Rd Diagramm Gleitender Durchschnitt

Bemerkenswertes zweitägiges bewegliches durchschnittliches Kreuz - RRD Im Handel am Dienstag überschritten die Anteile von R. R. Donnelley amp Söhne Co. (Symbol: RRD) ihren 200 Tag gleitenden Durchschnitt von 17.64 und änderten Hände so niedrig wie 17.63 pro Anteil. R. R. Donnelley amp Sons Co. Aktie handeln derzeit rund 0,3 am Tag. Die untenstehende Grafik zeigt die Jahresperformance von RRD-Aktien im Vergleich zu ihrem gleitenden 200-Tage-Durchschnitt: Der RRD-Tiefpunkt in seiner 52-Wochen-Spanne liegt bei 14,32 pro Aktie, 20,22 als 52-Wochen-Hochpunkt Ein letzter Handel von 17,68. Nach Angaben des ETF-Finders im ETF-Kanal macht RRD 2,12 des Guggenheim SampP Global Dividend Opportunities Index ETF (Symbol: LVL) aus, der am Dienstag eine Kurssteigerung von rund 0,6 hält. Die Ansichten und Meinungen, die hierin ausgedrückt werden, sind die Ansichten und Meinungen des Autors und spiegeln nicht notwendigerweise die der NASDAQ OMX Group, Inc. wider. Time-Time-Zeiten vor dem Börsengang Flash Zitat Zusammenfassung Zitat Interaktive Charts Standardeinstellung Bitte beachten Sie, dass, sobald Sie Machen Sie Ihre Auswahl, wird es für alle zukünftigen Besuche der NASDAQ gelten. Wenn Sie zu einem beliebigen Zeitpunkt daran interessiert sind, auf die Standardeinstellungen zurückzukehren, wählen Sie bitte die Standardeinstellung oben. Wenn Sie Fragen haben oder Probleme beim Ändern Ihrer Standardeinstellungen haben, senden Sie bitte eine E-Mail an isfeedbacknasdaq. Bitte bestätigen Sie Ihre Auswahl: Sie haben ausgewählt, Ihre Standardeinstellung für die Angebotssuche zu ändern. Dies ist nun Ihre Standardzielseite, wenn Sie Ihre Konfiguration nicht erneut ändern oder Cookies löschen. Sind Sie sicher, dass Sie Ihre Einstellungen ändern möchten, haben wir einen Gefallen zu bitten Bitte deaktivieren Sie Ihren Anzeigenblocker (oder aktualisieren Sie Ihre Einstellungen, um sicherzustellen, dass Javascript und Cookies aktiviert sind), damit wir Ihnen weiterhin die erstklassigen Marktnachrichten liefern können Und Daten, die Sie kommen, um von uns zu erwarten. Noten auf RRDTOOL Umsetzung der Aberrant Behavior Detection oetikerwebtoolsrrdtool) ist die Abkürzung für Round Robin Database. RRD ist ein System zum Speichern und Anzeigen von Zeitreihendaten. Es speichert die Daten in einer sehr kompakten Weise, die nicht im Laufe der Zeit zu erweitern, und es stellt nützliche Grafiken durch die Verarbeitung der Daten bei verschiedenen zeitlichen Auflösungen. Die RRDtool-Software ist als Standalone-Anwendung oder als PERL-Bibliothek erhältlich. RRDtool ist ein flinkes Programm, das die IO-Operationen durch Echtzeit-Aktualisierungen in Zeitreihen minimiert. Obwohl es nicht so leistungsfähig ist wie eine vollwertige Datenbanksoftware, bietet es die von einer Echtzeitumgebung benötigte Funktionalität: Umwandlung von Updates in unregelmäßigen Intervallen in regelmäßigen Abständen durch lineare Interpolation Umwandlung von Zählerdaten in Ratenaggregation über benutzerdefinierte Zeitintervalle über Mehrere Aggregationsfunktionen Dieses Dokument beschreibt die Implementierung einer anomalen Verhaltensdetektion für RRDTOOL. Es wird davon ausgegangen, dass mit den Internets des aktuellen Release (1.0.25) von RRDtool vertraut ist, da dieses Dokument auf die bereits existierende Architektur verweist. Es gibt mehrere Gründe, warum die Unterstützung für eine fehlerhafte Verhaltenserkennung in RRDtool integriert wurde, im Gegensatz zu einem separaten Programm. Dazu gehören: (1) Erleichtert effiziente Echtzeit-Anwendung von aberranten Verhaltenserkennung. Integration bietet eine größere Effizienz