+
+
+
Puede examinar el resultado `nrdiag-output.json` en la UI. La cuenta que seleccione está asociada con la clave de licencia validada por la CLI de diagnóstico o la clave de API que proporcionó para la carga.
1. Haga clic en el signo de interrogación en la esquina superior derecha [de la UI](https://one.newrelic.com).
-
-2. Seleccione la pestaña
-
- 
+
+
+
+
+
+
+
+
+
+
+
+
+
+
- Ahora ha alcanzado nuevos niveles de visualización de datos, pasando de números resumidos a gráficos de líneas de tendencias de datos a lo largo del tiempo. Como puede ver, el uso de `TIMESERIES` ofrece control total sobre las visualizaciones, la granularidad y los datos promedio en ventanas específicas. Es hora de dar el siguiente paso: utilizar la cláusula 'Dónde'.
+ Ahora alcanzó nuevos niveles de visualización de datos, pasando de números resumidos a gráficos lineales de tendencias de datos a lo largo del tiempo. Como puede ver, el uso de `TIMESERIES` ofrece control total sobre las visualizaciones, el detalle y el promedio de datos en ventanas específicas. Es hora del siguiente paso: emplear la cláusula `WHERE` .
+
+
Hasta ahora, cada consulta que ha realizado ha realizado acciones en todos los datos disponibles en el período de tiempo determinado. Pero también es importante filtrar los datos no deseados. Los ejemplos anteriores son útiles para filtrar un tipo de transacción o cuando ocurre un código de respuesta específico. De manera similar, puede filtrar por una `appName`, una transacción `name` específica o incluso un atributo personalizado que haya etiquetado en sus datos. Es hora del paso final del tutorial: usar la consulta facetada.
+
+
+
+
- Agrupar o "facetar" le permite obtener dimensiones con sus datos. Al aplicar una función de agregación, puede usar `FACET` para agrupar por cualquier atributo, predeterminado o personalizado, que informe datos de eventos (al igual que la cláusula `WHERE` ). Recomendamos [agregar un atributo personalizado](/docs/data-apis/custom-data/custom-events/collect-custom-attributes/) a sus datos o [informar un nuevo evento personalizado](/docs/data-apis/custom-data/custom-events/apm-report-custom-events-attributes/) para permitirle investigar más directamente el conjunto de datos resultante.
+ La agrupación o "facetado" le permite obtener dimensiones con sus datos. Al aplicar una función de agregación, puede emplear `FACET` para agrupar por cualquier atributo, predeterminado o personalizado, que informe datos de eventos (al igual que la cláusula `WHERE` ). Recomendamos [agregar un atributo personalizado](/docs/data-apis/custom-data/custom-events/collect-custom-attributes/) a sus datos o [informar un nuevo evento personalizado](/docs/data-apis/custom-data/custom-events/apm-report-custom-events-attributes/) para permitirle investigar más directamente el conjunto de datos resultante.
+
+
+
Dado que devuelve un número, también puede realizar operaciones matemáticas con los resultados de la consulta. Por ejemplo, puede dividir el total de API de llamadas por todas las API de llamadas para ver qué porcentaje de ellas eran DynamoDB:
@@ -111,11 +99,7 @@ Es posible que no utilices estas funciones y características en todos los dashb
+
-
+ 
+
También puede agregar el operador `TIMESERIES` para representar gráficamente los datos a lo largo del tiempo. Observe que esto también traza el umbral de satisfacción, tolerancia y frustración de Apdex.
@@ -178,11 +154,7 @@ Es posible que no utilices estas funciones y características en todos los dashb
+
+
Podría pensar que puede llegar al límite al hacer esto. Intente eliminar `EXTRAPOLATE` de la consulta y vea si su recuento cambia. Si no es así, lo más probable es que no hayas alcanzado el límite.
@@ -219,14 +187,14 @@ Cuando incluye `EXTRAPOLATE` en una consulta, calculamos la relación entre el e
Los datos homogéneos, como el rendimiento, aprovechan al máximo la función `EXTRAPOLATE` . Tiene menos efecto cuando se intenta extrapolar un recuento de cosas distintas (como `uniqueCount()` o `uniques()`). Entonces, `EXTRAPOLATE` solo funciona con consultas NRQL que usan una de las siguientes funciones de agregador:
-* apdex
-* promedio
-* count
-* histogram
-* sum
-* percentage
-* tasa
-* stddev
+* `apdex`
+* `average`
+* `count`
+* `histogram`
+* `sum`
+* `percentage`
+* `rate`
+* `stddev`
Una vez que `EXTRAPOLATE` haya terminado, pasemos al uso de casos facetados.
@@ -236,7 +204,7 @@ Una vez que `EXTRAPOLATE` haya terminado, pasemos al uso de casos facetados.
+
+
+
+
+
+
+
+
+
+
+
+
Puede utilizar la función `concat()` para combinar valores, como una ciudad y un país para la ubicación, y anteponer o agregar cadenas adicionales para presentar los datos que necesite.
