百分位数聚合
多值度量聚合,计算从聚合文档中提取的数值的一个或多个百分位数。这些值可以从文档中的特定数字字段中提取,也可以由提供的脚本生成。
百分位数表示观察值的某个百分比出现的点。例如,95%是大于观察值95%的值。
百分位数通常用于查找异常值。在正态分布中,0.13%和99.87%表示与平均值的三个标准差。任何超出三个标准差的数据通常被视为异常。
当检索到一个百分位数范围时,它们可以用来估计数据分布,并确定数据是否是歪斜的、双峰的等。
假设您的数据由网站加载时间组成。对于管理员来说,平均和中间加载时间并不太有用。最大值可能很有趣,但很容易被一个缓慢的响应所扭曲。
让我们看看代表加载时间的百分位数范围:
GET latency/_search
{
"size": 0,
"aggs" : {
"load_time_outlier" : {
"percentiles" : {
"field" : "load_time" <1>
}
}
}
}
-
字段加载时间必须是数字字段
默认情况下,百分位数度量将生成百分位数范围:[1、5、25、50、75、95、99]。回答如下:
{
...
"aggregations": {
"load_time_outlier": {
"values" : {
"1.0": 5.0,
"5.0": 25.0,
"25.0": 165.0,
"50.0": 445.0,
"75.0": 725.0,
"95.0": 945.0,
"99.0": 985.0
}
}
}
}
如您所见,聚合将返回默认范围内每个百分位数的计算值。如果我们假设响应时间以毫秒为单位,那么很明显网页通常在10-725毫秒内加载,但偶尔会达到945-985毫秒。
通常,管理员只对异常值-极端百分位数感兴趣。我们可以只指定我们感兴趣的百分比(请求的百分比必须是0-100之间的值,包括0-100):
GET latency/_search
{
"size": 0,
"aggs" : {
"load_time_outlier" : {
"percentiles" : {
"field" : "load_time",
"percents" : [95, 99, 99.9] <1>
}
}
}
}
-
使用percents参数指定要计算的特定百分比
键控响应
默认情况下,keyed标志设置为true,它将唯一的字符串键与每个bucket相关联,并将范围作为哈希而不是数组返回。将keyed标志设置为false将禁用此行为:
GET latency/_search
{
"size": 0,
"aggs": {
"load_time_outlier": {
"percentiles": {
"field": "load_time",
"keyed": false
}
}
}
}
响应:
{
...
"aggregations": {
"load_time_outlier": {
"values": [
{
"key": 1.0,
"value": 5.0
},
{
"key": 5.0,
"value": 25.0
},
{
"key": 25.0,
"value": 165.0
},
{
"key": 50.0,
"value": 445.0
},
{
"key": 75.0,
"value": 725.0
},
{
"key": 95.0,
"value": 945.0
},
{
"key": 99.0,
"value": 985.0
}
]
}
}
}
脚本
百分位数指标支持脚本编写。例如,如果加载时间以毫秒为单位,但我们希望以秒为单位计算百分位数,则可以使用脚本动态转换它们:
GET latency/_search
{
"size": 0,
"aggs" : {
"load_time_outlier" : {
"percentiles" : {
"script" : {
"lang": "painless",
"source": "doc['load_time'].value / params.timeUnit", <1>
"params" : {
"timeUnit" : 1000 <2>
}
}
}
}
}
}
-
field 参数替换为script 参数,脚本参数使用脚本生成计算百分位数的值。
-
脚本支持参数化输入,就像其他脚本一样
这将把脚本参数解释为具有painless 脚本语言且没有脚本参数的内联脚本。要使用存储的脚本,请使用以下语法:
GET latency/_search
{
"size": 0,
"aggs" : {
