Machine Learning, Score und Forecast

SPOT lernt das erwartete Verhalten je Quelle, Metrik, Parametersatz und Serie. adaptive-robust-v3 priorisiert Präzision: Ein hoher Score erfordert eine seltene, materielle und für diese Metrik schädliche Änderung.

ML ergänzt Schwellwerte. Es bestätigt keine Ursache und ersetzt weder Events, Jobs, Alerts noch SAP-Kontext.

Globale Steuerung

Das globale Menü Analysis ist anfangs deaktiviert und kann Folgendes zeigen:

• Static thresholds: Warning- und Critical-Linien.
• Expected range: kalibriertes Band und typischer Wert.
• Forecast: Vorhersage für die nächsten 24 Stunden.
• ML score points: Punkte auf der Istserie und ein Score-Regler von 0–100.

Die Einstellung gilt für alle kompatiblen Zeitdiagramme. In einem erweiterten Diagramm können Forecast oder ML scores nur für dieses Modal aktiviert werden.

Was das Modell lernt

• Es verwendet bis zu 42 Tage in internen 5-Minuten-Buckets.
• Es verwendet die Zeitzone der Quelle für Tages-, Wochen- und Zeitumstellungsmuster.
• Es vergleicht Niveau/Trend, tägliche, wöchentliche, kombinierte Saisonalität und sporadische Signale. Bei vergleichbarer zeitlicher Validierung gewinnt das einfachste Modell.
• Das erwartete Band wird mit vergangenen Prognosefehlern kalibriert, die keine zukünftigen Daten verwendet haben.
• warming_up bleibt aktiv, bis mindestens 21 Tage, drei vollständige Zyklen und 70 % Abdeckung vorliegen.

Die Abdeckung berücksichtigt das kanonische Erfassungsintervall jeder Metrik. ICM-Fehlerraten werden beispielsweise alle 15 Minuten erfasst, obwohl die Engine interne Fünf-Minuten-Buckets verwendet; diese regulären Messwerte gelten nicht als fehlende Daten.

SPOT fragt die 42 Tage in Sieben-Tage-Fragmenten ab und teilt zu große oder abgelaufene Abfragen bis auf sechs Stunden. Ein Modell wird nur bei einem vollständigen Fenster veröffentlicht; ein fehlgeschlagenes Fragment setzt die Variante auf training_error und erzeugt kein Teilmodell.

Jede Ansicht verwendet exakt Quelle, metricId, Parameter und kanonischen Serienschlüssel. Der sichtbare Name verbindet keine Modelle. Ein Score gehört nur zu seinem Timestamp; SPOT verwendet keinen älteren Score für einen neueren Wert.

Score interpretieren

Der Score von 0–100 kombiniert:

• Seltenheit: kalibrierte Wahrscheinlichkeit einer gleich großen oder größeren Abweichung.
• Auswirkung: Abstand über einem materiellen Minimum für Einheit und normale Skalierung.
• Richtung: Bei Latenz, Auslastung, Fehlern und Alter sind meist Anstiege schädlich; bei freiem Platz, Verfügbarkeit und gesunden Quoten Abfälle.
• Persistenz: Fenster mit 3, 6 und 12 unterschiedlichen Beobachtungen ergänzen den aktuellen Punkt.

Eine Verbesserung kann keinen ML-Vorfall öffnen. Niedrigere Latenz oder mehr freier Platz können das Band verlassen, ohne eine Verschlechterung zu sein.

Auf der kalibrierten Skala entspricht 75 ungefähr einer seltenen und 90 einer deutlich außergewöhnlicheren Abweichung, sofern die Auswirkung materiell ist. Effektive Schwellwerte bleiben mit 0 ≤ warning < critical ≤ 100 konfigurierbar.

Ausschläge, Persistenz und Alarme

Ein einzelner Punkt kann als sichtbare Evidenz bestehen bleiben, ohne einen Vorfall zu öffnen. Das Standardprofil verlangt zwei unterschiedliche anomale Beobachtungen über mindestens fünf Minuten. Nur ein außergewöhnliches Score-100-Ereignis mit extremer Auswirkung darf mit einem Punkt öffnen.

Eine erneute Auswertung desselben Buckets erhöht die Persistenz nicht und erzeugt keinen weiteren Vorfall. Zwei unterschiedliche gesunde Beobachtungen lösen die ML-Bedingung auf. warming_up, no_recent_data, insufficient_history, insufficient_coverage, training_error, no_matching_series und unavailable lösen ML nicht aus.

Forecast und Erklärung

Der Forecast umfasst 24 Stunden mit ausgewähltem Modell und kalibriertem Band. Now trennt Historie und Zukunft. Der Tooltip zeigt Erwartungswert, Minimum, Maximum, Konfidenz und Modell. Die Konfidenz basiert auf gemessener Validierungsabdeckung, nicht nur auf der Stichprobenzahl.

Baseline und Forecast haben unabhängige Zustände. Ein verfügbarer Forecast verdeckt keine Baseline, die noch aufwärmt oder zu wenig Abdeckung hat. Meldungen unterscheiden fehlende aktuelle Daten, unzureichende Historie oder Abdeckung, Trainingsfehler, nicht passende Serien und Nichtverfügbarkeit. Bereite Forecasts werden einmal pro Stunde aktualisiert.

Bleibt warming_up länger als einen Trainingszyklus unverändert, obwohl das Diagramm weiterhin aktuelle Daten erhält, prüfe Alerts → ML coverage. Der Status muss unzureichende Abdeckung oder Historie benennen; ein dauerhafter Verarbeitungsfehler erfordert eine Prüfung durch den SPOT-Administrator.

Diagramme und Alert Center erklären:

• Istwert, typischen Wert und erwartetes Band;
• absolute und relative Änderung;
• Point Score und Multi-Bucket Score;
• Seltenheit, Auswirkung, Richtung und Persistenz;
• Modell, effektive Samples, Abdeckung und Score-Gründe.

Prüfe Alerts → ML coverage auf Version, Generation, Zeitzone, Status, Abdeckung, Kalibrierung und letzte Inferenz, bevor eine ML-Regel aktiviert wird. Forecast bleibt visuelle Evidenz und öffnet keine prädiktiven Alarme.