+
+
アプリの個々のインスタンスによるインシデントの通知をトリガーするポリシーを作成するには:
1. [基本的なワークフローのプロセス](/docs/alerts/new-relic-alerts/configuring-alert-policies/alert-policy-workflow#alert-policy-process) に従って、ポリシーを設定します。
-
-2. [条件](/docs/alerts/new-relic-alerts/configuring-alert-policies/define-alert-conditions)を作成するとき（手順 2）、
-
- | - apm_app_metric + apm\_app\_metric | * apdex - * error_percentage - * response_time_web - * response_time_background + * error\_percentage + * response\_time\_web + * response\_time\_background * スループット\_web * スループット\_背景 * ユーザー定義の @@ -176,64 +149,64 @@ APIには、次の4種類のアラート条件が含まれています。 |
| - apm_kt_metric + apm\_kt\_metric | * apdex - * error_percentage - * error_count - * response_time + * error\_percentage + * error\_count + * response\_time * スループット |
| - browser_metric + browser\_metric | - * end_user_apdex - * total_page_load - * page_rendering + * end\_user\_apdex + * total\_page\_load + * page\_rendering * ウェブアプリケーション * 通信網 - * dom_processing - * request_queuing - * ajax_response_time - * page_views_with_js_errors - * page_view_throughput - * ajax_throughput + * dom\_processing + * request\_queuing + * ajax\_response\_time + * page\_views\_with\_js\_errors + * page\_view\_throughput + * ajax\_throughput * ユーザー定義の |
| - browser_metric_baseline + browser\_metric\_baseline | - * page_view_throughput - * average_response_time - * ajax_response_time - * ajax_application_time + * page\_view\_throughput + * average\_response\_time + * ajax\_response\_time + * ajax\_application\_time |
| - mobile_metric + mobile\_metric | * データベース * 画像 * json、ネットワーク - * view_loading - * network_error_percentage - * status_error_percentage + * view\_loading + * network\_error\_percentage + * status\_error\_percentage * ユーザー定義の |
| - apm_external_service + apm\_external\_service | * apdex - * error_percentage - * response_time_web - * response_time_background + * error\_percentage + * response\_time\_web + * response\_time\_background * スループット\_web * スループット\_背景 * ユーザー定義の @@ -279,33 +249,33 @@ APIには、次の4種類のアラート条件が含まれています。 | ||||
| - apm_app_metric_baseline + apm\_app\_metric\_baseline | - * external_service_transaction_time - * error_count - * database_transaction_time + * external\_service\_transaction\_time + * error\_count + * database\_transaction\_time * スループット\_web - * response_time_web - * non_web_transaction_time - * web_transaction_database_time - * non_web_transaction_database_time + * response\_time\_web + * non\_web\_transaction\_time + * web\_transaction\_database\_time + * non\_web\_transaction\_database\_time | ||||
| - mobile_external_service + mobile\_external\_service | - * response_time_average - * response_time_minimum - * response_time_maximum + * response\_time\_average + * response\_time\_minimum + * response\_time\_maximum * スループット - * network_failure_percentage - * http_status_error_percentage + * network\_failure\_percentage + * http\_status\_error\_percentage |
| - apm_app_metric + apm\_app\_metric |
- |
||||
| - apm_app_metric_baseline + apm\_app\_metric\_baseline | @@ -636,7 +546,7 @@ APIには、次の4種類のアラート条件が含まれています。 | ||||
| - apm_kt_metric + apm\_kt\_metric | @@ -646,7 +556,7 @@ APIには、次の4種類のアラート条件が含まれています。 | ||||
| - browser_metric + browser\_metric | @@ -656,7 +566,7 @@ APIには、次の4種類のアラート条件が含まれています。 | ||||
| - browser_metric_baseline + browser\_metric\_baseline | @@ -666,7 +576,7 @@ APIには、次の4種類のアラート条件が含まれています。 | ||||
| - mobile_metric + mobile\_metric |
@@ -681,10 +591,7 @@ APIには、次の4種類のアラート条件が含まれています。
* 条件
-
+
|
OID 結果の例: `" 5 Secs ( 96.3762%) 60 Secs ( 62.8549%) 300 Secs ( 25.2877%)"`
変換例: `"regexp:60 Secs.*?(\\d+)"`
最終結果： `62` + OID 出力に正規表現一致を配置して部分文字列をキャプチャします。引用符で囲み、バックスラッシュをエスケープする必要があります。
OID 結果の例: `" 5 Secs ( 96.3762%) 60 Secs ( 62.8549%) 300 Secs ( 25.2877%)"`
変換例: `"regexp:60 Secs.*?(\\d+)"`
最終結果： `62`
+
+
+
UI で`nrdiag-output.json`出力を調べることができます。選択したアカウントは、アップロード用に指定した診断 CLI または API キーによって検証されたライセンス キーに関連付けられます。
1. [UI の](https://one.newrelic.com)右上隅にある疑問符をクリックします。
-
-2. 