gegenüber einem externen Programm in Bezug auf IO-Zugang. Ein externes Programm würde Daten von RRD mit der gleichen Aktualisierungsfrequenz abrufen, während Code innerhalb von RRD auf diesen Daten bereits im Speicher arbeitet. Effizienz wird für das Service-Netzwerk auf IAPISP-Ebene eine Spitzenpriorität, wobei RRDtool ein wesentlicher Bestandteil des Überwachungssystems von hunderten Netzwerkschnittstellen und Anwendungsdiensten sein kann. (2) Ermöglicht die Fähigkeit von RRDtool, die zeitliche Interpolation durchzuführen (Datenupdates in unregelmäßigen Intervallen) und die Umwandlung von Zählern in Raten. (3) Verwendet die graphischen Fähigkeiten von RRDtool. Es können Grafiken erzeugt werden, um die Ergebnisse einer anomalen Verhaltensdetektion unter Verwendung der vorhandenen Fähigkeiten von RRDtool anzuzeigen. (4) Leverages Client-Software entwickelt, um mit RRDtool laufen (d. H. Cricket). Aberrantes Verhalten wird in drei Stücke zerlegt, wobei jedes Gebäude auf seinem Vorgänger: (1) Ein Algorithmus für die Vorhersage der Werte einer Zeitreihe ein Zeitschritt in die Zukunft. (2) Ein Maß für die Abweichung zwischen den vorhergesagten Werten und den beobachteten Werten. (3) Ein Mechanismus, um zu entscheiden, ob und wann ein beobachteter Wert oder eine beobachtete beobachtete Sequenz zu weit von dem oder den vorhergesagten Werten entfernt ist. Der Holt-Winters Zeitreihen-Prognosealgorithmus ist ein Online - oder Inkremental-Algorithmus, der zukünftige Beobachtungen in einer Zeitreihe adaptiv voraussagt. Seine Prognose ist die Summe aus drei Komponenten: einer Grundlinie (oder einem Intercept), einem linearen Trend über die Zeit (oder Steigung) und einem saisonalen Koeffizienten (periodischer Effekt, z. B. ein Tageszyklus). Es gibt einen Jahreszeitkoeffizienten für jeden Zeitpunkt in der Periode (Zyklus). Nachdem ein Wert beobachtet wurde, wird jede dieser Komponenten über eine exponentielle Glättung aktualisiert. Der Algorithmus lernt aus früheren Werten und nutzt sie, um die Zukunft vorherzusagen. Die Anpassungsgeschwindigkeit wird durch drei Parameter bestimmt: alpha (Intercept), beta (Steigung) und gamma (saisonal). Die Vorhersage kann auch als geglätteter Wert für die Zeitreihen betrachtet werden. Das Maß für die Abweichung ist eine saisonal gewichtete absolute Abweichung. Der Begriff saisonale bedeutet Abweichung wird separat für jeden Zeitpunkt im saisonalen Zyklus gemessen. Wie bei Holt-Winters Forecasting wird die Abweichung anhand der aus den vergangenen Werten errechneten Maßnahme (aber nur zu diesem Zeitpunkt im Saisonzyklus) vorhergesagt. Nachdem der Wert beobachtet wurde, lernt der Algorithmus aus dem beobachteten Wert über exponentielle Glättung. Das Skalieren der Sequenz der vorhergesagten Abweichungswerte für die beobachteten Zeitreihen erzeugt Vertrauensbänder (wir denken in der Regel eher an die Sequenzen als kontinuierliche Linien als an diskrete Punkte). Ein fehlerhaftes Verhalten (ein potentieller Fehler) wird berichtet, wann immer die Anzahl von Malen, die der beobachtete Wert gegen die Vertrauensbänder verstößt, einen bestimmten Schwellenwert innerhalb eines vorgegebenen Zeitfensters (d. h. 5 Verstöße während der letzten 45 Minuten mit einem Wert, der alle 5 Minuten beobachtet wird) Dieser Abschnitt beschreibt die Architektur der Implementierung der anomalen Verhaltensdetektion im RRDtool. Auf der Festplatte ist die Round-Robin-Datenbank (RRD) in sequentielle Abschnitte, Round-Robin-Archive (RRA) organisiert. Innerhalb jeder RRA ist ein Abschnitt für jede der in dieser RRD gespeicherten Datenquellen (Eingang). Jede RRA wird durch eine Konsolidierungsfunktion