5 Funciones de tendencia

Las funciones de tendencia, a diferencia de las funciones de historial, utilizan datos de tendencia para los cálculos.

Las tendencias almacenan valores agregados por hora. Las funciones de tendencia utilizan estos promedios por hora y, por lo tanto, son útiles para el análisis a largo plazo.

Los resultados de la función de tendencia se almacenan en caché, de modo que varias llamadas a la misma función con los mismos parámetros obtienen información de la base de datos solo una vez. La memoria caché de la función de tendencia está controlada por el parámetro del servidor TrendFunctionCacheSize.

Los iniciadores que hacen referencia a funciones de tendencia solamente se evalúan una vez por el período de tiempo más pequeño en la expresión. Por ejemplo, un iniciador como

trendavg(/host/key,1d:now/d) > 1 o trendavg(/host/key2,1w:now/w) > 2

se evaluará una vez al día. Si el disparador contiene funciones de tendencia e historial (o basadas en tiempo), se calcula de acuerdo con los principios habituales.

Todas las funciones que se enumeran aquí son compatibles con:

• Expresiones de iniciador
• Métricas calculadas

Las funciones se enumeran sin información adicional. Haga clic en la función para ver todos los detalles.

Parámetros comunes

• /host/key es un primer parámetro obligatorio común
• período de tiempo:desplazamiento es un segundo parámetro común, donde:
  • período de tiempo - el período de tiempo (mínimo '1h'), definido como <N><unidad de tiempo> donde N - el número de unidades de tiempo, unidad de tiempo - h (hora), d (día), w (semana), M (mes) o y (año).
  • desplazamiento - el desplazamiento del período de tiempo (ver ejemplos de funciones)

Detalles de la función

Algunas notas generales sobre los parámetros de función:

• Los parámetros de la función están separados por una coma.
• Los parámetros de la función opcionales (o partes de parámetros) se indican mediante < >
• Los parámetros específicos de la función se describen con cada función.
• Los parámetros /host/key y (sec|#num)<:time shift> nunca deben ser encerrados entre comillas

baselinedev(/host/key, período de datos: cambio de tiempo, unidad de temporada, número de temporadas)

Devuelve el número de desviaciones (mediante el algoritmo stddevpop) entre el último período de datos y los mismos períodos de datos de temporadas anteriores.

Parámetros:

• Ver parámetros comunes;
  
• período de datos - el período de recopilación de datos dentro de una temporada, definido como <N><unidad de tiempo> donde:
  N - el número de unidades de tiempo
  unidad de tiempo - h (hora ), d (día), w (semana), M (mes) o y (año), debe ser igual o menor que la temporada
  
• unidad de temporada: la duración de una temporada (h, d, w, M, a), no puede ser menor que el período de datos;
• número de temporadas: el número de temporadas a evaluar.

Ejemplos:

baselinedev(/host/key,1d:now/d,"M",6) #calculando el número de desviaciones estándar (población) entre el día anterior y el mismo día en los 6 meses anteriores. Si la fecha no existe en un mes anterior, se utilizará el último día del mes (se analizará el 31 de julio con el 31 de enero, 28 de febrero,... 30 de junio).
       baselinedev(/host/key,1h:now/h,"d",10) #calculando el número de desviaciones estándar (población) entre la hora anterior y las mismas horas durante el período de diez días antes de ayer

baselinewma(/host/key,período de datos:cambio de tiempo,unidad de temporada,núm de temporadas)

Calcula la línea de base promediando datos del mismo período de tiempo en múltiples períodos de tiempo iguales ("temporadas") utilizando el algoritmo de promedio móvil ponderado.

Parámetros:

• Ver parámetros comunes;
  
• período de datos - el período de recopilación de datos dentro de una temporada, definido como <N><unidad de tiempo> donde:
  N - el número de unidades de tiempo
  unidad de tiempo - h (hora ), d (día), w (semana), M (mes) o y (año), debe ser igual o menor que la temporada
  Cambio de tiempo: el período de tiempo compensado, define el final del período de tiempo de recopilación de datos en estaciones (ver ejemplos);
  
• unidad de temporada: la duración de una temporada (h, d, w, M, y), no puede ser menor que el período de datos;
  
• núm de temporadas: el número de temporadas a evaluar.

