الوحدة 7 — DQL timeseries: استعلام المقاييس وإنشاء مقاييسك والتنبيه

DQL timeseries عمليًا: by وfilter وinterval وrollup وunion وmakeTimeseries، ثم المقاييس المخصصة وتنبيهات Anomaly Detection.
Module 7 — DQL timeseries : requêter les métriques, créer les vôtres et alerter

المسار: مقاييس Dynatrace SaaS · الوحدة 7/7 — DQL timeseries والمقاييس المخصصة والتنبيهات · المدة: ~75 دقيقة · المستوى: متوسط إلى متقدم

الأهداف:

  • إتقان معاملات أمر DQL timeseries: by وfilter وinterval وbins وrollup وdefault وnonempty وunion وshift.
  • حساب النسب بين السلاسل ورسم السجلات أو الـspans بـmakeTimeseries.
  • إنشاء مقاييس مخصصة: واجهة الاستيعاب أو OpenTelemetry أو الاستخراج عبر OpenPipeline.
  • وضع تنبيه على استعلام timeseries بتطبيق Anomaly Detection.

المتطلبات: الوحدات من 1 إلى 6 من المسار، وأساسيات DQL (fetch وfilter وsummarize)، ولجزء الاستيعاب رمز مميّز (token) مخوّل باستيعاب المقاييس.

استعلام المقياس الخاطئ لا يتعطل: بل يعيد رسمًا بيانيًا معقولًا ومؤشر SLI خاطئًا. تستكشف هذه الوحدة الأخيرة من مسار مقاييس Dynatrace SaaS أمر DQL timeseries إلى ما بعد التجميع البسيط، معاملًا معاملًا، ثم تبيّن كيف تضيف مقاييسك الخاصة إلى Grail وتطلق تنبيهًا عندما تنحرف.

المحتوى خاص بـDynatrace SaaS: فـtimeseries وmakeTimeseries وOpenPipeline وAnomaly Detection من خصائص منصة Grail. وفي Dynatrace Managed يكون المقابل عبر metric selector وواجهة Metrics API v2؛ أما واجهة الاستيعاب وبروتوكول السطر فيها فموجودان في الاثنين. وللاطلاع على أساسيات DQL راجع أساسيات DQL.

الصيغة الكاملة لـDQL timeseries

تعطي الوثائق الصيغة العامة التالية:

timeseries [column =] aggregation(metricKey [, filter:] [, default:] [, rollup:] [, rate:] [, scalar:])
  [, by:] [, filter:] [, union:] [, nonempty:] [, interval: | bins:]
  [, from:] [, to:] [, timeframe:] [, shift:]

التجميعات المتاحة هي sum وavg وmin وmax وcount (عدد السلاسل، أي عدد القيم المختلفة cardinality) وpercentile وpercentRank وcountDistinct. تحتوي النتيجة دائمًا على العمودين timeframe وinterval، ثم مصفوفة قيم لكل تجميع ولكل تركيبة أبعاد.

by وfilter: التقسيم والتقييد

يقسّم by النتيجة حسب بعد؛ ويقيّد filter السلاسل قبل التجميع. الترشيح داخل الأمر أكفأ من الترشيح بعده، لأن عددًا أقل من السلاسل يُحمَّل.

timeseries p90 = percentile(dt.service.request.response_time, 90),
  by: { dt.entity.service },
  filter: in(dt.entity.service, "SERVICE-1", "SERVICE-2"),
  interval: 5m, from: -24h

المقياسان dt.service.request.response_time وdt.service.request.service_mesh.response_time فقط يقبلان percentile بدون rollup. أما لمقياس من نوع المؤشر (gauge) مثل المعالج فاكتب percentile(dt.host.cpu.usage, 90, rollup: avg). وانتبه إلى الوحدة أيضًا: زمن استجابة الخدمة معبَّر عنه بالميكروثانية.

interval وbins: الدقة ليست أبدًا ما طلبته بالضبط

يحدد interval مدة النقطة، ويحدد bins عدد النقاط؛ ولا يجتمعان. تقرّب المنصة إلى فاصل معروف (1 أو 2 أو 3 أو 5 أو 10 أو 15 أو 30 دقيقة؛ 1 أو 2 أو 3 أو 4 أو 6 أو 8 أو 12 أو 24 ساعة؛ ثم مضاعفات 24 ساعة)، وتحصر كل سلسلة في 1500 عنصر، وتحاذي الفترات على منتصف الليل. فطلب interval: 5h يعطي إذن فترات مدتها 6 ساعات. ولمؤشر SLI اقرأ دائمًا العمود interval في النتيجة.

