（布尔值）高级配置选项。指定当机器学习节点容量不足以立即将此任务分配给节点时，是否可以打开此任务。默认值为 false；如果无法立即找到具有运行任务容量的机器学习节点，则打开异常检测任务 API将返回错误。但是，这也受集群范围内的 xpack.ml.max_lazy_ml_nodes 设置的约束；请参阅高级机器学习设置。如果此选项设置为 true，则打开异常检测任务 API不会返回错误，并且该任务将在 opening 状态下等待，直到有足够的机器学习节点容量可用。

如果您在更新时任务处于打开状态，则必须停止数据馈送，关闭任务，然后重新打开任务并重新启动数据馈送，以使更改生效。

analysis_limits

（可选，对象）可以应用限制来控制在内存中保存数学模型所需的资源。这些限制是近似值，可以按任务设置。它们不控制其他进程使用的内存，例如 Elasticsearch Java 进程。

您只能在任务关闭时更新 analysis_limits。

analysis_limits 的属性

model_memory_limit

（long 或 string）分析处理所需的大致最大内存资源量。一旦接近此限制，数据修剪将变得更加积极。超过此限制后，将不再建模新的实体。在 6.1 及更高版本中创建的任务的默认值为 1024mb。但是，如果 xpack.ml.max_model_memory_limit 设置的值大于 0 且小于 1024mb，则将使用该值。如果未设置 xpack.ml.max_model_memory_limit，但设置了 xpack.ml.use_auto_machine_memory_percent，则默认的 model_memory_limit 将设置为集群中可以分配的最大大小，上限为 1024mb。默认值相对较小，以确保高资源使用是有意识的决定。如果您有预期会分析高基数字段的任务，则可能需要使用更高的值。

从 Elasticsearch 8.10.0 开始，使用新的版本号来跟踪机器学习插件中的配置和状态更改。这个新的版本号与产品版本分离，并将独立递增。

如果指定数字而不是字符串，则假定单位为 MiB。建议指定字符串以使其清晰。如果指定字节大小单位为 b 或 kb，并且该数字不等于离散的兆字节数，则将其向下舍入到最接近的 MiB。最小有效值为 1 MiB。如果指定的值小于 1 MiB，则会发生错误。有关支持的字节大小单位的更多信息，请参阅字节大小单位。

如果为 xpack.ml.max_model_memory_limit 设置指定了值，则当您尝试创建 model_memory_limit 值大于该设置值的任务时，会发生错误。有关更多信息，请参阅机器学习设置。

您不能将 model_memory_limit 值减小到低于当前使用量。要确定当前使用量，请参考获取任务统计信息 API 中的 model_bytes 值。
如果model_size_stats 对象中的 memory_status 属性的值为 hard_limit，则表示它无法处理某些数据。您可能需要使用增加的 model_memory_limit 重新运行该任务。

background_persist_interval

（时间单位）高级配置选项。模型每次定期持久化之间的时间。默认值是一个随机值，介于 3 到 4 小时之间，这避免了所有任务在完全相同的时间持久化。允许的最小值为 1 小时。

对于非常大的模型（数 GB），持久化可能需要 10-20 分钟，因此请不要将 background_persist_interval 值设置得太低。

如果您在更新时任务处于打开状态，则必须停止数据馈送，关闭任务，然后重新打开任务并重新启动数据馈送，以使更改生效。

custom_settings

（对象）高级配置选项。包含有关任务的自定义元数据。例如，它可以包含自定义 URL 信息，如将自定义 URL 添加到机器学习结果中所示。

daily_model_snapshot_retention_after_days

（long）高级配置选项，它会影响自动删除此任务的旧模型快照。它指定一个时间段（以天为单位），在此时间段之后，每天仅保留第一个快照。此时间段相对于此任务的最新快照的时间戳。有效值范围为 0 到 model_snapshot_retention_days。对于新任务，默认值为 1。对于在 7.8.0 版本之前创建的任务，默认值与 model_snapshot_retention_days 匹配。有关更多信息，请参考模型快照。

从 Elasticsearch 8.10.0 开始，使用新的版本号来跟踪机器学习插件中的配置和状态更改。这个新的版本号与产品版本分离，并将独立递增。

description

（字符串）任务的描述。

detectors

（数组）检测器更新对象数组。

detectors 的属性

custom_rules

（数组）自定义规则对象数组，使您可以自定义检测器的操作方式。例如，规则可以指示检测器在什么条件下应跳过结果。Kibana 将自定义规则称为任务规则。有关更多示例，请参阅使用自定义规则自定义检测器。