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
- これで、集計された数値から、時間の経過に伴うデータ傾向の折れ線グラフまで、新しいレベルのデータ視覚化に到達しました。ご覧のとおり、 `TIMESERIES`を使用すると、指定したウィンドウでのデータの視覚化、粒度、平均化を完全に制御できます。次のステップは、「Where」句の使用です。
+ これで、要約された数字から、時間の経過に伴うデータの傾向を示す折れ線グラフまで、データの視覚化が新たなレベルに到達しました。 ご覧のとおり、 `TIMESERIES`使用すると、指定したウィンドウの視覚化、粒度、データの平均化を完全に制御できます。 次のステップでは、 `WHERE`句を使用します。
+
+
これまでに作成したすべてのクエリは、指定された時間枠内で利用可能なすべてのデータに対してアクションを実行しました。しかし、不要なデータを除外することも重要です。上記の例は、トランザクションの種類をフィルタリングする場合や、特定の応答コードが発生した場合に役立ちます。同様に、特定の`appName` 、トランザクション`name` 、またはデータにタグ付けしたカスタム属性にフィルターをかけることもできます。チュートリアルの最後のステップであるファセット クエリの使用に進みます。
+
+
+
+
- グループ化または「ファセット」により、データの次元を高めることができます。集計関数を適用する場合、 `FACET`を使用して、イベント データを報告するデフォルトまたはカスタムの属性ごとにグループ化できます ( `WHERE`句と同様)。結果のデータセットをより直接的に調査できるように、データに[カスタム属性を追加する](/docs/data-apis/custom-data/custom-events/collect-custom-attributes/)か、[新しいカスタム イベントをレポートする](/docs/data-apis/custom-data/custom-events/apm-report-custom-events-attributes/)ことをお勧めします。
+ グループ化または「ファセット化」により、データを次元化できます。集計関数を適用する場合、 `FACET`を使用して、イベント データをレポートする任意の属性 (デフォルトまたはカスタム) でグループ化できます ( `WHERE`句と同様)。データに[カスタム属性を追加](/docs/data-apis/custom-data/custom-events/collect-custom-attributes/)するか、[新しいカスタム イベントをレポート](/docs/data-apis/custom-data/custom-events/apm-report-custom-events-attributes/)して、結果のデータ セットをより直接的に調査できるようにすることをお勧めします。
+
+
+
数値が返されるため、クエリの結果に対して計算を実行することもできます。 たとえば、合計 API コールをすべての API コールで割ると、そのうちの何パーセントが DynamoDB であったかを確認できます。
@@ -111,11 +99,7 @@ translationType: machine
+
-
+
+
`TIMESERIES`演算子を追加して、データの経時的なグラフを表示することもできます。これには、Apdex の満足、許容、および不満のしきい値もプロットされていることに注意してください。
@@ -178,11 +154,7 @@ translationType: machine
+
+
このままでは限界に達してしまうのではないかと思うかもしれません。クエリから`EXTRAPOLATE`を削除して、カウントが変化するかどうかを確認してください。そうでない場合は、制限に達していない可能性があります。
@@ -219,14 +187,14 @@ EXTRAPOLATE
スループットなどの均質なデータは、 `EXTRAPOLATE`関数を最大限に活用します。 個別のもの ( `uniqueCount()`や`uniques()`など) の数を推定しようとする場合には、あまり効果がありません。 したがって、 `EXTRAPOLATE` 、次の集計関数のいずれかを使用する NRQL クエリでのみ機能します。
-* apdex
-* 平均
-* count
-* ヒストグラム
-* sum
-* percentage
-* レート
-* stddev
+* `apdex`
+* `average`
+* `count`
+* `histogram`
+* `sum`
+* `percentage`
+* `rate`
+* `stddev`
`EXTRAPOLATE`が完了したら、ファセット ケースの使用に進みましょう。
@@ -244,11 +212,7 @@ EXTRAPOLATE
FACET CASES(WHERE http.url LIKE '%amazon%', WHERE http.url LIKE '%google%', WHERE http.url LIKE '%microsoft%')
```
-
+
+
+
+
+
+
+
+
+
+
+
+
`concat()`関数を使用すると、場所の都市と国などの値を組み合わせたり、必要に応じて追加の文字列を先頭または末尾に追加してデータを表示したりできます。
+
`stdvar()`関数は`stddev()`と同様に機能しますが、数値属性の標準分散を返します。
@@ -52,20 +48,16 @@ translationType: machine
* サンプル範囲の最大値 (外れ値は最終バケットに表示されます)。
* 必要なバケットの総数。
- このクエリ例では、NRQL を使用してトランザクション全体の平均継続時間を見つけます。 ただし、そのパフォーマンスを、特定の量のデータベース呼び出しを行うトランザクションにグループ化します。 したがって、バケット属性を`databaseCallCount`として指定し、上限を 400 呼び出しに設定し、それを 10 個のバケットにグループ化します。 これにより、0 ～ 40、40 ～ 80、80 ～ 120、120 ～ 160、160 ～ 200、200 ～ 240、240 ～ 280、280 ～ 320、320 ～ 360、および >360 のデータベース呼び出しを行うトランザクションのパフォーマンスが向上します。透明なバケツを天井まで均等に10個。
+ このクエリ例では、NRQL を使用してトランザクション全体の平均継続時間を見つけます。 ただし、そのパフォーマンスを、特定の量のデータベース呼び出しを行うトランザクションにグループ化します。 したがって、バケット属性を`databaseCallCount`として指定し、上限を 400 呼び出しに設定し、それを 10 個のバケットにグループ化します。 これにより、0 ～ 40、40 ～ 80、80 ～ 120、120 ～ 160、160 ～ 200、200 ～ 240、240 ～ 280、280 ～ 320、320 ～ 360、および >360 のデータベース呼び出しを行うトランザクションのパフォーマンスが向上します。透明なバケツを天井まで均等に10個。
- ```sql
- SELECT average(duration)
- FROM Transaction
- SINCE 12 hours ago
- FACET buckets(databaseCallCount, 400, 10)
- ```
+ ```sql
+ SELECT average(duration)
+ FROM Transaction
+ SINCE 12 hours ago
+ FACET buckets(databaseCallCount, 400, 10)
+ ```
- 
+
これで、NRQL に現在存在するすべての集計関数を学習したことになります。プロのようにデータを細かく分割できます。NRQL に集約機能が欠けていると思われる場合は、アカウント チームに知らせてください。私たちは、お客様が必要とする可能性のある次のキラー機能を常に探しています。
@@ -89,11 +81,7 @@ NRQL は、データを深く理解する必要がある人のために、より
SINCE 1 day ago
```
- 
+
+
+ ```sql
+ SELECT pow(duration, 2), sqrt(duration), exp(duration), ln(duration), log2(duration)
+ FROM Transaction
+ SINCE 1 day ago
+ ```
+
+
+
+
+
+
ここで、その期間にわたって報告された最大値を見つけるために、クエリを括弧で囲み、次のように`SELECT ... FROM`を使用します。 `SELECT z FROM (SELECT x AS z FROM y)`
@@ -309,11 +273,7 @@ NRQL のサブクエリはネストされた集計に似ており、別のクエ
WHERE duration > (SELECT percentile(duration,97) FROM Public_APICall)
```
- 
+
+
+
サブクエリはデータ探索のための強力なツールであり、さまざまなデータ ソースや時間範囲にわたるより高度なクエリを可能にします。
+
+
앱의 개별 인스턴스별로 인시던트에 대한 알림을 트리거하는 정책을 생성하려면:
1. [기본 워크플로 프로세스](/docs/alerts/new-relic-alerts/configuring-alert-policies/alert-policy-workflow#alert-policy-process) 에 따라 정책을 설정합니다.