definiert, die primäre Datenpunkte (PDP) auf konsolidierte Datenpunkte (CDP) abbildet. Auf einer anderen Ebene ist ein RRA nur ein Array von Datenwerten, das nach einer bestimmten Funktion in einem bestimmten festen Zeitintervall in Folge aktualisiert wird. Auf seinem Gesicht benötigt der Algorithmus des anormalen Verhaltens mindestens zwei Arrays, einen zum Speichern der Prognosewerte, die jedem primären Datenpunkt entsprechen, und einen zweiten, um die vorhergesagte Abweichung, die jedem primären Datenpunkt entspricht, zu speichern. Wie implementiert, werden die jahreszeitlichen Koeffizienten und Abweichungen, die verwendet werden, um die prognostizierten und vorhergesagten Abweichungen zu berechnen, in einem zweiten Paar RRAs gespeichert. Diese Arrays haben eine Länge gleich der Saisonzeit und werden einmal für jeden Primärdatenpunkt aktualisiert. Ausfälle werden durch eine fünfte RRA verfolgt, die Verstöße und Ausfälle bei jedem Aufruf der RRD-Aktualisierung bestimmt. Die für die Prognose benötigten Intercept - und Slope-Koeffizienten werden für jeden Primärdatenpunkt aktualisiert und für jede Datenquelle (DS) eindeutig. Sie könnten in einem zweiten Paar RRAs gespeichert werden. Jedoch ist nur der jüngste Wert von jedem für eine gegebene Prognose erforderlich. Diese Parameter werden, wie implementiert, in einem temporären Puffer in dem Header gespeichert, der für jede RRA-Datenquellenkombination in dem RRD (dem CDP Prep-Bereich) zugeordnet ist. Dieser Puffer wird bei jedem Aufruf der RRD-Aktualisierung auf die Festplatte zurückgespült. Die Anpassungsparameter sind für die Lebensdauer der RRA festgelegt und für alle Datenquellen innerhalb dieser RRA gleich. Sie werden im RRA-Parameterpuffer (in RRA def) gespeichert, der nur während der RRD-Aktualisierung gelesen wird. Daher fügt die Implementierung des Algorithmus des fehlerhaften Verhaltens fünf neue Konsolidierungsfunktionen zu RRDtool hinzu: (1) HWPREDICT: ein Array von Prognosen, die durch den Holt-Winters-Algorithmus berechnet werden, einer für jeden primären Datenpunkt. Das HWPREDICT-Array hängt von einem Array vom Typ SEASONAL zum Nachschlagen von Saisonkoeffizienten ab. Der Index dieses SEASONAL-Arrays wird als Parameter des HWPREDICT RRA gespeichert. (2) SEASONAL: eine Reihe von Saisonkoeffizienten mit einer Länge gleich der Jahreszeit. Für jeden Primärdatenpunkt gibt es einen Saisonkoeffizienten, der dem Index im Saisonzyklus entspricht. Um die saisonalen Koeffizienten über exponentielle Glättung zu aktualisieren, hängt die SEASONAL RRA von der HWPREDICT RRA ab. Der Index des passenden HWPREDICT RRA wird als Parameter gespeichert. (3) DEVPREDICT: ein Array von Abweichungsvorhersagen. Im Wesentlichen kopiert DEVPREDICT Werte aus dem DEVSEASONAL-Array, die er nicht selbst verarbeitet. Der Index des DEVSEASONAL-Arrays wird als Parameter gespeichert. (4) DEVSEASONAL: eine Reihe von saisonalen Abweichungen. Für jeden primären Datenpunkt gibt es eine saisonale Abweichung, die mit dem Index des primären Datenpunkts im Saisonzyklus übereinstimmt. Um Abweichungen zu berechnen, muss DEVSEASONAL RRA in der Lage sein, den vorhergesagten Wert zu berechnen und hängt somit von der HWPREDICT RRA ab. Der Index des passenden HWPREDICT RRA wird als Parameter gespeichert. (5) FAILURES: ein Array von booleschen Indikatoren, eine 1, die einen Fehler anzeigt. Der RRA-DS-Puffer speichert jeden Wert innerhalb des Fensters. Jede Aktualisierung entfernt den ältesten Wert aus diesem Puffer und fügt die neue Beobachtung ein. Bei jedem Update wird die Anzahl der Verletzungen neu berechnet. Die maximale Fensterlänge, die durch diesen Puffer erzwungen wird, beträgt 