custom_rules 的属性

actions

（数组）当规则应用时要触发的一组操作。如果指定了多个操作，则会合并所有操作的效果。可用的操作包括

skip_result：将不会创建结果。这是默认值。除非您还指定 skip_model_update，否则模型将像往常一样使用相应的序列值进行更新。
skip_model_update：该序列的值将不会用于更新模型。除非您还指定 skip_result，否则将像往常一样创建结果。当某些值预计始终是异常值，并且它们以负面影响其余结果的方式影响模型时，此操作是合适的。
force_time_shift：此操作将使异常检测器内部的时间偏移指定的量。这很有用，例如，可以快速适应事先已知的时间调整事件。此操作需要在 params 对象中使用 force_time_shift 参数。

params

（对象）一组参数对象，用于自定义自定义规则操作数组中定义的操作。可用参数（取决于指定的操作）包括：force_time_shift。

params 的属性

force_time_shift: （对象）将 time_shift_amount 设置为您希望偏移时间的有符号秒数。

conditions

（数组）应用规则时可选的数字条件数组。规则必须具有非空范围或至少一个条件。多个条件与逻辑 AND 组合在一起。条件具有以下属性

conditions 的属性

applies_to: （字符串）指定条件应用于的结果属性。可用选项为 actual、typical、diff_from_typical、time。如果您的检测器使用 lat_long、metric、rare 或 freq_rare 函数，则只能指定应用于 time 的条件。
operator: （字符串）指定条件运算符。可用选项为 gt（大于）、gte（大于或等于）、lt（小于）和 lte（小于或等于）。
value: （双精度）使用 operator 与 applies_to 字段进行比较的值。

scope

（对象）规则适用的序列的可选范围。规则必须具有非空范围或至少一个条件。默认情况下，该范围包括所有序列。允许对也在 by_field_name、over_field_name 或 partition_field_name 中指定的任何字段进行范围限定。要为字段添加范围，请将字段名称作为范围对象中的键添加，并将其值设置为具有以下属性的对象

scope 的属性

filter_id: （字符串）要使用的过滤器的 ID。
filter_type: （字符串）include（该规则适用于过滤器中的值）或 exclude（该规则适用于过滤器中没有的值）。默认为 include。

description

（字符串）检测器的描述。例如，低事件率。

detector_index

（整数）检测器的唯一标识符。此标识符基于 analysis_config 中检测器的顺序，从零开始。

如果要更新特定的检测器，则必须使用此标识符。但是，您不能更改检测器的 detector_index 值。

groups

（字符串数组）任务组的列表。一个任务可以不属于任何组或属于多个组。

model_plot_config

（对象）此高级配置选项将模型信息与结果一起存储。它提供了对异常检测的更详细的视图。

如果启用模型图，则可能会给系统性能增加相当大的开销；对于具有许多实体的任务来说，这是不可行的。

模型图提供了模型及其边界的简化指示视图。它不显示复杂的特征，例如多变量相关性或多峰数据。因此，有时可能会报告在模型图中看不到的异常。

可以在创建或稍后更新任务时配置模型图配置。如果遇到性能问题，则必须禁用它。

model_plot_config 的属性

annotations_enabled: (布尔值) 如果为 true，则启用对正在分析的每个实体计算和存储模型更改注释。默认为 enabled。
已启用: (布尔值) 如果为 true，则启用对正在分析的每个实体计算和存储模型边界。默认情况下，此项未启用。
术语: [预览] 此功能处于技术预览阶段，可能会在未来的版本中更改或删除。Elastic 将努力解决任何问题，但技术预览版中的功能不受官方 GA 功能的支持 SLA 约束。 (字符串) 将数据收集限制为此逗号分隔的分区或字段值列表。如果未指定术语或为空字符串，则不应用任何筛选。例如，“CPU,NetworkIn,DiskWrites”。不支持通配符。使用“单个指标查看器”时，只能查看指定的 terms。

模型修剪窗口

(时间单位) 高级配置选项。影响在给定时间段内未更新的模型的修剪。该值必须设置为 bucket_span 的倍数。如果设置得太低，可能会从模型中删除重要信息。通常，设置为 30d 或更长时间。如果未设置，则仅当模型内存状态达到软限制或硬限制时才会进行模型修剪。对于在 8.1 及更高版本中创建的作业，默认值为 30d 或 20 倍的 bucket_span，取较大者。

模型快照保留天数

(long) 高级配置选项，影响此作业旧模型快照的自动删除。它指定快照保留的最长时间（以天为单位）。此时间段相对于此作业的最新快照的时间戳。默认值为 10，这意味着删除比最新快照早十天的快照。有关更多信息，请参阅模型快照。

按分区分类

(对象) 与分类如何与分区字段交互相关的设置。

per_partition_categorization 的属性

已启用: (布尔值) 要启用此设置，您还必须在每个使用关键字 mlcategory 的检测器中将 partition_field_name 属性设置为相同的值。否则，作业创建将失败。
在警告时停止: (布尔值) 仅当启用了按分区分类时，才能将此设置设置为 true。如果为 true，则当分类状态更改为 warn 时，分类和随后的异常检测都会停止。此设置使得可以在某些分区中预期分类效果良好，而在其他分区中效果不佳的情况下使用作业；您无需为分类效果不佳的分区永远付出代价。