Ejemplos:

baselinewma(/host/key,1h:now/h,"d",3) #calculando la línea base basándose en la última hora completa dentro de un período de 3 días que finalizó ayer. Si "ahora" es el lunes a las 13:30, se analizarán los datos de 12:00 a 12:59 del viernes, sábado y domingo.
       baselinewma(/host/key,2h:now/h,"d",3) #calculando la línea base basándose en las últimas dos horas dentro de un período de 3 días que finalizó ayer. Si "ahora" es el lunes a las 13:30, se analizarán los datos de 11:00 a 12:59 del viernes, sábado y domingo.
       baselinewma(/host/key,1d:now/d,"M",4) #calculando la línea de base basándose en el mismo día del mes que 'ayer' en los 4 meses anteriores al último mes completo. Si la fecha requerida no existe, se toma el último día del mes. Si hoy es 1 de septiembre, se analizarán los datos del 31 de julio, 30 de junio, 31 de mayo, 30 de abril.

trendavg(/host/key,período de tiempo:cambio de tiempo)

El promedio de los valores de tendencia dentro del período de tiempo definido.

Parámetros:

• Ver parámetros comunes.

Ejemplos:

trendavg(/host/key,1h:now/h) #el promedio de la hora anterior (por ejemplo, 12:00-13:00)
       trendavg(/host/key,1h:now/h-1h) #el promedio de hace dos horas (11:00-12:00)
       trendavg(/host/key,1h:now/h-2h) #el promedio de hace tres horas (10:00-11:00)
       trendavg(/host/key,1M:now/M-1y) #el promedio del mes anterior hace un año

trendcount(/host/key,time period:time shift)

La cantidad de valores históricos recuperados correctamente que se usaron para calcular el valor de tendencia dentro del período de tiempo definido.

Parámetros:

• Ver parámetros comunes.

Ejemplos:

trendcount(/host/key,1h:now/h) #el recuento de valores de la hora anterior (p. ej., 12:00-13:00)
       trendcount(/host/key,1h:now/h-1h) #el recuento de valores de hace dos horas (11:00-12:00)
       trendcount(/host/key,1h:now/h-2h) #el recuento de valores de hace tres horas (10:00-11:00)
       trendcount(/host/key,1M:now/M-1y) #el recuento de valores del mes anterior hace un año

trendmax(/host/key,período de tiempo:cambio de tiempo)

El máximo en valores de tendencia dentro del período de tiempo definido.

Parámetros:

• Ver parámetros comunes.

Ejemplos:

trendmax(/host/key,1h:now/h) #el máximo de la hora anterior (por ejemplo, 12:00-13:00)
       trendmax(/host/key,1h:now/h) - trendmin(/host/key,1h:now/h) → calcula la diferencia entre los valores máximo y mínimo (delta de tendencia) para la hora anterior (12:00- 13:00)
       trendmax(/host/key,1h:now/h-1h) #el máximo de hace dos horas (11:00-12:00)
       trendmax(/host/key,1h:now/h-2h) #el máximo de hace tres horas (10:00-11:00)
       trendmax(/host/key,1M:now/M-1y) #el máximo del mes anterior hace un año

trendmin(/host/key,período de tiempo:cambio de tiempo)

El mínimo en valores de tendencia dentro del período de tiempo definido.

Parámetros:

• Ver parámetros comunes.

Ejemplos:

trendmin(/host/key,1h:now/h) #el mínimo de la hora anterior (por ejemplo, 12:00-13:00)
       trendmax(/host/key,1h:now/h) - trendmin(/host/key,1h:now/h) → calcula la diferencia entre los valores máximo y mínimo (delta de tendencia) para la hora anterior (12:00- 13:00)
       trendmin(/host/key,1h:now/h-1h) #el mínimo de hace dos horas (11:00-12:00)
       trendmin(/host/key,1h:now/h-2h) #el mínimo de hace tres horas (10:00-11:00)
       trendmin(/host/key,1M:now/M-1y) #el mínimo del mes anterior hace un año

trendstl(/host/key,período de evaluación:cambio de tiempo,período de detección,temporada,<desviaciones>,<devalg>,<s ventana>)

Devuelve la tasa de anomalías durante el período de detección: un valor decimal entre 0 y 1 que es "((el número de valores de anomalía)/(el número total de valores))".

