Elasticsearch ML（Machine Learning） 使用简介
Elasticsearch ML（Machine Learning） 测试
文章目录
- Elasticsearch ML（Machine Learning） 测试
-
- 环境准备和配置
-
- 标准数据源
- 异常数据源
- 创建 Single metric ML 和 Alter
- 触发 Alter
- 创建 Population ML
- Reference
环境准备和配置
标准数据源
首先我们得产生一些有一定规律的标准数据。这里使用我之前写的 python 脚本加上 linux 的 crontab.
[root@asm-replay ~]# cat /root/network-tester/http-test.py
import eventlet
eventlet.monkey_patch()
import requests
import random
import datetime
USER_AGENTS = (
"Mozilla/5.0 (Macintosh; U; Intel Mac OS X 10_7_0; en-US) AppleWebKit/534.21 (KHTML, like Gecko) Chrome/11.0.678.0 Safari/534.21",
"Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US)",
"Mozilla/5.0 (Windows; U; Windows NT 5.0; en-US; rv:0.9.2) Gecko/20020508 Netscape6/6.1",
"Mozilla/5.0 (X11;U; Linux i686; en-GB; rv:1.9.1) Gecko/20090624 Ubuntu/9.04 (jaunty) Firefox/3.5",
"Opera/9.80 (X11; U; Linux i686; en-US; rv:1.9.2.3) Presto/2.2.15 Version/10.10"
)
DOMAIN = "http://nginx-website.com"
# DOMAIN = "http://ng1.com"
SOURCE = ['.'.join((str(random.randint(1,254)) for _ in range(4))) for _ in range(100)]
def fetch(num):
spoof_src = random.choice(SOURCE)
user_agent = random.choice(USER_AGENTS)
headers = {'X-Forwarded-For':spoof_src, 'User-Agent':user_agent}
r = requests.get(DOMAIN, headers = headers, timeout=20)
return r
pool = eventlet.GreenPool(1000)
for r in range(600):
pool.spawn(fetch, r)
pool.waitall()
print "finished %s"%datetime.datetime.now()
创建 bash 脚本
[root@asm-replay ~]# cat /root/network-tester/http-test.sh
#!/usr/bin/bash
/usr/bin/python /root/network-tester/http-test.py >> /root/network-tester/request.log
使用命令编辑 crontab
[root@asm-replay ~]# crontab -u root -e
# 在 crontab 中添加配置，每 2 分钟 run 一次 http-test.sh
*/2 * * * * /root/network-tester/http-test.sh
# 保存退出后 crontab 会自动加载，可以使用一下命令查看
[root@asm-replay ~]# crontab -u root -l
*/2 * * * * /root/network-tester/http-test.sh
以上工作完成后， linux crontab 会每 2 分钟对 http://nginx-website.com host 进行 600 次随机访问，这些访问的 log 将被之前的 EFK 收集。
等候一晚时间，会在 elasticsearch 端产生大量的数据。
[root@asm-replay ~]# head network-tester/request.log
finished 2019-11-13 01:54:04.212286
finished 2019-11-13 01:56:03.841707
finished 2019-11-13 01:58:04.451095
finished 2019-11-13 02:00:06.136037
...
finished 2019-11-14 00:24:04.128633
finished 2019-11-14 00:26:05.744777
finished 2019-11-14 00:28:04.157556
异常数据源
模拟异常数据，这里使用了一个简单的Python DOS Tool GoldenEye，它使用多进程的方式，对指定某个 web host 在短时间类发送大量的 http request 将服务器带宽占满，同时也占用 server 的处理资源。
[root@asm-replay GoldenEye]# git clone https://github.com/jseidl/GoldenEye.git
[root@asm-replay ~]# cd GoldenEye/
[root@asm-replay GoldenEye]# ./goldeneye.py http://nginx-website.com
创建 Single metric ML 和 Alter
Elasticsearch 7.4.* 的 ML 和 Watcher(Alter) 功能只有在开启 x-pack 的使用功能后才可以使用。Elasticsearch 7.4.* 和 Kibana 7.4.* 都自带 x-pack plugin，不需要再安装。
创建 ML
这里选择 fluentd index。
选择比较简单的机器学习
选择数据范围，这里选了全部数据范围
这里的 Bucket span 选择 15m (15 分钟，每 15 分钟取个 count 值用来建模)
给这个 ML job 起一个 unique 名称。
ML 会自动对建模的数据量进行验证
创建 job
创建 ML job 后，我们可以看到之前 DOS Tool 产生的异常值，这时我们可以在去创建实时数据观察。
在创建实时数据观察后，我们可以创建 watch 来配置 alter 功能，这里我们选择捕获一天中的异常。这样比较容易触发 alter。点击保存。
这里我们需要修改一下 watcher 的配置文件（alter 名称是 ml-），让watcher对低级别的异常数据触发 alter。
触发 Alter
创建好以上 ML 和 watcher 后，我们可以去观察是否有报警存在。下图中可以看到报警被触发。
报警的 action 是在 Elasticserach 的 log 文件中打印 log。
查看 Elasticsearch 的 log 文件中成功打印出了 alter logging。
创建 Population ML
Population ML 在种群之间进行比较某个 metric，找出异常与其他种群成员的异常值和对象。
选择 elasticsearch 中 fluentd index 中的全量数据作为模型的 training data。
选择 population 字段，同时选择做 aggregation 的 metric。
选择完 population 字段和 aggregation metric 后，也可以配置 Multi-metric ML 中的 Split data 选项，这里我选择的是 server ip，将数据按照 server ip的维度分开展示分析。
给 ML job 起一个 unique 名称。
Elasticsearch 对数据进行验证。
创建 ML job 。
创建完 ML job 后，我们可以 view results。在 results 中我们可以针对 client-ip 和 server-ip 两种视角观察 anomalies。并且可以发现 IP 210.175.240.6 相对于其他种群成员，在某个时间段属于严重异常。
这里就没有赘述如何去创建 watch, Popluation ML 创建 watch 的方式和 Single metric ML 创建 watch 的方式相同。
Reference
Elasticsearch 6.7: Getting started with machine learning
youtube demo
github examples