프로브란?
프로브는 인텐트 기반 분석에서 추상화의 기본 단위입니다. 일반적으로 주어진 프로브는 네트워크로부터 일부 데이터 세트를 소비하고, 이에 대해 다양한 연속 집계 및 계산을 수행하며, 선택적으로 이상이 발생하는 집계 및 계산의 일부 조건을 지정합니다.
프로브는 방향성 비순환 그래프(DAG)이며, 여기서 그래프의 노드는 프로세서와 스테이지입니다. 단계는 컨텍스트와 관련된 데이터로, 운영자가 검사할 수 있습니다. 프로세서는 입력 데이터에서 출력 데이터를 생성하고 줄이는 작업 집합입니다. 프로세서에 대한 입력은 하나 또는 여러 단계이며 프로세서의 출력도 하나 또는 여러 단계입니다. 프로브 DAG에서 간선의 방향은 이 입력-출력 흐름을 나타냅니다.
중요한 것은 프로브의 초기 프로세서는 특별하며 입력 단계가 없다는 것입니다. 그들은 개념적으로 데이터의 생성자입니다. 이를 소스 프로세서라고 합니다.
IBA는 컬렉터의 원시 텔레메트리를 프로브로 수집하여 지식(예: 이상, 집계 등)을 추출하는 방식으로 작동합니다. 지정된 수집기는 원격 분석을 메트릭 컬렉션으로 게시하며, 각 메트릭에는 ID(즉, 키-값 쌍 집합)와 값이 있습니다. IBA 프로브는 종종 그래프 쿼리를 사용하여 메트릭의 ID를 완전히 지정하여 해당 값을 프로브로 수집해야 합니다. 이 기능을 통해 프로브는 수집 필터를 사용하여 ID의 부분 사양으로 메트릭을 수집할 수 있으므로 ID를 알 수 없는 메트릭을 수집할 수 있습니다.
일부 프로브는 자동으로 생성됩니다. 이러한 프로브는 자동으로 삭제되지 않습니다. 이렇게 하면 운영 및 구현 측면에서 작업을 간소화할 수 있습니다.
프로세서
프로브의 입력 프로세서는 데이터 처리 파이프라인을 시작하기 위해 프로브로 원시 텔레메트리를 수집하는 데 필요한 구성을 처리합니다. 이러한 프로세서의 경우 스테이지 출력 항목(하나 또는 다수)의 수는 지정된 그래프 쿼리의 결과 수와 같습니다. 예를 들어 여러 그래프 쿼리가 지정된 경우. graph_query: [A, B]및 쿼리 A는 5개의 노드와 일치하고 쿼리 B는 10개의 노드와 일치하며, 쿼리 A의 결과는 0에서 4까지의 인덱스를 사용하여 액세스할 수 있고 쿼리 B의 결과는 5에서 14까지의 인덱스를 사용하여 query_result 액세스할 수 있습니다.
프로세서의 입력 유형 및/또는 출력 유형이 지정되지 않은 경우 프로세서는 in이라는 단일 입력을 받아 out이라는 단일 출력을 생성합니다.
일부 프로세서 필드는 표현식이라고 합니다. 어떤 경우에는 그래프 쿼리 이며 그렇게 표시됩니다. 다른 경우에는 값을 생성하는 Python 표현식 입니다. 예를 들어, Accumulate 프로세서에서 duration은 초가 있는 정수(예: 900) 또는 표현식(예: 60 * 15)으로 지정될 수 있습니다. 그러나 표현식이 더 유용 할 수 있습니다 : 매개 변수화하는 여러 가지 방법이 있습니다.
표현식은 문자열 값을 지원합니다. 문자열 및 지원 표현식인 프로세서 구성 매개변수는 정적 값을 지정할 때 특수 인용 부호를 사용해야 합니다. 예를 들어, 은(는) state: "up" 정적 문자열이 아닌 변수 "up"을 참조하기 때문에 유효하지 않으므로 다음과 같아 state: '"up"'야 합니다.