9 Zeitpunkte. Zum Vergleich mit Abweichungen ist die FAILURES RRA von der DEVSEASONAL RRA abhängig. Der Index des passenden DEVSEASONAL RRA wird als Parameter gespeichert. Dieser Abschnitt erläutert, wie der Algorithmus für die fehlerhafte Verhaltensermittlung in RRDtool in einem Beispiel verwendet wird. Unser Monitoring-Ziel ist eine Router-Schnittstelle auf einer Verbindung zweier Rechenzentren im WebTV-Produktionsdienstleistungsnetzwerk. Die Variable ist die ausgehende Bandbreite (in Mbps). Die Bandbreitennutzung folgt einem täglichen Zyklus und SNMP wird in fünf Minuten Intervallen abgefragt. Der erste Schritt ist die Erstellung einer RRD für dieses Ziel mit fehlerhafter Verhaltenserkennung aktiviert. Befehl unterstützt implizite Erstellung der anderen vier, wenn HWPREDICT angegeben allein schaffen, um die Schaffung für den Anfänger, zusätzlich zu unterstützen ausdrücklich die Schaffung der HWPREDICT, SAISON, DEVPREDICT, DEVSEASONAL und FAILURES RRAs, die verbesserte RRDtool zu vereinfachen. Um dies zu nutzen, verwenden Sie die folgende Syntax: ltarray lengthgt ist die Anzahl der Vorhersagen, die vor dem Wrap-around gespeichert werden sollen. Diese Zahl muss länger als die saisonale Periode sein. Dieser Wert wird auch die RRA-Zeilenzählung für DEVPREDICT RRA sein. Ltalphagt ist der Intercept-Adaptionsparameter, der zwischen 0 und 1 liegen muss. Ein größerer Wert bedeutet, dass sich der Intercept schneller anpasst. Der gleiche Wert wird auch für Gamma verwendet werden. Ltbetagt ist der Slope Adaption Parameter, wieder zwischen 0 und 1. ltperiodgt ist die Anzahl der primären Datenpunkte in der Saisonzeit. Dieser Wert wird die RRA-Zeilenanzahl für die SEASONAL - und DEVSEASONAL-RRAs sein. Mit dieser Option wird das FAILURES RRA mit der Standardfensterlänge von 9 und einem Standardschwellenwert von 7 erstellt. Die Standardlänge von FAILURES RRA ist eine Periode. Für das Beispiel ist der Befehl create: rrdtool create monitor. rrd s 300 Während das explizite Erstellen der zusätzlichen RRAs ein Mittel zur feineren Steuerung ist, können einige Parameter mit dem tune-Befehl geändert werden. Enhanced RRDtool unterstützt mehrere neue Melodien: - Fensterlänge - Fehlergrenze --alpha --beta gamma deltapos --deltaneg Jede dieser Flags nimmt ein einziges Argument an. Der Zweck des Arguments ist selbstverständlich. Das --gamma-Flag setzt den Adaptionsparameter sowohl für SEASONAL als auch für DEVSEASONAL RRAs zurück (Einstellung auf denselben Wert). --deltapos und deltaneg setzen den Skalenparameter für das obere und untere Konfidenzband, der Standardwert für beide ist 2 (ein symmetrisches Konfidenzband). Angenommen, wir sind unglücklich mit der Standard-Fensterlänge und dem Schwellenwert für die implizit durch den vorherigen Befehl erzeugte FAILURES RRA. Geben Sie den Befehl ein: rrdtool tune monitor. rrd --window-length 5 Der Rest des Beispiels verwendet die Standardfensterlänge von 9 und den Standardschwellenwert von 7. In einigen Fällen ist eine explizite Erstellung der RRAs erforderlich. Angenommen, der Netzwerktechniker interessiert sich nur für die Glättung der beobachteten Zeitreihen, nicht für die Vertrauensbänder oder für die fehlerhafte Verhaltenserkennung. Der Holt-Winters Forecasting-Algorithmus kann als ein Glättungsalgorithmus betrachtet werden. In diesem Fall kann er explizit die HWPREDICT und SEASONAL RRAs ohne die anderen erstellen. Verwenden Sie diese Syntax: RRA: HWPREDICT: ltlengthgt: ltalphagt: ltbetagt: ltperiodgt: ltindex von SEASONALgt RRA: SAISON: ltperiodgt: ltgammagt: ltindex von HWPREDICTgt Die Argumente von HWPREDICT die gleichen sind wie zuvor, mit dem Zusatz von: ltindex