rollup وdefault وnonempty وrate

  • يفصل rollup (min وmax وsum وavg وtotal) التجميع عبر الزمن عن التجميع بين السلاسل: avg(dt.requests.failed, rollup: sum) يحسب المتوسط، بين السلاسل، لمجاميع كل فترة.
  • يستبدل default الفترات الفارغة (null) بقيمة. لا غنى عنه قبل أي قسمة.
  • يعيد nonempty: true سلسلة حتى بدون بيانات. وبدونه، فإن نسبة أخطاء بلا أي خطأ تعيد «لا سجلات» بدل 0%.
  • يطبّع rate على مدة: sum(dt.requests.failed, rate: 1s) يعطي معدلًا في الثانية، مستقلًا عن الفاصل المختار.

union: التقاطع الصامت

عندما يحتوي الاستعلام على عدة تجميعات، لا يُبقي timeseries افتراضيًا إلا السلاسل الموجودة في كل الأعمدة، كما في INNER JOIN. فالمضيف الذي ليس فيه أي طلب فاشل يختفي إذن من النتيجة. ويحتفظ union: true بكل السلاسل، مع أعمدة قد تكون فارغة.

مقتطف من وثائق DQL metric commands: نتيجة timeseries بمقياسين لكل مضيف، بدون union:true ثم معه

العمليات الحسابية بين السلاسل والمقارنة عبر الزمن

يطبّق المعامل [] عملية عنصرًا بعنصر على مصفوفات متساوية الطول. وهو أساس نسب الأخطاء:

timeseries {
  failed = sum(dt.service.request.failure_count, default: 0),
  total  = sum(dt.service.request.count)
}, by: { dt.entity.service }, nonempty: true, union: true
| fieldsAdd error_rate = failed[] / total[] * 100

لاختزال مصفوفة إلى قيمة واحدة استخدم arrayAvg أو arrayMax أو arraySum، أو المعامل scalar: true. ويزيح المعامل shift النافذة المستعلَمة ويعيد محاذاة الأختام الزمنية؛ ومع append يضع اليوم فوق الأسبوع الماضي:

timeseries avail = avg(dt.host.disk.avail), by: { dt.entity.host }, from: -24h
| append [
    timeseries avail.7d = avg(dt.host.disk.avail), by: { dt.entity.host }, shift: -7d
  ]

makeTimeseries: سلاسل من السجلات والـspans

يقرأ timeseries المقاييس. ولرسم السجلات المفردة استخدم makeTimeseries بعد fetch. حقل الزمن الافتراضي هو timestamp، ثم start_time إن لم يوجد، مما يتيح تطبيقه مباشرة على الـspans:

fetch spans
| filter request.is_root_span == true
| filter endpoint.name == "GET /api/cart"
| makeTimeseries { p50 = median(duration), p90 = percentile(duration, 90) }

وبالنسبة إلى السجلات، فإن fetch logs | filter loglevel == "ERROR" | makeTimeseries count(default: 0), interval: 30m, nonempty: true ينتج منحنى أخطاء عند الصفر بدل نتيجة فارغة. وضع التكلفة في ذهنك: makeTimeseries يعيد قراءة السجلات الخام عند كل تنفيذ. أما لمؤشر معروض باستمرار فالأفضل مقياس يُنشأ عند الاستيعاب، وهذا ما ننتقل إليه الآن.

إنشاء مقاييسك الخاصة

الطريق متى تختاره نقطة انتباه
واجهة الاستيعاب (بروتوكول السطر) السكربتات والمهام المجدولة والأجهزة بدون SDK البادئة dt. محجوزة، والحمولة محدودة بـ1 ميغابايت
OpenTelemetry (OTLP) تطبيقات مجهزة بـSDK أو Collector ينتظر Dynatrace زمنية delta
الاستخراج عبر OpenPipeline المعلومة موجودة أصلًا في سجلات أو spans أو أحداث لا يوجد المقياس إلا انطلاقًا من البيانات المستوعَبة بعد القاعدة