重新规范化窗口天数: (long) 高级配置选项。随着新数据的出现，应用分数调整的周期。默认值是 30 天或 100 个 bucket_spans 中较长的一个。

如果您在更新时任务处于打开状态，则必须停止数据馈送，关闭任务，然后重新打开任务并重新启动数据馈送，以使更改生效。

结果保留天数: (long) 高级配置选项。结果保留的时间段（以天为单位）。年龄是相对于最新 bucket 结果的时间戳计算的。如果此属性具有非空值，则每天一次在 00:30（服务器时间），从 Elasticsearch 中删除比最新 bucket 结果早指定天数的结果。默认值为 null，这意味着保留所有结果。系统生成的注释也计为用于保留目的的结果；它们在与结果相同的天数后删除。用户添加的注释将永久保留。

示例

编辑

resp = client.ml.update_job(
    job_id="low_request_rate",
    description="An updated job",
    detectors={
        "detector_index": 0,
        "description": "An updated detector description"
    },
    groups=[
        "kibana_sample_data",
        "kibana_sample_web_logs"
    ],
    model_plot_config={
        "enabled": True
    },
    renormalization_window_days=30,
    background_persist_interval="2h",
    model_snapshot_retention_days=7,
    results_retention_days=60,
)
print(resp)

response = client.ml.update_job(
  job_id: 'low_request_rate',
  body: {
    description: 'An updated job',
    detectors: {
      detector_index: 0,
      description: 'An updated detector description'
    },
    groups: [
      'kibana_sample_data',
      'kibana_sample_web_logs'
    ],
    model_plot_config: {
      enabled: true
    },
    renormalization_window_days: 30,
    background_persist_interval: '2h',
    model_snapshot_retention_days: 7,
    results_retention_days: 60
  }
)
puts response

const response = await client.ml.updateJob({
  job_id: "low_request_rate",
  description: "An updated job",
  detectors: {
    detector_index: 0,
    description: "An updated detector description",
  },
  groups: ["kibana_sample_data", "kibana_sample_web_logs"],
  model_plot_config: {
    enabled: true,
  },
  renormalization_window_days: 30,
  background_persist_interval: "2h",
  model_snapshot_retention_days: 7,
  results_retention_days: 60,
});
console.log(response);

POST _ml/anomaly_detectors/low_request_rate/_update
{
  "description":"An updated job",
  "detectors": {
    "detector_index": 0,
    "description": "An updated detector description"
  },
  "groups": ["kibana_sample_data","kibana_sample_web_logs"],
  "model_plot_config": {
    "enabled": true
  },
  "renormalization_window_days": 30,
  "background_persist_interval": "2h",
  "model_snapshot_retention_days": 7,
  "results_retention_days": 60
}

更新异常检测作业时，您会收到作业配置信息的摘要，包括更新的属性值。例如

{
  "job_id" : "low_request_rate",
  "job_type" : "anomaly_detector",
  "job_version" : "8.4.0",
  "create_time" : 1656105950893,
  "finished_time" : 1656105965744,
  "model_snapshot_id" : "1656105964",
  "custom_settings" : {
    "created_by" : "ml-module-sample",
    "custom_urls" : [
      {
        "url_name" : "Raw data",
        "url_value" : "discover#/?_g=(time:(from:'$earliest$',mode:absolute,to:'$latest$'))&_a=(index:'90943e30-9a47-11e8-b64d-95841ca0b247')"
      },
      {
        "url_name" : "Data dashboard",
        "url_value" : "dashboards#/view/edf84fe0-e1a0-11e7-b6d5-4dc382ef7f5b?_g=(time:(from:'$earliest$',mode:absolute,to:'$latest$'))&_a=(filters:!(),query:(language:kuery,query:''))"
      }
    ]
  },
  "groups" : [
    "kibana_sample_data",
    "kibana_sample_web_logs"
  ],
  "description" : "An updated job",
  "analysis_config" : {
    "bucket_span" : "1h",
    "summary_count_field_name" : "doc_count",
    "detectors" : [
      {
        "detector_description" : "An updated detector description",
        "function" : "low_count",
        "detector_index" : 0
      }
    ],
    "influencers" : [ ],
    "model_prune_window" : "30d"
  },
  "analysis_limits" : {
    "model_memory_limit" : "11mb",
    "categorization_examples_limit" : 4
  },
  "data_description" : {
    "time_field" : "timestamp",
    "time_format" : "epoch_ms"
  },
  "model_plot_config" : {
    "enabled" : true,
    "annotations_enabled" : true
  },
  "renormalization_window_days" : 30,
  "background_persist_interval" : "2h",
  "model_snapshot_retention_days" : 7,
  "daily_model_snapshot_retention_after_days" : 1,
  "results_retention_days" : 60,
  "results_index_name" : "custom-low_request_rate",
  "allow_lazy_open" : false
}

« 更新过滤器 API 更新模型快照 API »