"load_time_outlier" : {
"percentiles" : {
"script" : {
"id": "my_script",
"params": {
"field": "load_time"
}
}
}
}
}
}
百分位数(通常)近似
计算百分位数有许多不同的算法。简单的实现只是将所有值存储在一个排序数组中。要找到第50个百分点值,只需找到 my_array[count(my_array) * 0.5]
中的值。
显然,简单的实现不会缩放-排序后的数组会随着数据集中的值的数量线性增长。为了计算弹性搜索集群中潜在数十亿值的百分位数,需要计算近似百分位数。
百分位数度量使用的算法称为tdigest(由Ted Dunning在使用t-digests计算精确分位数时引入)。
使用此度量标准时,需要记住以下几条准则:
-
精度与q(1-q)成正比。这意味着极端百分位数(如99%)比不太极端百分位数(如中位数)更准确。
-
对于较小的值集,百分位数是高度准确的(如果数据足够小,则可能100%准确)。
-
当一个桶中的值的数量增加时,算法开始逼近百分位数。它有效地利用准确性来节省内存。准确的不准确程度很难概括,因为它取决于您的数据分布和被聚合的数据量。
下表显示了均匀分布上的相对误差,具体取决于收集值的数量和请求的百分比:
它显示了极端百分位数的精度如何更好。大值误差减小的原因是大数定律使值的分布越来越均匀,T-摘要树可以更好地对其进行汇总。在更偏斜的分布上不会如此。
压缩
近似算法必须平衡内存利用率和估计精度。可以使用压缩参数控制此平衡:
GET latency/_search
{
"size": 0,
"aggs" : {
"load_time_outlier" : {
"percentiles" : {
"field" : "load_time",
"tdigest": {
"compression" : 200 <1>
}
}
}
}
}
-
压缩控制内存使用和近似错误
tdigest算法使用许多“节点”来近似百分位数-可用的节点越多,与数据量成比例的精度(和较大的内存占用)就越高。压缩参数将最大节点数限制为20*压缩。
因此,通过增加压缩值,您可以增加百分位数的准确性,但需要消耗更多的内存。压缩值越大,算法速度越慢,因为底层树数据结构的大小越大,操作成本越高。默认压缩值为100。
“节点”使用大约32字节的内存,因此在最坏的情况下(大量数据按顺序排序到达),默认设置将产生大约64kb的数据。在实践中,数据往往更随机,数据格式将使用更少的内存。
HRD柱状图
提示:此设置公开HDR柱状图的内部实现,以后可能会更改语法。
hdr柱状图(高动态范围柱状图)是一种可选的实现,在计算延迟测量的百分位数时非常有用,因为它比T-Digest实现更快,并且需要权衡更大的内存占用。此实现维护一个固定的更糟的事例百分比错误(指定为有效位数)。这意味着,如果数据以1微秒到1小时(3600000000微秒)的值记录在一个设置为3个有效数字的柱状图中,它将保持1微秒的值分辨率(对于1毫秒的值)和3.6秒(或更好)的最大跟踪值(1小时)。我们的)
hdr柱状图可以通过在请求中指定方法参数来使用:
GET latency/_search
{
"size": 0,
"aggs" : {
"load_time_outlier" : {
"percentiles" : {
"field" : "load_time",
"percents" : [95, 99, 99.9],
"hdr": { <1>
"number_of_significant_value_digits" : 3 <2>
}
}
}
}
}
-
hdr对象表示应该使用hdr柱状图来计算百分位数,并且可以在对象内部指定此算法的特定设置。
-
number_of_significant_value_digits 指定柱状图值的分辨率(有效位数)
hdr柱状图只支持正值,如果传递负值,则会出错。如果值的范围未知,那么使用hdr柱状图也不是一个好主意,因为这可能导致高内存使用率。
缺省值
缺少参数定义如何处理缺少值的文档。默认情况下,它们将被忽略,但也可以将它们视为具有值。
GET latency/_search
{
"size": 0,
"aggs" : {
"grade_percentiles" : {
"percentiles" : {
"field" : "grade",
"missing": 10 <1>
}
}
}
}
-
“等级”字段中没有值的文档与值为10的文档属于同一个存储桶。