표현식은 항상 그래프 쿼리와 연결되며 해당 쿼리의 모든 결과 일치에 대해 실행됩니다. 표현식의 실행 컨텍스트는 쿼리에 지정된 모든 변수가 연관된 일치 결과의 명명된 노드로 확인되도록 합니다. 자세한 내용은 Service Collector 예제를 참조하세요.
그래프 기반 프로세서는 query_tag_filter으로 확장되어 그래프 쿼리 결과를 태그별로 필터링할 수 있습니다. IBA 프로브에서 태그는 서버 및 외부 라우터, 특히 ECMP 불균형(외부 인터페이스) 프로브 및 총 East/West 트래픽 프로브에 대한 필터 기준으로만 사용됩니다. 특정 프로세서 정보는 References 섹션의 Probe Processors 를 참조하십시오.
수집 필터
"수집 필터"를 사용하면 하나의 쿼리 결과가 여러 메트릭을 프로브로 수집할 수 있습니다. 테이블 데이터 유형은 단일 단계 출력 항목의 일부로 여러 지표를 저장하는 데 사용됩니다. 테이블 데이터 유형에는 기존 유형에 해당하는 , , -가 각각 table_ns포함됩니다 ts dssns. table_ts table_dss
IBA 수집 필터
수집 필터는 대상 장치에서 수집되는 메트릭을 결정합니다.
지정된 디바이스의 지정된 수집기에 대한 수집 필터는 단순히 다른 프로브에 있는 수집 필터의 모음입니다. IBA 또는 프로브의 컨텍스트 외부에서 서비스를 활성화하는 과정의 일부로 이를 지정할 수도 있지만, 서비스 활성화를 위한 기존 우선순위 규칙이 여기에 적용되며 지정된 우선순위 수준의 필터만 집계됩니다. 여러 프로브가 특정 디바이스의 특정 서비스를 대상으로 하는 수집 필터를 지정하는 경우 수집된 메트릭은 공용체입니다. 즉, 메트릭은 필터 중 하나와 일치할 때 게시됩니다. 따라서 IBA 프로브로 데이터를 수집하기 전에 컨트롤러 구성 요소에서도 데이터를 필터링합니다.
이 필터는 텔레메트리 수집기에 의해 평가되며, 기본 디바이스 운영 체제에서 가져오는 사용 가능한 메트릭의 하위 집합도 더 잘 제어하기 위해 평가됩니다(예: 모든 경로를 가져오는 대신 경로의 하위 집합만 가져오며, 이는 엄청난 수일 수 있음). 어쨌든 컬렉션 필터와 일치하는 메트릭만 원시 원격 분석으로 게시됩니다.
디바이스에서 서비스를 사용하도록 설정하는 과정의 일부로, 이제 서비스에 대한 수집 필터를 지정할 수 있습니다. 이 필터는 "self.service_config.collection_filters"의 일부로 컬렉터에 제공되는 추가 입력이 됩니다.
IBA 필터 형식
다음은 필터에 대한 디자인/사용성 목표(수집 및 수집)입니다
- 작성의 용이성 - 주어진 프로브 작성자가 이를 지정합니다
- 대부분의 경우 일치, 주어진 가능한 값 목록과 일치, 같음 일치, 키에 숫자 값이 있는지 범위 확인입니다.
- 효율적인 평가 - 필터가 수집 또는 수집의 실행 부하 과다 경로에서 평가되는 경우
- 집계 가능 - 여러 필터가 집계되므로 이 집계 논리가 개별 수집기의 책임이 될 필요가 없습니다.
- 프로그래밍 언어 중립 - 필터에서 작동하는 구성 요소는 향후 Python, C++ 또는 다른 언어로 작동할 수 있습니다.