-
-2. [조건](/docs/alerts/new-relic-alerts/configuring-alert-policies/define-alert-conditions) 을 생성할 때(2단계)
-
- | - apm_app_metric + apm\_app\_metric | * 정점 - * error_percentage + * error\_percentage * 응답 시간 웹 * 응답\_시간\_배경 * 처리량\_웹 @@ -176,13 +149,13 @@ API에는 4가지 유형의 경고 조건이 포함됩니다. | |
| - apm_kt_metric + apm\_kt\_metric | * 정점 - * error_percentage - * error_count + * error\_percentage + * error\_count * 응답 시간 * 처리량 | @@ -194,46 +167,46 @@ API에는 4가지 유형의 경고 조건이 포함됩니다.- * end_user_apdex - * total_page_load - * page_rendering - * web_application + * end\_user\_apdex + * total\_page\_load + * page\_rendering + * web\_application * 회로망 - * dom_processing - * request_queuing - * ajax_response_time - * page_views_with_js_errors - * page_view_throughput - * ajax_throughput + * dom\_processing + * request\_queuing + * ajax\_response\_time + * page\_views\_with\_js\_errors + * page\_view\_throughput + * ajax\_throughput * 사용자 정의 |
| - browser_metric_baseline + browser\_metric\_baseline | - * page_view_throughput + * page\_view\_throughput * 평균\_응답\_시간 - * ajax_response_time - * ajax_application_time + * ajax\_response\_time + * ajax\_application\_time | |
| - mobile_metric + mobile\_metric | * 데이터 베이스 * 이미지 * json, 네트워크 - * view_loading - * network_error_percentage - * status_error_percentage + * view\_loading + * network\_error\_percentage + * status\_error\_percentage * 사용자 정의 |
| - apm_external_service + apm\_external\_service | * 정점 - * error_percentage + * error\_percentage * 응답 시간 웹 * 응답\_시간\_배경 * 처리량\_웹 @@ -279,24 +249,24 @@ API에는 4가지 유형의 경고 조건이 포함됩니다. | ||||
| - apm_app_metric_baseline + apm\_app\_metric\_baseline | - * external_service_transaction_time - * error_count - * database_transaction_time + * external\_service\_transaction\_time + * error\_count + * database\_transaction\_time * 처리량\_웹 * 응답 시간 웹 - * non_web_transaction_time - * web_transaction_database_time - * non_web_transaction_database_time + * non\_web\_transaction\_time + * web\_transaction\_database\_time + * non\_web\_transaction\_database\_time | ||||
| - mobile_external_service + mobile\_external\_service | @@ -304,8 +274,8 @@ API에는 4가지 유형의 경고 조건이 포함됩니다. * 응답 시간\_최소 * 응답\_시간\_최대 * 처리량 - * network_failure_percentage - * http_status_error_percentage + * network\_failure\_percentage + * http\_status\_error\_percentage |
| - apm_app_metric + apm\_app\_metric |
- |
||||
| - apm_app_metric_baseline + apm\_app\_metric\_baseline | @@ -636,7 +546,7 @@ API에는 4가지 유형의 경고 조건이 포함됩니다. | ||||
| - apm_kt_metric + apm\_kt\_metric | @@ -656,7 +566,7 @@ API에는 4가지 유형의 경고 조건이 포함됩니다. | ||||
| - browser_metric_baseline + browser\_metric\_baseline | @@ -666,7 +576,7 @@ API에는 4가지 유형의 경고 조건이 포함됩니다. | ||||
| - mobile_metric + mobile\_metric |
@@ -681,10 +591,7 @@ API에는 4가지 유형의 경고 조건이 포함됩니다.
* 정황
-
|
+
+ 
+
+
+
OID 결과 예: `" 5 Secs ( 96.3762%) 60 Secs ( 62.8549%) 300 Secs ( 25.2877%)"`
변환 예시: `"regexp:60 Secs.*?(\\d+)"`
최종 결과: `62` + 부분 문자열을 캡처하기 위해 OID 출력에 정규식 일치를 배치합니다. 따옴표로 묶어야 하고 백슬래시를 이스케이프 처리해야 합니다.
