detecção de anomalia

info

Beta

Esse recurso está na versão beta.

Esta página descreve o que é detecção de anomalia, o que ela monitora e como usá-la.

O que é detecção de anomalia?

Com o lakehouse monitoramento detecção de anomalia, o senhor pode monitorar facilmente a qualidade dos dados de todas as tabelas em um esquema. A Databricks aproveita a inteligência de dados para avaliar automaticamente a qualidade dos dados, avaliando especificamente a atualidade e a integridade de cada tabela. As percepções de qualidade são preenchidas em indicadores de saúde para que os consumidores possam entender a saúde em um piscar de olhos. Os proprietários de dados têm acesso a tabelas de registro e painéis para que possam identificar rapidamente, definir alertas e resolver anomalias em um esquema inteiro.

Requisitos

• Workspace habilitado para o Unity Catalog.
• sem servidor compute ativado. Para obter instruções, consulte Conectar-se a serverless compute .
• Para ativar a detecção de anomalia em um esquema, o senhor deve ter privilégios de gerenciar SCHEMA ou gerenciar CATALOG no esquema do catálogo.

Como funciona a detecção de anomalia?

A Databricks monitora as tabelas ativadas para verificar se estão atualizadas e completas .

Frescura se refere ao quão recentemente uma tabela foi atualizada. A detecção de anomalia analisa a história do commit em uma tabela e cria um modelo por tabela para prever a hora do próximo commit. Se um commit for excepcionalmente tardio, a tabela será marcada como obsoleta. Para tabelas de séries temporais, você pode especificar colunas de horário do evento. A detecção de anomalias detecta se a latência de ingestão dos dados, definida como a diferença entre o tempo de commit e o tempo do evento, é excepcionalmente alta.

A integridade se refere ao número de linhas que se espera que sejam gravadas na tabela nas últimas 24 horas. A detecção de anomalia analisa a contagem histórica de linhas e, com base nesses dados, prevê um intervalo do número esperado de linhas. Se o número de linhas confirmadas nas últimas 24 horas for menor que o limite inferior desse intervalo, uma tabela será marcada como incompleta.

Habilitar a detecção de anomalias em um esquema

Para ativar a detecção de anomalias em um esquema, navegue até o esquema em Unity Catalog.

1. Na página do esquema, clique em Details (Detalhes ) tab.

   

2. Clique no botão de detecção de anomalia para ativá-lo.

   

3. Um Job agendado para Databricks é iniciado para verificar o esquema e uma caixa de diálogo é exibida. Para view o progresso do trabalho, clique em view results (ver resultados ) na caixa de diálogo. Depois que o trabalho for concluído, o senhor verá o registro das anomalias detectadas na tabela de registro de saída. O senhor também pode acessar a caixa de diálogo a qualquer momento clicando em Settings (Configurações ) ao lado do botão de detecção de anomalia.

   

4. Em default, o trabalho é executado a cada 6 horas. Para alterar essa configuração, consulte Definir parâmetros para avaliação de atualização e integridade.

Revisão dos resultados dos registros

Em default, os resultados de uma varredura de detecção de anomalia são salvos no esquema em uma tabela chamada _quality_monitoring_summary, à qual somente o usuário que ativou a detecção de anomalia tem acesso. Para configurar o nome ou a localização da tabela de registro, consulte Definir parâmetros para avaliação de atualização e integridade.

A tabela tem as seguintes informações:

Nome da coluna	Tipo	Descrição
evaluated_at	carimbo de data/hora	começar o tempo de execução da varredura de anomalias.
catalog	string	Catálogo que contém o esquema no qual a varredura de anomalias foi executada.
schema	string	Esquema no qual a varredura de anomalias foi executada.
table_name	string	Nome da tabela digitalizada.
quality_check_type	string	Freshness ou Completeness
status	string	Resultado da verificação de qualidade. Um dos Healthy, Unhealthy ou Unknown. Se o resultado for Unknown, consulte error_message para obter mais detalhes.
additional_debug_info	map	Esse campo fornece os valores que foram usados para determinar o status da tabela. Para obter detalhes, consulte informações sobre depuração.
error_message	string	Se status for Unknown, informações adicionais aparecerão aqui para ajudar na depuração.
table_lineage_link	string	Link para a linhagem da tabela tab no Catalog Explorer, para ajudar a investigar a causa raiz de uma tabela Unhealthy.
downstream_impact	struct	Impacto de uma anomalia no ativo downstream. Para obter detalhes, consulte Informações sobre o impacto downstream.

depuração informações

Na tabela de resultados de registros, a coluna additional_debug_info fornece informações no seguinte formato:

Bash

[
  <metric_name>:
    actual_value: <value> ,
    expectation: “actual value < [predicted_value]”
    is_violated: true/false,
    error_code = <error_code>
    ...
]

Por exemplo:

JSON

{
  commit_staleness:
    actual_value: "31 min"
    expectation: "actual_value < 1 day"
    is_violated: "false"
    error_code: "None"
}

Informações sobre o impacto downstream

Na tabela de resultados de registros, a coluna downstream_impact é uma struct com os seguintes campos:

campo	Tipo	Descrição
impact_level	int	Valor inteiro entre 1 e 4 indicando a gravidade da anomalia. Valores mais altos indicam maior interrupção.
num_downstream_tables	int	Número de tabelas downstream que podem ser afetadas pela anomalia.
num_queries_on_affected_tables	int	Número total de consultas que fizeram referência às tabelas afetadas e downstream nos últimos 30 dias.

visualizar indicadores de saúde

A detecção de anomalia fornece aos consumidores de dados uma rápida confirmação visual da atualização dos dados das tabelas que eles usam.

