Aperçu
Nous travaillons toujours sur cette fonctionnalité, mais nous aimerions que vous l'essayiez !
Cette fonctionnalité est actuellement fournie dans le cadre d'un programme d'aperçu conformément à nos politiques de pré-sortie.
Présentation
NRQL Predictions dans New Relic utilise les modèles de données historiques de vos métriques pour prédire les tendances futures, fournissant des informations détaillées sur la façon dont les métriques pourraient se comporter dans le futur. Cette approche proactive vous aide à visualiser les tendances et à anticiper les problèmes potentiels, permettant des interventions rapides pour maintenir des performances optimales du système. Cette fonctionnalité prend actuellement en charge les prédictions pour les séries chronologiques saisonnières (données présentant un modèle récurrent et répétable à une cadence définie) et non saisonnières. Les métriques qui présentent une forte tendance ou un modèle saisonnier défini sont les mieux adaptées aux prévisions NRQL. Ces prédictions sont mieux utilisées lorsqu'elles sont ajoutées aux dashboards existants pour donner un indicateur visuel rapide de la direction que prennent vos métriques.
Exemples de situations dans lesquelles vous pourriez vouloir ajouter une prédiction à votre graphique :
- Votre application produit davantage de logs au cours des dernières heures et l'espace disque s'épuise.
- Votre application manque progressivement de mémoire, menaçant de faire planter l'ensemble du conteneur.
- Vous devez projeter les revenus futurs en fonction des tendances et des tendances saisonnières observées.
Bien que NRQL Predictions eux-mêmes n’identifient pas les problèmes potentiels, ils vous fournissent les informations dont vous avez besoin pour évaluer les tendances et planifier les défis futurs. Pour générer des alertes lorsque les prédictions indiquent un problème imminent, vous pouvez vous inscrire à la fonctionnalité Predictive Alerts, actuellement disponible en version préliminaire publique. Predictive Alerts fonctionne avec NRQL Predictions pour générer des prédictions pour vos métriques et vous alerter lorsque ces prédictions dépassent un seuil statique.
Tarifs
Votre utilisation de NRQL Predictions est facturable pendant l'aperçu conformément à votre commande, conformément au modèle de tarification associé à votre compte. Les requêtes de New Relic Query Language liées à l'utilisation de cette fonctionnalité sont facturables en tant que Core Compute Product. Si cette fonctionnalité devient généralement disponible, votre utilisation sera facturable conformément à votre commande.
Pour plus de détails sur les prix, veuillez contacter notre équipe commerciale ou vous référer à votre commande.
Usage
NRQL Predictions peut être généré de deux manières : soit directement sur des graphiques que vous avez déjà créés, soit en écrivant une requête NRQL à l'aide de la clause PREDICT.
Comportement par défaut
Actuellement, NRQL predictions prend uniquement en charge l'algorithme Holt-Winters, également connu sous le nom de lissage exponentiel, pour les séries chronologiques saisonnières et non saisonnières. Il s’agit d’un algorithme couramment utilisé et standard pour les tâches de prévision et de prédiction. Nous prenons en charge les durées saisonnières horaires, quotidiennes et hebdomadaires pour le modèle Holt-Winters.
En général, le comportement par défaut devrait être suffisant pour la majorité des cas d’utilisation de prédiction NRQL.
La clause PREDICT dans une requête est accompagnée des comportements par défaut suivants :
- Saisonnalité: détecte automatiquement si la saisonnalité est présente dans les données historiques. Si une saisonnalité est détectée, la durée de la saison identifiée est utilisée dans l'algorithme saisonnier Holt-Winters. Si aucune saisonnalité n’est trouvée, il construit un modèle non saisonnier.
- Hyperparamètres: définit les hyperparamètres de l’algorithme Holt-Winters en fonction de la saisonnalité et des données historiques.
- Fenêtre de prédiction: prédit une plage égale à 20 % de la durée totale spécifiée dans votre fenêtre de requête.
- Données historiques pour la formation: Utilise les données historiques de la fenêtre de requête actuelle et des deux précédentes pour générer des prédictions.
- Intervalle de temps: s'aligne sur l'intervalle de points de données de la série chronologique dans la fenêtre de requête pour garantir la cohérence dans la projection des données.
Personnalisation du modèle prédictif
Vous pouvez personnaliser les prédictions en définissant manuellement les hyperparamètres du modèle d'entraînement et en ajoutant les mots-clés USING et BY. Pour en savoir plus sur NRQL et sa syntaxe, reportez-vous à la documentation NRQL. En général, le seul hyperparamètre que la plupart des utilisateurs voudront ajuster sera la saisonnalité. L'algorithme fonctionnera mieux lorsqu'une saisonnalité connue (ou une non-saisonnalité connue) est spécifiée par l'utilisateur. Les autres hyperparamètres de l’algorithme Holt-Winters sont accessibles et modifiables, mais les valeurs par défaut sont déterminées en fonction des données historiques de votre métrique.
Exemple de requête avec la clause PREDICT spécifiant des hyperparamètres personnalisés et ajoutant les mots-clés BY et USING :
FROM Transaction SELECT count(*) WHERE error IS TRUE TIMESERIES PREDICT holtwinters(seasonality: AUTO, alpha: 0.2) BY 1 hour USING 2 hoursCette requête définit la saisonnalité sur la détection automatique et met l'accent sur les données historiques en ajustant le facteur de lissage de niveau. Il prédit une heure dans le futur et entraîne le modèle en utilisant la longueur de la fenêtre de requête ainsi que les deux heures précédentes de données historiques. Le graphique affiche la prédiction personnalisée comme suit :
one.newrelic.com > All capabilities > dashboards: prédiction personnalisée.