Parámetros:

• Ver parámetros comunes;
  
• período de evaluación - el período de tiempo que se debe descomponer (mínimo '1h'), definido como <N><unidad de tiempo> donde
  N - el número de unidades de tiempo
  unidad de tiempo - h (hora), d (día), w (semana), M (mes) o y (año)
  
• período de detección: el período de tiempo antes del final del período de evaluación para el cual se calculan las anomalías (mínimo '1h', no puede ser más largo que el período de evaluación), definido como <N><unidad de tiempo> donde
  N - el número de unidades de tiempo
  unidad de tiempo - h (hora), d (día), w (semana)
  
• temporada: el período de tiempo más corto en el que se espera un patrón repetitivo ("temporada") (mínimo '2h', no puede ser más largo que el período de evaluación, el número de entradas en el período de evaluación debe ser mayor que las dos veces de la frecuencia resultante (temporada/h)), definida como <N><unidad de tiempo> donde
  N - el número de unidades de tiempo
  unidad de tiempo - h (hora), d (día) , w (semana)
• desviaciones - el número de desviaciones (calculadas por devalg) para contar como anomalía (pueden ser decimales), (debe ser mayor o igual a 1, el valor predeterminado es 3);
• devalg (debe estar entre comillas dobles): el algoritmo de desviación, puede ser stddevpop, stddevsamp o mad (predeterminado);
• s ventana - el intervalo (en retrasos) de la ventana de loess para la extracción estacional (el valor predeterminado es 10 * número de entradas en el período de evaluación + 1)

Ejemplos:

trendstl(/host/key,100h:now/h,10h,2h) #analiza las últimas 100 horas de datos de tendencias, encuentra la tasa de anomalías para las últimas 10 horas de ese período, esperando que la periodicidad sea de 2h, la serie restante Los valores del período de evaluación se consideran anomalías si alcanzan el valor de 3 desviaciones de la DMA de esa serie restante.
       trendstl(/host/key,100h:now/h-10h,100h,2h,2.1,"mad") #analiza el período de 100 horas de datos de tendencias, hasta hace 10 horas, encuentra la tasa de anomalía para todo ese período esperando que la periodicidad sea de 2h, los valores del resto de la serie del período de evaluación se consideran anomalías si alcanzan el valor de 2,1 desviaciones de la DMA de esa serie restante
       trendstl(/host/key,100d:now/d-1d,10d,1d,4,,10) #analiza 100 días de datos de tendencias hasta hace un día, encuentra la tasa de anomalía para el período de los últimos 10 días de ese período , esperando que la periodicidad sea 1d, los valores de la serie restante del período de evaluación se consideran anomalías si alcanzan el valor de 4 desviaciones del MAD de esa serie restante, anulando el lapso predeterminado de la ventana de loess para extracción estacional de "10* número de entradas en el período de evaluación + 1" con un lapso de 10 retrasos
       trendstl(/host/key,1M:now/M-1y,1d,2h,,"stddevsamp") #analiza el mes anterior hace un año, encuentra la tasa de anomalía del último día de ese período esperando que la periodicidad sea de 2h , los valores restantes de la serie del período de evaluación se consideran anomalías si alcanzan el valor de 3 desviaciones de la desviación estándar muestral de esa serie restante

trendsum(/host/key, período de tiempo: cambio de tiempo)

La suma de los valores de tendencia dentro del período de tiempo definido.

Parámetros:

• Ver parámetros comunes.

Ejemplos:

trendsum(/host/key,1h:now/h) #la suma de la hora anterior (por ejemplo, 12:00-13:00)
       trendsum(/host/key,1h:now/h-1h) #la suma de hace dos horas (11:00-12:00)
       trendsum(/host/key,1h:now/h-2h) #la suma de hace tres horas (10:00-11:00)
       trendsum(/host/key,1M:now/M-1y) #la suma del mes anterior hace un año

Consulte todas las funciones admitidas.