von SEASONALgt 1- Basierten Index des SEASONAL-Arrays in der Reihenfolge RRAs werden im create-Befehl angegeben. Die Argumente der SEASONAL RRA sind: ltperiodgt ist die Anzahl der primären Datenpunkte in der Saisonzeit. Er muss mit dem Wert übereinstimmen, der vom ltperiodgt-Argument von HWPREDICT angegeben wird. Es muss eine ganze Zahl größer als 2 sein. Ltgammagt ist der Anpassungsparameter für saisonale Koeffizienten, der zwischen 0 und 1 liegen muss. Ltindex des HWPREDICTgt 1-basierten Index des HWPREDICT Arrays in der Reihenfolge RRAs werden im Create-Befehl Confidence Bands angegeben Unabhängig von der fehlerhaften Verhaltenserkennung erzeugt werden. In diesem Fall erstellen Sie die vier RRAs HWPREDICT, SEASONAL, DEVSEASONAL und DEVPREDICT, aber lassen Sie die FAILURES RRA. Verwenden Sie diese Syntax: RRA: HWPREDICT: ltlengthgt: ltalphagt: ltbetagt: ltperiodgt: ltindex von SEASONALgt RRA: SAISON: ltperiodgt: ltgammagt: ltindex von HWPREDICTgt RRA: DEVSEASONAL: ltperiodgt: ltgammagt: ltindex von HWPREDICTgt RRA: DEVPREDICT: ltarray lengthgt: ltindex von DEVSEASONALgt Die Argumente von HWPREDICT und SEASONAL sind die gleichen wie vorher. Die Argumente von DEVSEASONAL und DEVPREDICT sind: ltperiodgt ist die Anzahl der primären Datenpunkte in der Saisonzeit. Er muss mit dem Wert übereinstimmen, der durch das Argument ltperiodgt der HWPREDICT - und SEASONAL-Arrays angegeben wird (diese Einschränkung kann in einer zukünftigen Implementierung aufgehoben werden). Es muss eine ganze Zahl größer als 2. ltarray lengthgt ist die Anzahl der Abweichungen zu speichern, bevor wrap-around diese Zahl muss länger als die saisonale Zeit. Ltgammagt ist der Anpassungsparameter für saisonale Abweichungen, die zwischen 0 und 1 liegen müssen. Er muss nicht mit dem Anpassungsparameter für das SEASONAL-Array übereinstimmen. ltindex von HWPREDICTgt 1 basierten Index des HWPREDICT Array in der Reihenfolge RRAs angegeben werden in dem Befehl zu erstellen ltindex von DEVSEASONALgt 1-basierten Index des DEVSEASONAL Array in der Reihenfolge RRAs angegeben werden in dem Befehl create Schließlich die Versäumnisse können RRA schaffen werden Explizit mit der Syntax, aber zumindest die HWPREDICT, SEASONAL und DEVSEASONAL Arrays müssen ebenfalls erstellt werden. Wenn auch Vertrauensbänder gewünscht werden, erstellen Sie DEVPREDICT. Verwenden Sie diese Syntax: RRA: FAILURES: ltlengthgt: ltthresholdgt: ltwindow lengthgt: ltindex von DEVSEASONALgt ltlengthgt ist die Anzahl der Indikatoren (0,1 Werte), die vor dem Wrap-around gespeichert werden sollen. A 1 zeigt einen Fehler an: das heißt, die Anzahl der Verstöße im letzten Beobachtungsfenster erfüllt oder überschreitet die Schwelle. Ltthresholdgt ist die minimale Anzahl von Verletzungen innerhalb eines Fensters (beobachtete Werte außerhalb der Vertrauensgrenzen), die einen Fehler darstellen. Ltwindow lengthgt ist die Anzahl der Zeitpunkte im Fenster. Geben Sie eine Ganzzahl an, die größer oder gleich dem Schwellenwert und kleiner oder gleich 28 ist (der Maximalwert). Ltindex des DEVSEASONALgt 1-basierten Index des DEVSEASONAL-Arrays in der Reihenfolge RRAs werden im create-Befehl angegeben. Der Algorithmus der anormalen Verhaltensdetektion erfordert nichts Ungewöhnliches für den RRDtool-Aktualisierungsbefehl, so daß der Sammelmechanismus (d. H. Das Cricket-Aufrufen von SNMP) normal läuft. Nehmen Sie nun an, dass einige Zeit verstrichen ist und der Netzwerktechniker die ausgehende Bandbreite an der Router-Schnittstelle überwacht. Er kann einen Graphen der täglichen Aktivität einschließlich Vertrauensbändern und eventueller Ausfälle mit folgendem Befehl anzeigen: rrdtool graph example. gif TICK: failffffa0: 1.0: Fehler Durchschnittliche Bits aus LINE2: scaledobs0000ff: Durchschnittliche Bits aus LINE1: scaledupperff0000: Upper Bound Average Bits aus LINE1: scaledlowerff0000: Lower Bound Average bits out TICK ist eine neue Grafikoption im RRD-Tool. Für jeden Wert ungleich Null im DEF - oder CDEF-Argument zeichnet er ein Häkchen. Die Länge der Markierung (Zeile) wird durch das dritte Argument (nach dem Farbcode) als Dezimalprozentsatz der y-Achse angegeben. 