估计异常检测作业模型内存 API
编辑估计异常检测作业模型内存 API编辑
估算异常检测作业模型的内存使用量。它基于作业的分析配置详细信息和其引用字段的基数估计值。
请求编辑
POST _ml/anomaly_detectors/_estimate_model_memory
先决条件编辑
需要 manage_ml 集群权限。此权限包含在 machine_learning_admin 内置角色中。
请求正文编辑
-
analysis_config - （必填，对象）有关您可以在此 API 正文的
analysis_config组件中指定的属性列表，请参阅analysis_config。 -
max_bucket_cardinality - （必填*，对象）在作业分析数据的时段内，观察到的影响因素字段在单个桶中的最高基数估计值。为了产生良好的答案，必须为所有影响因素字段提供值。为未列为
influencers的字段提供值对估计没有影响。
*如果没有influencers，则可以从请求中省略它。 -
overall_cardinality - （必填*，对象）在作业分析数据的整个时段内，观察到的字段的基数估计值。为了产生良好的答案，必须为任何检测器的
by_field_name、over_field_name和partition_field_name中引用的字段提供值。为其他字段提供值对估计没有影响。
*如果检测器没有by_field_name、over_field_name或partition_field_name，则可以从请求中省略它。
示例编辑
response = client.ml.estimate_model_memory(
body: {
analysis_config: {
bucket_span: '5m',
detectors: [
{
function: 'sum',
field_name: 'bytes',
by_field_name: 'status',
partition_field_name: 'app'
}
],
influencers: [
'source_ip',
'dest_ip'
]
},
overall_cardinality: {
status: 10,
app: 50
},
max_bucket_cardinality: {
source_ip: 300,
dest_ip: 30
}
}
)
puts response
POST _ml/anomaly_detectors/_estimate_model_memory
{
"analysis_config": {
"bucket_span": "5m",
"detectors": [
{
"function": "sum",
"field_name": "bytes",
"by_field_name": "status",
"partition_field_name": "app"
}
],
"influencers": [ "source_ip", "dest_ip" ]
},
"overall_cardinality": {
"status": 10,
"app": 50
},
"max_bucket_cardinality": {
"source_ip": 300,
"dest_ip": 30
}
}
估计返回以下结果
{
"model_memory_estimate": "21mb"
}