Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
Observabilitas di Layanan Amazon OpenSearch
Instalasi default OpenSearch Dasbor untuk OpenSearch Layanan Amazon mencakup plugin Observability, yang dapat Anda gunakan untuk memvisualisasikan peristiwa berbasis data menggunakan Piped Processing Language (PPL) untuk menjelajahi, menemukan, dan menanyakan data yang disimpan. OpenSearch Plugin membutuhkan OpenSearch 1.2 atau lebih baru.
Plugin Observability memberikan pengalaman terpadu untuk mengumpulkan dan memantau metrik, log, dan jejak dari sumber data umum. Pengumpulan dan pemantauan data di satu tempat memungkinkan penumpukan penuh, end-to-end pengamatan seluruh infrastruktur Anda.
catatan
Dokumentasi ini memberikan gambaran singkat tentang Observabilitas dalam OpenSearch Layanan. Untuk dokumentasi komprehensif plugin Observability, termasuk izin, lihat Observabilitas.
Proses setiap orang untuk mengeksplorasi data berbeda. Jika Anda baru menjelajahi data dan membuat visualisasi, sebaiknya coba alur kerja seperti berikut ini.
Jelajahi data Anda dengan analisis acara
Untuk memulai, katakanlah Anda mengumpulkan data penerbangan di domain OpenSearch Layanan Anda dan Anda ingin mengetahui maskapai mana yang memiliki penerbangan paling banyak tiba di Bandara Internasional Pittsburgh bulan lalu. Anda menulis kueri PPL berikut:
source=opensearch_dashboards_sample_data_flights | stats count() by Dest, Carrier | where Dest = "Pittsburgh International Airport"
Query ini menarik data dari indeks bernamaopensearch_dashboards_sample_data_flights. Kemudian menggunakan stats perintah untuk mendapatkan jumlah total penerbangan dan mengelompokkannya sesuai dengan bandara tujuan dan maskapai penerbangan. Akhirnya, ia menggunakan where klausul untuk menyaring hasil untuk penerbangan yang tiba di Bandara Internasional Pittsburgh.
Inilah tampilan data saat ditampilkan selama sebulan terakhir:
Anda dapat memilih tombol PPL di editor kueri untuk mendapatkan informasi penggunaan dan contoh untuk setiap perintah PPL:
Mari kita lihat contoh yang lebih kompleks, yang menanyakan informasi tentang penundaan penerbangan:
source=opensearch_dashboards_sample_data_flights | where FlightDelayMin > 0 | stats sum(FlightDelayMin) as minimum_delay, count() as total_delayed by Carrier, Dest | eval avg_delay=minimum_delay / total_delayed | sort - avg_delay
Setiap perintah dalam kueri memengaruhi hasil akhir:
-
source=opensearch_dashboards_sample_data_flights- menarik data dari indeks yang sama dengan contoh sebelumnya -
where FlightDelayMin > 0- menyaring data ke penerbangan yang tertunda -
stats sum(FlightDelayMin) as minimum_delay, count() as total_delayed by Carrier- untuk setiap maskapai, mendapatkan total waktu tunda minimum dan jumlah total penerbangan yang tertunda -
eval avg_delay=minimum_delay / total_delayed- menghitung waktu tunda rata-rata untuk setiap maskapai dengan membagi waktu tunda minimum dengan jumlah total penerbangan yang tertunda -
sort - avg_delay- mengurutkan hasil dengan penundaan rata-rata dalam urutan menurun
Dengan kueri ini, Anda dapat menentukan bahwa OpenSearch Dashboards Airlines memiliki, rata-rata, lebih sedikit penundaan.
Anda dapat menemukan lebih banyak contoh kueri PPL di bawah Kueri dan Visualisasi di halaman analisis Peristiwa.
Buat visualisasi
Setelah Anda menanyakan data yang Anda minati dengan benar, Anda dapat menyimpan kueri tersebut sebagai visualisasi:
Kemudian tambahkan visualisasi tersebut ke panel operasional
Selami lebih dalam dengan Trace Analytics
Trace Analytics menyediakan cara untuk memvisualisasikan aliran peristiwa dalam OpenSearch data Anda untuk mengidentifikasi dan memperbaiki masalah kinerja dalam aplikasi terdistribusi.