OID 결과 예: `" 5 Secs ( 96.3762%) 60 Secs ( 62.8549%) 300 Secs ( 25.2877%)"`
변환 예시: `"regexp:60 Secs.*?(\\d+)"`
최종 결과: `62`
+
+
+
UI에서 `nrdiag-output.json` 출력을 검사할 수 있습니다. 선택한 계정은 업로드를 위해 제공한 진단 CLI 또는 API 키로 검증된 라이센스 키와 연결됩니다.
1. [UI](https://one.newrelic.com) 오른쪽 상단에 있는 물음표를 클릭하세요.
-
-2.
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
- 이제 요약된 숫자에서 시간 경과에 따른 데이터 추세를 선 차트로 분석하여 새로운 수준의 데이터 시각화에 도달했습니다. 보시다시피, `TIMESERIES` 사용하면 시각화, 세분성 및 지정된 창에 대한 데이터 평균화를 완전히 제어할 수 있습니다. 이제 다음 단계인 'Where' 절을 사용할 시간입니다.
+ 이제 요약된 숫자에서 시간 경과에 따른 데이터 추세를 선형 차트로 표현하는 새로운 수준의 데이터 시각화에 도달했습니다. 보시다시피, `TIMESERIES` 사용하면 지정된 창에 대한 데이터 시각화, 세분성 및 평균화를 완벽하게 제어할 수 있습니다. 다음 단계인 `WHERE` 절을 사용할 차례입니다.
+
+
지금까지 수행한 모든 쿼리는 지정된 시간 창에서 사용 가능한 모든 데이터에 대해 작업을 수행했습니다. 그러나 원하지 않는 데이터를 필터링하는 것도 중요합니다. 위의 예는 트랜잭션 유형을 필터링하거나 특정 응답 코드가 발생할 때 유용합니다. 마찬가지로 특정 `appName` , 트랜잭션 `name` 또는 데이터에 태그를 추가한 맞춤 속성으로 필터링할 수 있습니다. 자습서의 마지막 단계인 패싯 쿼리 사용을 수행할 시간입니다.
+
+
+
+
- 그룹화 또는 "패싯화"를 통해 데이터의 차원을 얻을 수 있습니다. 집계 함수를 적용할 때 `FACET` 사용하면 이벤트 데이터를 보고하는 속성(기본 또는 맞춤)별로 그룹화할 수 있습니다( `WHERE` 절과 유사). 결과 데이터 세트를 더 직접적으로 조사할 수 있도록 데이터에 [맞춤 속성을 추가하거나](/docs/data-apis/custom-data/custom-events/collect-custom-attributes/) [새로운 맞춤 이벤트를 보고하는](/docs/data-apis/custom-data/custom-events/apm-report-custom-events-attributes/) 것이 좋습니다.
+ 그룹화 또는 "패싯"을 사용하면 데이터의 차원을 얻을 수 있습니다. 집계 함수를 적용할 때 `FACET` 를 사용하여 이벤트 데이터를 보고하는 모든 속성(기본값 또는 사용자 정의)별로 그룹화할 수 있습니다( `WHERE` 절처럼). 결과 데이터 세트를 보다 직접적으로 조사할 수 있도록 데이터 [에 사용자 정의 속성을 추가](/docs/data-apis/custom-data/custom-events/collect-custom-attributes/) 하거나 [새 사용자 정의 이벤트를 보고](/docs/data-apis/custom-data/custom-events/apm-report-custom-events-attributes/) 하는 것이 좋습니다.
+
+
+
숫자를 반환하므로 쿼리 결과에 대해 계산을 수행할 수도 있습니다. 예를 들어, 총 API 호출을 모든 API 호출로 나누어 그 중 DynamoDB가 몇 퍼센트인지 확인할 수 있습니다.
@@ -111,11 +99,7 @@ translationType: machine
+
-
+
+
`TIMESERIES` 연산자를 추가하여 시간 경과에 따른 데이터를 차트로 표시할 수도 있습니다. 이는 또한 Apdex 만족, 허용 및 좌절 임계값을 표시합니다.
@@ -178,11 +154,7 @@ translationType: machine
+
+
이렇게 하면 한계에 부딪힐 수도 있다고 생각할 수도 있습니다. 쿼리에서 `EXTRAPOLATE` 제거하고 개수가 변경되는지 확인하세요. 그렇지 않은 경우에는 한도에 도달하지 않았을 가능성이 높습니다.
@@ -219,14 +187,14 @@ EXTRAPOLATE
처리량과 같은 동종 데이터는 `EXTRAPOLATE` 함수를 최대한 활용합니다. 고유한 항목의 수(예: `uniqueCount()` 또는 `uniques()`)를 추정하려고 시도할 때 효과가 적습니다. 따라서 `EXTRAPOLATE` 다음의 좀비자 기능 중 하나를 사용하는 NRQL 쿼리에서만 작동합니다.
-* 정점
-* 평균
-* 세다
-* histogram
-* 합집합
-* 백분율
-* 비율
-* stddev
+* `apdex`
+* `average`
+* `count`
+* `histogram`
+* `sum`
+* `percentage`
+* `rate`
+* `stddev`
`EXTRAPOLATE` 이 완료되었으므로 패싯 케이스 사용으로 넘어갑니다.