- 프로그래밍 가능 - 컨트롤러 자체 및/또는 집진기에 의한 필터 주변의 향후 프로그래밍 가능성을 수정하여 사용성, 성능 등을 향상시킬 수 있습니다.
위의 목표를 고려할 때 다음은 filter1에 대한 제안되고 예시적인 스키마입니다. 이를 더 잘 이해하려면 특정 예제에 대한 수집 필터 섹션을 참조하세요.
FILTER_SCHEMA = s.Dict(s.Object(
'type': s.Enum(['any', 'equals', 'list', 'pattern', 'range', 'prefix']),
'value': s.OneOf({
'equals': s.OneOf([s.String(), s.Integer()]),
'list': s.List(s.String(), validate=s.Length(min=1)),
'pattern': s.List(s.String(), validate=s.Length(min=1)),
'range': s.AnomalyRange(), validate=s.Length(min=1),
'prefix': s.Object({
'prefixsubnet': s.Ipv6orIpv4NetworkAddress(),
'ge_mask': s.Optional(s.Integer()),
'le_mask': s.Optional(s.Integer()),
'eq_mask': s.Optional(s.Integer())
})
), key_type=s.String(description=
'Name of the key in metric identity. Missing metric identity keys are '
'assumed to match any value'))
필터 사양의 한 인스턴스는 지정된 모든 키의 AND 로 해석됩니다(키별 제약 조건이라고도 함). 여러 프로브에서 나오는 여러 필터 사양은 필터 수준에서 OR 로 간주됩니다.
여기에 제시된 스키마는 요구 사항을 전달하기 위한 용도로만 사용됩니다. 명시된 사용 사례를 수행하는 모든 방법을 선택할 수 있습니다.
수집기 프로세서의 구성에 지정된 수집기 프로세서additional_properties 특수 context. 네임스페이스를 사용하여 액세스할 수 있습니다. 예를 들어, 컬렉터가 property 를 system_role정의하는 경우 다음과 같이 사용할 수 있습니다.
duration: 60 * (15 if context.system_role == "leaf" else 10)
항목 컨텍스트는 항목 집합이 수집기 프로세서 구성에서 파생된 원래 집합에서 변경되지 않는 한 사용할 수 있습니다. 이 집합을 변경하는 프로세서를 통과한 후에는 더 이상 사용할 수 없습니다(예: 그룹화 프로세서).
청사진에서 분석 > 프로브 로 이동하여 프로브 테이블 보기로 이동합니다. 프로브를 인스턴스화, 생성, 복제, 편집, 삭제, 가져오기 및 내보낼 수 있습니다.
프로브의 세부 정보로 이동하려면 해당 이름을 클릭합니다. 테이블 보기 또는 세부 정보 보기에서 프로브를 활성화/비활성화할 수 있습니다. 일부 프로브의 단계를 다양한 방법으로 표시할 수 있습니다. 예를 들어 Device System Health라는 프로브를 클릭하면 아래 이미지가 표시됩니다. 데이터 원본(실시간, 시계열, 원격 분석 서비스 경고)을 선택한 다음, 다양한 방법으로 데이터를 집계할 수 있습니다. 또한 해당하는 경우 각 프로브에 사용된 디스크 공간을 볼 수 있습니다.
Apstra 컨트롤러의 디스크 공간이 부족하면 이전 텔레메트리 데이터 파일이 삭제됩니다. 이전 텔레메트리 데이터를 보존하기 위해 Apstra VM 클러스터로 용량을 늘릴 수 있습니다.
수십 개의 프로세서가 있는 비선형 프로브의 구조와 논리는 표준 보기에서 쉽게 구별되지 않습니다. 확장 버튼(왼쪽 패널 상단)을 클릭하여 프로세서가 어떻게 상호 관련되어 있는지에 대한 확장된 표현을 볼 수 있습니다. 예를 들어 아래 이미지는 디바이스 원격 분석 상태 프로브의 확장된 보기의 일부를 보여 줍니다.