بروتوكول السطر وواجهة الاستيعاب

يتبع السطر الصيغة metric.key,dimensions payload، مع ختم زمني اختياري بالميلي ثانية. الحمولة إما مؤشر (gauge، وهو الافتراضي) وإما عدّاد:

cpu.temperature,hostname=hostA,cpu=1 55
new_user_count,region=EAST count,delta=50
mymetric,team=teamA,businessapp=hr 1000 1609459200000
مقتطف من وثائق Dynatrace: أمثلة على أسطر بروتوكول استيعاب المقاييس واستدعاء curl إلى واجهة metrics ingest
curl -L -X POST 'https://{your-environment-id}.live.dynatrace.com/api/v2/metrics/ingest' \
  -H 'Authorization: Api-Token <votre-token>' \
  -H 'Content-Type: text/plain' \
  --data-raw 'shop.orders.validated,channel=web count,delta=12'

مع رمز وصول كلاسيكي يكون النطاق (scope) المطلوب metrics.ingest؛ ومع رمز منصة أو عميل OAuth يكون openpipeline:metrics:ingest. وتشير الاستجابة 400 إلى أسطر غير صالحة، مع معالجة الأسطر الصالحة رغم ذلك. فخ متكرر: بالنسبة إلى العدّاد، يضيف النموذج الكلاسيكي اللاحقة .count، أما Grail فلا. لذلك يُستعلم هكذا: timeseries orders = sum(shop.orders.validated), by: { channel }.

OpenTelemetry وOpenPipeline

يصدّر SDK أو Collector من OpenTelemetry إلى https://{your-environment-id}.live.dynatrace.com/api/v2/otlp/v1/metrics. ينتظر Dynatrace العدّادات بصيغة delta (OTEL_EXPORTER_OTLP_METRICS_TEMPORALITY_PREFERENCE=delta من جهة SDK)؛ والموضوع مفصّل في زمنية مقاييس OTLP. تصبح السمات أبعادًا: تجنّب المعرّفات الفريدة.

عندما تكون المعلومة موجودة أصلًا في السجلات، يقدم OpenPipeline معالجين للاستخراج: Counter metric يعدّ السجلات التي تحقق شرطًا، وValue metric يأخذ القيمة الرقمية لحقل، يُستخرج أحيانًا إلى حقل مؤقت dt.temp.* لا يُخزَّن أبدًا في Grail. أما مقاييس المدرّج التكراري (histogram) فتُعالَج في مقاييس المدرّج التكراري مع OpenPipeline.

التنبيه على استعلام DQL timeseries

في تطبيق Anomaly Detection يبدأ التنبيه المخصص من استعلام timeseries ومحلّل (analyzer). تقارن العتبة الثابتة كل نقطة بقيمة محددة؛ أما خط الأساس الموسمي فيناسب المقاييس ذات الإيقاع المنتظم. معاملات العتبة الثابتة كما تعرضها الوثائق في واجهة Settings API (المخطط builtin:davis.anomaly-detectors):

"analyzer": {
  "name": "dt.statistics.ui.anomaly_detection.StaticThresholdAnomalyDetectionAnalyzer",
  "input": [
    { "key": "query", "value": "timeseries avg(dt.host.disk.free), by:{dt.entity.host, dt.entity.disk}" },
    { "key": "threshold", "value": "10" },
    { "key": "alertCondition", "value": "BELOW" },
    { "key": "violatingSamples", "value": "3" },
    { "key": "slidingWindow", "value": "5" },
    { "key": "dealertingSamples", "value": "5" }
  ]
}

يُطلَق التنبيه عندما تنزل 3 نقاط ضمن نافذة منزلقة من 5 تحت العتبة، ولا يُغلَق إلا بعد عودة 5 نقاط إلى الوضع الطبيعي: فتُرشَّح القمم المعزولة ولا يتذبذب التنبيه. لا تضع قيمة عددية متغيرة في أبعاد الاستعلام، وإلا أنشأت سلسلة جديدة عند كل تقييم.

كيف تتحقق من أن كل شيء يعمل

  • استعلام نسبة الأخطاء على خدمة بلا أخطاء يعيد سلسلة عند 0، لا نتيجة فارغة.
  • الاستعلام timeseries avg(dt.host.cpu.usage), interval: 5h, from: -2d يعرض 6 ساعات في العمود interval.
  • تعرض استجابة واجهة الاستيعاب linesInvalid: 0، ويعيد metrics | filter metric.key == "shop.orders.validated" | limit 1 المقياس بعد لحظات من الإرسال.
  • عند تنفيذ استعلام التنبيه وحده في Notebook، يعيد سلسلة لكل كيان مراقَب.