@@ -236,7 +204,7 @@ EXTRAPOLATE
+
+
+
+
+
+
+
+
+
+
+
+
`concat()` 함수를 사용하면 위치에 대한 도시 및 국가와 같은 값을 함께 결합하고 추가 문자열을 앞에 추가하거나 추가하여 필요에 따라 데이터를 표시할 수 있습니다.
+
`stdvar()` 함수는 `stddev()` 과 유사한 방식으로 작동하지만 숫자 속성에 대한 표준 분산을 반환합니다.
+
이를 통해 현재 NRQL에 존재하는 모든 집계 함수를 배웠습니다! 전문가처럼 데이터를 분석할 수 있습니다. NRQL에 집계 기능이 없다고 생각되면 계정 팀에 알려주십시오. 우리는 항상 필요할 수 있는 다음 킬러 기능을 찾고 있습니다.
@@ -79,7 +71,7 @@ NRQL은 또한 데이터에 대해 깊이 있게 분석해야 하는 사람들
+
+
+ ```sql
+ SELECT pow(duration, 2), sqrt(duration), exp(duration), ln(duration), log2(duration)
+ FROM Transaction
+ SINCE 1 day ago
+ ```
+
+
+
+
+
+
이제 해당 기간 동안 보고된 최대값을 찾으려면 쿼리를 괄호로 묶고 다음과 같이 `SELECT ... FROM` 사용합니다. `SELECT z FROM (SELECT x AS z FROM y)`
@@ -280,7 +244,7 @@ NRQL은 또한 데이터에 대해 깊이 있게 분석해야 하는 사람들
+
+
+
하위 쿼리는 데이터 탐색을 위한 강력한 도구로, 다양한 데이터 소스와 시간 범위에 걸쳐 더욱 정교한 쿼리를 가능하게 합니다.
+
+
Para criar uma política que acione a notificação de incidente pela instância individual do seu app:
1. Siga o [processo básico de fluxo de trabalho](/docs/alerts/new-relic-alerts/configuring-alert-policies/alert-policy-workflow#alert-policy-process) para configurar uma política.
-
-2. Ao criar uma [condição](/docs/alerts/new-relic-alerts/configuring-alert-policies/define-alert-conditions) (etapa 2), selecione
-
- | - apm_app_metric + apm\_app\_metric | * apdex - * error_percentage - * response_time_web - * response_time_background - * throughput_web - * throughput_background - * user_defined + * error\_percentage + * response\_time\_web + * response\_time\_background + * throughput\_web + * throughput\_background + * user\_defined |
| - apm_kt_metric + apm\_kt\_metric | * apdex - * error_percentage - * error_count - * response_time + * error\_percentage + * error\_count + * response\_time * taxas de transferência |
| - browser_metric + browser\_metric | - * end_user_apdex - * total_page_load - * page_rendering - * web_application + * end\_user\_apdex + * total\_page\_load + * page\_rendering + * web\_application * rede - * dom_processing - * request_queuing - * ajax_response_time - * page_views_with_js_errors - * page_view_throughput - * ajax_throughput - * user_defined + * dom\_processing + * request\_queuing + * ajax\_response\_time + * page\_views\_with\_js\_errors + * page\_view\_throughput + * ajax\_throughput + * user\_defined |
| - browser_metric_baseline + browser\_metric\_baseline | - * page_view_throughput - * average_response_time - * ajax_response_time - * ajax_application_time + * page\_view\_throughput + * average\_response\_time + * ajax\_response\_time + * ajax\_application\_time |
| - mobile_metric + mobile\_metric | * banco de dados * imagens * json, rede - * view_loading - * network_error_percentage - * status_error_percentage - * user_defined + * view\_loading + * network\_error\_percentage + * status\_error\_percentage + * user\_defined |
| - apm_external_service + apm\_external\_service | * apdex - * error_percentage - * response_time_web - * response_time_background - * throughput_web - * throughput_background - * user_defined + * error\_percentage + * response\_time\_web + * response\_time\_background + * throughput\_web + * throughput\_background + * user\_defined | ||||
| - apm_app_metric_baseline + apm\_app\_metric\_baseline | - * external_service_transaction_time - * error_count - * database_transaction_time - * throughput_web - * response_time_web - * non_web_transaction_time - * web_transaction_database_time - * non_web_transaction_database_time + * external\_service\_transaction\_time + * error\_count + * database\_transaction\_time + * throughput\_web + * response\_time\_web + * non\_web\_transaction\_time + * web\_transaction\_database\_time + * non\_web\_transaction\_database\_time | ||||
| - mobile_external_service + mobile\_external\_service | - * response_time_average - * response_time_minimum - * response_time_maximum + * response\_time\_average + * response\_time\_minimum + * response\_time\_maximum * taxas de transferência - * network_failure_percentage - * http_status_error_percentage + * network\_failure\_percentage + * http\_status\_error\_percentage |
| - apm_app_metric + apm\_app\_metric |
- |
||||
| - apm_app_metric_baseline + apm\_app\_metric\_baseline | @@ -636,7 +546,7 @@ Nem todos os campos listados neste glossário são obrigatórios para todos os t | ||||
| - apm_kt_metric + apm\_kt\_metric | @@ -646,7 +556,7 @@ Nem todos os campos listados neste glossário são obrigatórios para todos os t | ||||
| - browser_metric + browser\_metric | @@ -656,7 +566,7 @@ Nem todos os campos listados neste glossário são obrigatórios para todos os t | ||||
| - browser_metric_baseline + browser\_metric\_baseline | @@ -666,7 +576,7 @@ Nem todos os campos listados neste glossário são obrigatórios para todos os t | ||||
| - mobile_metric + mobile\_metric |
@@ -681,10 +591,7 @@ Nem todos os campos listados neste glossário são obrigatórios para todos os t
* Condições
-
|
+
O observador trace mantém o rastreamento aberto enquanto os intervalos desse trace chegam. Assim que chega o primeiro intervalo em um trace , uma sessão é mantida aberta por 10 segundos. Cada vez que chega um novo intervalo para esse trace , o tempo de expiração é redefinido para 10 segundos. o rastreamento que não viu um intervalo chegar nos últimos 10 segundos expirará automaticamente.
