affichée sous la forme d'une bande grise. Si la valeur réelle de la métrique dépasse cette bande, elle est affichée en rouge pendant cette période.

Les algorithmes de détection des anomalies tiennent compte de la saisonnalité et des changements de tendance des métriques. Les modifications de saisonnalité peuvent se produire toutes les heures, tous les jours ou toutes les semaines, comme le montrent les exemples suivants.


      Console des métriques affichant la détection d'anomalies activée pour leCPUUtilizationMétriques.

      Console des métriques affichant la détection d'anomalies activée pour leCPUUtilizationMétriques.

      Console des métriques affichant la détection d'anomalies activée pour leCPUUtilizationMétriques.

Les tendances à long terme pourraient être à la baisse ou à la hausse.


      Console des métriques affichant la détection d'anomalies activée pour leCPUUtilizationMétriques.

Les détections d'anomalies fonctionnent également très bien avec les métriques à modèle plat.


      Console des métriques affichant la détection d'anomalies activée pour leCPUUtilizationMétriques.

Fonctionnement de la détection d'anomalies CloudWatch

Lorsque vous activez la détection d'anomalies pour une métrique, CloudWatch applique les algorithmes de machine learning aux données passées de la métrique afin de créer un modèle des valeurs attendues de la métrique. Le modèle évalue à la fois les tendances et les modèles horaires, quotidiens et hebdomadaires de la métrique. L'algorithme forme jusqu'à deux semaines de données de métriques, mais vous pouvez activer la détection d'anomalies sur une métrique, même si la métrique n'a pas deux semaines de données.

Vous spécifiez une valeur pour le seuil de détection d'anomalie utilisé par CloudWatch par pour déterminer la plage « normale » de valeurs pour la mesure. Une valeur plus élevée pour le seuil de détection d’anomalies produit une bande plus épaisse de valeurs « normales ».

Le modèle de machine learning est spécifique à une métrique et à une statistique. Par exemple, si vous activez la détection d'anomalies pour une métrique à l'aide de la statistique AVG, le modèle est spécifique à la statistique AVG.

Lorsque CloudWatch crée un modèle pour de nombreuses mesures courantes à partir deAWS, il garantit que la bande ne s'étend pas en dehors des valeurs logiques. Par exemple, une bande pour une statistique qui ne peut pas être négative ne s'étendra jamais au-dessous de zéro, et une bande pour une mesure en pourcentage restera comprise entre 0 et 100.

Après avoir créé un modèle, la détection d'anomalies CloudWatch évalue continuellement le modèle et y apporte des ajustements pour s'assurer qu'il est aussi précis que possible. Il s'agit notamment de reformer le modèle pour l'ajuster si les valeurs de mesure évoluent au fil du temps ou ont des changements brusques, et inclut également des prédicteurs pour améliorer les modèles de métriques saisonniers, pointilleux ou clairsemés.

Une fois que vous avez activé la détection d'anomalies sur une métrique, vous pouvez choisir d'exclure des périodes définies de la métrique de leur utilisation dans la formation du modèle. De cette façon, vous pouvez exclure des déploiements ou d'autres événements inhabituels de leur utilisation dans la formation du modèle, garantissant que le modèle le plus précis est créé.

L'utilisation de modèles de détection d'anomalies pour les alarmes entraîne des frais sur votre compte AWS. Pour plus d'informations, consultez Tarification Amazon CloudWatch.