1,0 ist 100 der Länge der y-Achse, so dass die Tick-Marke eine vertikale Linie auf dem Graphen wird. Hier ist ein Beispiel für dieses Tagesgraph, das am Wed, 31. Mai 2000 für das zuvor beschriebene Routerziel erstellt wurde: Die dünnen roten Linien sind die Vertrauensbänder und die gelben Balken stellen Fehler dar (tatsächlich mehrfache Ausfälle in der Sequenz der beobachteten Werte strahlen außerhalb des Vertrauens Bändern in beiden Fällen außerhalb der Bande für etwa zwei Stunden liegen). Die TICK-Diagrammoption erzeugte die gelben Balken aus dem FAILURES RRA. Der Graph zeigt, dass die Bandbreite auf dieser ausgehenden Verbindung schneller zunimmt als erwartet durch das Modell (Vergangenheit). Es obliegt dem Netzwerktechniker zu entscheiden, ob dies ein anomales Verhalten von Interesse darstellt. Eine Annäherung, die der Techniker nehmen könnte, ist, die Zeitreihen für diese Fräserschnittstelle über einen längeren Zeitraum anzusehen. Im Nachhinein ist es leicht zu zeigen, dass etwas Ungewöhnliches vor sich geht und das anomale Verhaltensermittlungsmodell es in Echtzeit fängt. Hier ist die Zeitreihe für die Woche und Halbzeit vom 24. Mai 2000 bis 2. Juni 2000: Es ist klar, dass Mi, 31. Mai ist ungewöhnlich. Die Bandbreite nimmt in zwei Schritten zu: einmal am frühen Morgen und wieder am frühen Nachmittag. In diesem Fall kann das Dip auf 0 in der frühen Morgenstunde und der nachfolgende Sprung auf eine geplante Ausfallzeit für das Servicenetzwerk zurückgeführt werden. Vielleicht hat der Rest der Bandbreite Aktivität bei Wed die gleiche Ursache, in welchem ​​Fall aberranten Verhalten ist ein falsch positives in den Augen des Netzwerk-Techniker. Angesichts des Beispiels, es ist klar, dass es viele Vorteile der aberranten Verhaltenserkennung gibt, aber es kompliziert die Software-Implementierung und Auswirkungen Laufzeit-Performance. Diese Details werden in diesem Abschnitt behandelt. Für die fünf anomalen Erfassungs-RRAs wird jedes RRAs jedesmal aktualisiert, wenn ein primärer Datenpunkt (PDP) durch rrdupdate berechnet wird. Dies führt zu fünf zusätzlichen Festplatten-Suchoperationen. Darüber hinaus benötigen die SEASONAL - und DEVSEASONAL-RRAs jeweils einen Seekread-Betrieb. Während die Anzahl der zusätzlichen Datenträgeroperationen unabhängig von der Anzahl der Datenquellen ist und diese Operationen nach Möglichkeit immer nacheinander durchgeführt werden (dh das Suchvorgang vermeidet, sich innerhalb der Datei rückwärts zu bewegen), führen diese Operationen signifikante IO-Kosten relativ zu einer RRD ohne die fehlerhaften Erfassungs-RRAs ein . In einer herkömmlichen RRD-Datei gibt es üblicherweise nur eine RRA, die für jedes PDP aktualisiert wird, was nur einen einzigen Suchbeschreibungsvorgang erfordert. Nach dem Update enthalten die cdpprep Bereiche der HWPREDICT und SEASONAL RRAs genügend Informationen, um eine Prognose zukünftiger Werte zu erstellen. Der nächste vorhergesagte Wert kann unter Verwendung der folgenden Formel berechnet werden: Vorhersageabschnittssteigung (Sequenzlänge unbekannter Werte 1) Der Intercept wird in dem CDPhwintercept-Element des cdpprep-Bereichs des HWPREDICT RRA und der