+
+
+
+
+
+
+
+
+
+
## Antes de você começar [#before-begin]
@@ -27,21 +38,19 @@ Antes de instalar o operador, verifique o seguinte:
* [Kubectl](https://kubernetes.io/docs/tasks/tools/): você deve configurá-lo para se comunicar com seu cluster.
-## instalação do operador agente Kubernetes [#install-k8s-operator]
+## instalação [#install-k8s-operator]
-Dependendo da sua necessidade, você pode optar por instalar o operador agente de forma independente ou em conjunto com nossa integração K8s.
+Depending on what you need, you can choose to install the Kubernetes APM auto-attach independently or together with our Kubernetes integrations.
Recomendamos fortemente instalá-lo junto com a integração Kubernetes para aproveitar toda a nossa experiência [full-stackde observabilidade](/docs/apm/apm-ui-pages/monitoring/kubernetes-summary-page/) .
### Instalação do pacote além da integração do Kubernetes (recomendado) [#bundle-installation]
-O gráfico do operador do agente Kubernetes é integrado como parte do gráfico [nri-bundle](https://github.com/newrelic/helm-charts/tree/master/charts/nri-bundle) , que gerencia a instalação de todos os componentes necessários para permitir uma observabilidade completa do Kubernetes.
+The Kubernetes APM auto-attach chart is part of the [`nri-bundle`](https://github.com/newrelic/helm-charts/tree/master/charts/nri-bundle) chart, which manages the installation of all the components needed to enable a full Kubernetes observability.
-Adicione o parâmetro `k8s-agents-operator.enabled=true` ao comando do helm ou inclua-o em um arquivo [`values.yaml`](https://github.com/newrelic/helm-charts/blob/master/charts/nri-bundle/values.yaml) .
+Adicione o parâmetro `k8s-agents-operator.enabled=true` ao seu comando helm ou inclua-o no arquivo [`values.yaml`](https://github.com/newrelic/helm-charts/blob/master/charts/nri-bundle/values.yaml) . Consulte a página [Instalar a integração do Kubernetes](/install/kubernetes/?dropdown1=helm) para obter mais informações sobre como usar o Helm ou confira o gráfico [`nri-bundle`](https://github.com/newrelic/helm-charts/tree/master/charts/nri-bundle) .
-Consulte a página [Instalar a integração do Kubernetes](/install/kubernetes/?dropdown1=helm) para obter mais informações sobre como usar o Helm ou confira o gráfico [nri-bundle](https://github.com/newrelic/helm-charts/tree/master/charts/nri-bundle) .
-
-Veja este exemplo de comando Helm usando parâmetro:
+Veja este exemplo de comandos do Helm usando parâmetro:
```shell
helm repo add newrelic https://helm-charts.newrelic.com
@@ -60,7 +69,7 @@ helm upgrade --install newrelic-bundle newrelic/nri-bundle \
### Instalação autônoma [#standalone-installation]
-Para instalar o operador do agente Kubernetes com a configuração padrão, execute estes comandos:
+To install the Kubernetes APM auto-attach with the default configuration, run these commands:
```shell
helm repo add k8s-agents-operator https://newrelic.github.io/k8s-agents-operator
@@ -72,233 +81,356 @@ helm upgrade --install k8s-agents-operator k8s-agents-operator/k8s-agents-operat
Para obter uma lista completa de opções de configuração, consulte o gráfico [README](https://github.com/newrelic/k8s-agents-operator/tree/main/charts/k8s-agents-operator#values) .
-## monitor namespace [#monitored-namespaces]
-
-Um segredo Kubernetes será replicado automaticamente do namespace do operador para todos os namespaces que monitor um pod. Dentro do arquivo CRD YAML, especifique qual agente APM você deseja instrumentar. Todas as imagens do agente disponíveis APM docker e as tags correspondentes estão listadas no DockerHub:
+## Configurar instrumentação automática [#configure-auto-instrumentation]
-* [Java](https://hub.docker.com/repository/docker/newrelic/newrelic-java-init/general)
-* [Nó](https://hub.docker.com/repository/docker/newrelic/newrelic-node-init/general)
-* [Python](https://hub.docker.com/repository/docker/newrelic/newrelic-python-init/general)
-* [.NET](https://hub.docker.com/repository/docker/newrelic/newrelic-dotnet-init/general)
-* [Ruby](https://hub.docker.com/repository/docker/newrelic/newrelic-ruby-init/general)
+After APM auto-attach is all set up in your cluster, the next step is just to roll out the configs required to get it operational. That involves having at least one instrumentation Custom Resource (CR) active in the cluster.