أفضل الممارسات

  • رشّح داخل أمر timeseries بدل ما بعده: سلاسل أقل تُقرأ واستعلامات أسرع.
  • قبل أي قسمة أضف default: 0 إلى البسط وnonempty: true وفكّر في union.
  • سمِّ مفاتيحك ببادئة الفريق وحدّ الأبعاد بما يفيد في الترشيح أو التقسيم.
  • فضّل مقياسًا مستخرَجًا على makeTimeseries للمؤشرات المعروضة باستمرار.
  • اربط كل تنبيه بهدف SLO أو بإجراء مناوبة واضح. ويمكن أن تكون أمثلة استعلامات DQL للتشغيل أساسًا لذلك.

تمرين عملي

  1. اكتب نسبة الأخطاء لكل خدمة على 24 ساعة، بدون union ثم معه. عدّ الخدمات في كل نتيجة.
  2. أرسل ثلاثة أسطر عدّاد training.events بقيمتين للبعد env، ثم ارسم timeseries sum(training.events), by: { env }.
  3. أنشئ في Anomaly Detection تنبيهًا بعتبة ثابتة على هذا المقياس، بعتبة تتجاوزها إرسالاتك.

النتيجة المتوقعة: تفسّر الفرق في الخطوة 1 وتعرف كيف تتوقع إطلاق التنبيه.

اختبار قصير

  1. ماذا يعيد interval: 5h؟ أ) 5 ساعات بالضبط ب) 6 ساعات ج) خطأ
  2. لماذا يختفي مضيف بلا إخفاقات من حساب الإخفاقات/الإجمالي؟ أ) السلوك الافتراضي تقاطع ب) خطأ في الصلاحيات
  3. أي أمر يرسم الـspans عبر الزمن؟ أ) timeseries ب) makeTimeseries
  4. بأي مفتاح يُستعلم في Grail عدّاد أُرسل باسم coffees.brewing count,delta=2؟ أ) coffees.brewing.count ب) coffees.brewing

الإجابات

  1. ب. 5 ساعات ليست فاصلًا معروفًا؛ وتعتمد المنصة 6 ساعات.
  2. أ. بدون union: true لا تُحفظ إلا السلاسل الموجودة في كل الأعمدة.
  3. ب. يجمّع makeTimeseries سجلات؛ أما timeseries فلا يقرأ إلا المقاييس.
  4. ب. اللاحقة .count لا توجد إلا في النموذج الكلاسيكي.

→ الوحدة 6: مقاييس السحابة في Grail · فهرس المسار · العودة إلى الوحدة 1 ←

الأسئلة الشائعة

ما الفرق بين timeseries وmakeTimeseries؟

timeseries أمر بداية يقرأ المقاييس المخزنة في Grail. أما makeTimeseries فيوضع بعد fetch ويبني سلسلة من السجلات: سجلات أو spans أو أحداث أو business events.

هل يجب تعريف المقياس قبل إرساله؟

لا. يُنشأ المقياس عند أول استيعاب. ويمكن إضافة البيانات الوصفية (الاسم المعروض والوحدة والوصف) لاحقًا، مثلًا بسطر يبدأ بـ#.

كيف أعرف أبعاد مقياس؟

استخدم metrics | filter metric.key == "ma.cle" | limit 1 أو الملف /dt/platform/metrics.metadata مع الأمر load.

أنهيت المسار: صرت تعرف قراءة المقاييس المدمجة واستعلامها بدقة وإنشاء مقاييسك والتنبيه عليها. المراجع: DQL metric commands وMetrics API, POST ingest data points.

span.observer مدوّنة مجتمعية مستقلة وغير تابعة لشركة Dynatrace LLC. لا يغني هذا المسار عن التدريبات والشهادات الرسمية في Dynatrace University. تحقق دائمًا من النطاقات (scopes) والصيغة في الوثائق الرسمية الخاصة ببيئتك.

Total
0
Shares
Leave a Reply

Your email address will not be published. Required fields are marked *

Previous Post
Module 6 — Métriques cloud Grail : AWS, Azure, VMware et extensions

الوحدة 6 — مقاييس السحابة في Grail: AWS وAzure وVMware والامتدادات

Next Post
Formation SLO SLA : le parcours gratuit en 6 modules, du SLI au contrat

دورة SLO وSLA: مسار مجاني من 6 وحدات، من SLI إلى العقد

Related Posts