interessierenden Datenquelle gespeichert. Die Steigung wird im CDPhwslope-Mitglied des cdpprep-Bereichs des HWPREDICT RRA gespeichert. Der Ausdruck (Sequenzlänge unbekannter Werte 1) wird als CDPnullcount-Mitglied des cdpprep-Bereichs des HWPREDICT RRA gespeichert. Schließlich wird der Saisonkoeffizient im CDPhwseasonal-Mitglied des cdpprep-Bereichs der SEASONAL RRA und der interessierenden Datenquelle gespeichert. Eine abweichende Verhaltensdetektion braucht die Vorhersage nicht zu berechnen, bis der vorherzusagende Wert bereits beobachtet wird, es ist jedoch denkbar, dass eine andere Anwendung die Vorhersage bevor der Wert beobachtet werden kann. Dies könnte in Zukunft durch Hinzufügen eines neuen Aufrufs rrdpredict erleichtert werden, um die entsprechenden Puffer von HWPREDICT und SEASONAL RRAs zu lesen und die Vorhersage zu berechnen. Isolierte oder Sequenzen unbekannter (U) Werte sind in der Regel kein Problem für den Holt-Winters-Algorithmus, entweder beim Erstellen von Prognosen oder beim Aktualisieren von Werten (grundsätzlich für einen unbekannten Wert tritt keine Aktualisierung auf). Der Algorithmus kann mehrere Schritte in die Zukunft prognostizieren, vorausgesetzt, die Initialisierungsphase ist abgeschlossen. Ein Bulk-Update kann auftreten, wenn ein Zeitintervall zwischen den beobachteten Werten die Schrittgröße überschreitet. In diesem Fall erzeugt der beobachtete Wert mehr als einen primären Datenpunkt. Wenn das Intervall den Herzschlag einer Datenquelle übersteigt, werden alle dazwischenliegenden Primärdatenpunkte auf unbekannt (U) gesetzt, ansonsten werden sie auf denselben (gleichen) Wert gesetzt. Bulk-Updates erzeugen eine Komplikation für die anomalen Detektions-RRAs, die für jeden primären Datenpunkt aktualisiert werden. Das Hauptproblem sind die Kosten für die Berechnung der Vorhersage und der vorhergesagten Abweichung. Im Gegensatz zu dem Fall der herkömmlichen Konsolidierungsfunktion (d. h. Durchschnitt oder Maximum) sind die Zwischenkonsolidierten Datenpunkte (CDPs) für die Aberranterfassungs-RRAs nicht identisch und müssen separat berechnet werden. Diese Berechnung kostet beiseite, es gibt Implementierungsprobleme im Zusammenhang mit den Interdependenzen zwischen den aberranten Detektions-RRAs. Um die Prognosen und vorhergesagten Abweichungen in der Reihenfolge zu berechnen, erfordert jedes RRA, dass seine abhängigen RRAs synchronisiert werden (zur gleichen Zeit). Die Architektur der rrdupdate-Funktion besteht jedoch darin, jeden RRA unabhängig von den anderen zu verarbeiten. Diese Architektur wird durch die Optimierung auferlegt, die zu jedem RRA schreibt, in Folge auftritt. Angesichts dieser Probleme werden Aktualisierungen von mehr als 2 CDPs pro beobachtetem Wert (dh ein beobachteter Wert, der in mehr als 2 PDPs übersetzt) ​​derzeit nicht durch die aberrante Detektionsimplementierung unterstützt. Die Zwischen-CDPs werden auf U gesetzt. In der Zukunft kann die Implementierung Bulk-Updates unterstützen, insbesondere da der Algorithmus Sequenzen von U-Werten als Eingabe verarbeiten kann. Die Implementierung wurde entwickelt, um die Bootstrap-Initialisierung zu verwenden. Der Abfangkoeffizient wird auf den ersten bekannten Wert initialisiert. Die Steilheit wird auf 0 initialisiert, wobei diese Initialisierung auf der Annahme beruht, dass der lineare Trend über die Zeit nahe bei 0 liegt. Wenn dies nicht der Fall ist, wird die Zeit, die der Holt-Winters-Algorithmus benötigt, um von 0 wegzuziehen, von der saisonalen Anpassung abhängen Parameter, gamma. Während des ersten Saisonzyklus von bekannten Werten werden saisonale Koeffizienten initialisiert. Während des zweiten Saisonzyklus