Na página do esquema, em Overview (Visão geral) tab, as tabelas que passaram na verificação de atualização mais recente são marcadas com um ponto verde. As tabelas que falharam na verificação são mostradas com um ponto laranja.

Clique no ponto para ver a hora e o status da verificação mais recente.

Como proprietário dos dados, você pode avaliar facilmente a integridade geral do seu esquema classificando as tabelas com base na qualidade. Use o menu Classificar no canto superior direito da lista de tabelas para classificar as tabelas por qualidade.

Na página da tabela, em Overview tab, um indicador de qualidade mostra o status da tabela e lista todas as anomalias identificadas na varredura mais recente.

Defina parâmetros para avaliação de frescor e integridade

Para editar os parâmetros que controlam o trabalho de detecção de anomalia, como a frequência de execução do trabalho ou o nome da tabela de resultados de logs, o senhor deve editar os parâmetros do trabalho na tarefa tab da página do trabalho.

As seções a seguir descrevem configurações específicas. Para obter informações sobre como definir os parâmetros de tarefa, consulte Configurar parâmetros de tarefa.

programação e notificações

Para personalizar o programar para o trabalho de detecção de anomalia ou para configurar notificações, use as configurações do programar & Triggers na página do trabalho. Consulte Automatização de trabalhos com programas e acionadores.

Nome da tabela de registro

Para alterar o nome da tabela de registro ou salvar a tabela em um esquema diferente, edite o parâmetro logging_table_name da tarefa Job e especifique o nome desejado. Para salvar a tabela de registro em um esquema diferente, especifique o nome completo de 3 níveis.

Personalize as avaliações freshness e completeness

Todos os parâmetros desta seção são opcionais. Em default, a detecção de anomalia determina o limite com base em uma análise do histórico da tabela.

Esses parâmetros são campos dentro do parâmetro de tarefa metric_configs. O formato de metric_configs é uma cadeia de caracteres JSON com os seguintes valores default:

JSON

[
  {
    "disable_check": false,
    "tables_to_skip": null,
    "tables_to_scan": null,
    "table_threshold_overrides": null,
    "table_latency_threshold_overrides": null,
    "static_table_threshold_override": null,
    "event_timestamp_col_names": null,
    "metric_type": "FreshnessConfig"
  },
  {
    "disable_check": true,
    "tables_to_skip": null,
    "tables_to_scan": null,
    "table_threshold_overrides": null,
    "metric_type": "CompletenessConfig"
  }
]

Os parâmetros a seguir podem ser usados para as avaliações freshness e completeness.

Nome do campo	Descrição	Exemplo
tables_to_scan	Apenas as tabelas especificadas são examinadas para detecção de anomalias.	["table_to_scan", "another_table_to_scan"]
tables_to_skip	As tabelas especificadas são ignoradas durante a varredura de detecção de anomalia.	["table_to_skip"]
disable_logging	Se definido como true, os resultados da execução do trabalho não serão salvos na tabela de registro.	true, false
disable_check	A varredura de anomalias não é executada. Use esse parâmetro se quiser desativar somente o escaneamento freshness ou somente o escaneamento completeness.	true, false

Os parâmetros a seguir se aplicam somente à avaliação freshness:

Nome do campo	Descrição	Exemplo
event_timestamp_col_names	Lista de colunas de carimbo de data/hora que as tabelas em seu esquema podem ter. Se uma tabela tiver uma dessas colunas, ela será marcada como Unhealthy se o valor máximo dessa coluna for excedido.	["timestamp", "date"]
table_threshold_overrides	Um dicionário composto por nomes de tabelas e limites (em segundos) que especificam o intervalo máximo desde a última atualização da tabela antes de marcar uma tabela como Unhealthy.	{"table_0": 86400}
table_latency_threshold_overrides	Um dicionário que consiste em nomes de tabelas e limites de latência (em segundos) que especificam o intervalo máximo desde o último registro de data e hora na tabela antes de marcar uma tabela como Unhealthy.	{"table_1": 3600}
static_table_threshold_override	Quantidade de tempo (em segundos) antes de uma tabela ser considerada estática (ou seja, uma que não está mais atualizada).	2592000

O parâmetro a seguir se aplica somente à avaliação completeness:

Nome do campo	Descrição	Exemplo
table_threshold_overrides	Um dicionário que consiste em nomes de tabelas e limites de volume de linhas (especificados como números inteiros). Se o número de linhas adicionadas a uma tabela nas últimas 24 horas for menor que o limite especificado, a tabela será marcada como Unhealthy.	{"table_0": 1000}

Desativar a detecção de anomalia

Para desativar a detecção de anomalia, clique no botão de detecção de anomalia para desativá-la. O Job de detecção de anomalia será excluído, todas as tabelas e informações de detecção de anomalia serão excluídas.

Para fornecer feedback sobre a detecção de anomalias, email lakehouse-monitoring-feedback@databricks.com.

Limitação

detecção de anomalia não suporta o seguinte:

• visualização, visualização materializada ou tabelas de transmissão.
• Tabelas externas ou tabelas estrangeiras.
• Tabelas com menos de 2 commits nos últimos 30 dias.
• A determinação da integridade não leva em conta account métricas como a fração de nulos, valores zero ou NaN.