von bekannten Werten werden saisonale Abweichungen initialisiert. Die Empfindlichkeit des Algorithmus auf die Anfangswerte (die ersten beiden Zyklen) nimmt mit der Zeit ab, wie durch die Adaptionsparameter bestimmt. Das Gewicht des Ausgangswerts bleibt länger als nachfolgende Werte. Beispielsweise beträgt bei einem täglichen Zyklus, keiner periodischen Glättung und gamma 0,1 das Gewicht des Anfangswertes in der zehnten Iteration (Tag) saisonalen Komponente 0,4. Im Gegensatz dazu beträgt das Gewicht der Beobachtung des zweiten Tages am selben Punkt im Zyklus nur 0,04. Unbekannte Werte während der ersten zwei Saisonzyklen können den Kaltstart komplizieren. Die Implementierung initialisiert irgendwelche Koeffizienten, die sie während der ersten zwei Zyklen haben kann. Wenn einige Koeffizienten aufgrund unbekannter Werte unbekannt bleiben, werden sie während des ersten nachfolgenden Zyklus mit einem bekannten Wert zu diesem Zeitpunkt im Zyklus initialisiert. Da der erste Wert einer COUNTER-Datenquelle immer unbekannt ist, ist die minimale Kaltstartperiode für COUNTER-Datenquellen drei saisonale Zyklen. In Anbetracht der Überzeugung, dass saisonale Koeffizienten und Abweichungen glatte periodische Zeitfunktionen sind, läuft die Implementierung periodisch mit einem Fenster von 5 der Periode auf den DEVSEASONAL - und SEASONAL-RRAs. Dieser Vorgang erfordert das Lesen aller DEVSEASONAL - und SEASONAL-RRA-Werte von der Festplatte, deren Aktualisierung und das Zurückspülen auf die Festplatte. Die Glättung wird einmal pro Periode ausgeführt, wobei ein Offset durch einen FNV-Hash-Algorithmus auf dem Dateinamen der RRD-Datei bestimmt wird. Die Absicht des Hash-Algorithmus besteht darin, das zeitliche Verklumpen von Glättungsoperationen für mehrere RRD-Dateien zu verhindern (wie RRDTOOL normalerweise in einer Umgebung mit mehreren RRD-Dateien läuft). Die durch die RRD-Strukturdefinition bereitgestellten rradef-Parameter und cdpprep-Bereiche sind ausreichend, um alle notwendigen Parameter auf der Platte im Speicher und im Speicher für den Algorithmus der fehlerhaften Verhaltensermittlung zu speichern, wobei zuvor die Dump - und Restore-Funktionen (von XML) den Importeurport nicht vollständig unterstützten Datenstrukturen. Die Implementierung leert nun alle RRA-Parameter in XML mit dem ltparamgt - Tag auf dump und die Restore-Funktion liest die neuen Tags. Der Inhalt der cdpprep-Bereiche wird wie zuvor geschrieben, markiert durch das ltdsgt-Tag. Um das neue XML-Format zu identifizieren, verwendet die Implementierung ein Versionskennzeichen von 0002. Die folgende Liste beschreibt Dateien, die aus dem aktuellen Release (1.0.25) von RRDtool modifiziert wurden, um eine abweichende Verhaltenserkennung zu implementieren: rrdcreate. c. Unterstützung für die Gründung von HWPREDICT, SEASONAL, DEVSEASONAL und DEVPREDICT RRAs. Rrddump. c. Unterstützung für den Export von rradef par und cdpprep scratch Variablen. Rrdrestore. c. Unterstützung für den Import von rradef par - und cdpprep-Scratch-Variablen. Rrdhw. c. Hauptroutinen zur Aktualisierung der Holt-Winters RRAs Glättungsroutinen FIFO-Warteschlangenimplementierung. Rrdupdate. c. Aufrufroutinen in rrdhw. c als entsprechende Umschreibung für effiziente Bulk-Updates rrdgraph. c. Datenreduktionsunterstützung für HWPREDICT-, SEASONAL-, DEVSEASONAL - und DEVPREDICT-RRAs hinzuzufügen, die das TICK-Graphenelement hinzufügen. Rrdformat. h. Fügen Sie Enumerationswerte für Referenz in RRA - und CDP-Scratch-Arrays hinzu. Rrdtool. h. Funktion Prototypen, FIFO-Warteschlangenmethode Prototypen. Hash32.c. Implementierung von FNV-Hash. Fnv32.h. Header-Datei für FNV-Routinen.