-Para .NET:
+Veja o que a instrumentação CR permite que você mapeie:
-```yaml
-apiVersion: newrelic.com/v1alpha2
-kind: Instrumentation
-metadata:
- name: newrelic-instrumentation-dotnet
-spec:
- agent:
- language: dotnet
- image: newrelic/newrelic-dotnet-init:latest
- # env: ...
-```
+* Nome da instrumentação CR
+* Onde aplicará a instrumentação CR (agradecimentos a `podLabelSelector` e `namespaceLabelSelector`)
+* Agente APM (um por CR)
+* Versão do agente APM
+* Parâmetro de configuração APM (env vars)
+* Chave de licença (opcional)
-Para Java:
+O arquivo manifesto precisa ser injetado no mesmo namespace (`newrelic` por padrão) onde você instalou o APM auto-attach.
-```yaml
-apiVersion: newrelic.com/v1alpha2
-kind: Instrumentation
-metadata:
- name: newrelic-instrumentation-java
- namespace: newrelic
-spec:
- agent:
- language: java
- image: newrelic/newrelic-java-init:latest
- # env: ...
+```bash
+kubectl apply -f ./values.yaml -n newrelic
```
-Para Node.js:
+### Como usar seletores [#selectors]
-```yaml
-apiVersion: newrelic.com/v1alpha2
-kind: Instrumentation
-metadata:
- name: newrelic-instrumentation-nodejs
- namespace: newrelic
-spec:
- agent:
- language: nodejs
- image: newrelic/newrelic-node-init:latest
- # env: ...
-```
+Para saber quando a instrumentação CR vai injetar o agente APM, precisamos usar seletores. Há 2 seletores de rótulos disponíveis que você pode usar juntos (eles funcionam como um operador lógico AND (&&)) ou separadamente, dependendo de suas necessidades.
-Para Python:
+* `PodLabelSelector` informa ao APM Auto-attach qual pod precisa ser instrumentado.
-```yaml
-apiVersion: newrelic.com/v1alpha2
-kind: Instrumentation
-metadata:
- name: newrelic-instrumentation-python
- namespace: newrelic
-spec:
- agent:
- language: python
- image: newrelic/newrelic-python-init:latest
- # env: ...
-```
+ Exemplo usando `matchLabel` (pod select contendo uma tag e valor específicos):
-Para Ruby:
+ ```yaml
+ ...
+ podLabelSelector:r43
+ matchLabels:
+ app.kubernetes.io/name: flask-hello-world
+ ...
+ ```
-```yaml
-apiVersion: newrelic.com/v1alpha2
-kind: Instrumentation
-metadata:
- name: newrelic-instrumentation-ruby
- namespace: newrelic
-spec:
- agent:
- language: ruby
- image: newrelic/newrelic-ruby-init:latest
- # env: ...
-```
+* `NameSpaceLabelSelector` define no nível do namespace o pod auto-instrumentado.
-Para configuração específica do ambiente:
+ Exemplo usando `matchExpressions` (selecione namespace contendo uma tag e valor específicos):
-```yaml
-apiVersion: newrelic.com/v1alpha2
-kind: Instrumentation
-metadata:
- name: newrelic-instrumentation-lang
- namespace: newrelic
-spec:
- agent:
- env:
- # Example New Relic agent supported environment variables
- - name: NEW_RELIC_LABELS
- value: "environment:auto-injection"
- # Example setting the pod name based on the metadata
- - name: NEW_RELIC_POD_NAME
- valueFrom:
- fieldRef:
- fieldPath: metadata.name
- # Example overriding the appName configuration
- - name: NEW_RELIC_APP_NAME
- value: "$(NEW_RELIC_LABELS)-$(NEW_RELIC_POD_NAME)"
-```
+ ```yaml
+ ...
+ namespaceLabelSelector:
+ matchExpressions:
+ - key: "kubernetes.io/metadata.name"
+ operator: "In"
+ values: ["backend"]
+ ...
+ ```
-Segmentando tudo em um namespace específico com um rótulo:
+ | + Imagem + | + ++ Linguagem + | + ++ Versões disponíveis + | +
|---|---|---|
| + dotnet + | + ++ `newrelic-dotnet-init:latest` + | + ++ [.NET](https://hub.docker.com/repository/docker/newrelic/newrelic-dotnet-init/general) + | +
| + java + | + ++ `newrelic-java-init:latest` + | + ++ [Java](https://hub.docker.com/repository/docker/newrelic/newrelic-java-init/general) + | +
| + nodejs + | + ++ `newrelic-node-init:latest` + | + ++ [Nó](https://hub.docker.com/repository/docker/newrelic/newrelic-node-init/general) + | +
| + python + | + ++ `newrelic-python-init:latest` + | + ++ [Python](https://hub.docker.com/repository/docker/newrelic/newrelic-python-init/general) + | +
| + ruby + | + ++ `newrelic-ruby-init:latest` + | + ++ [Ruby](https://hub.docker.com/repository/docker/newrelic/newrelic-ruby-init/general) + | +
Exemplo de resultado de OID: `" 5 Secs ( 96.3762%) 60 Secs ( 62.8549%) 300 Secs ( 25.2877%)"`
Conversão de exemplo: `"regexp:60 Secs.*?(\\d+)"`
Resultado final: `62` + Coloca uma correspondência de regex na saída do OID para capturar substrings; precisa ser colocado entre aspas e ter barras invertidas escapadas.
Exemplo de resultado de OID: `" 5 Secs ( 96.3762%) 60 Secs ( 62.8549%) 300 Secs ( 25.2877%)"`
Conversão de exemplo: `"regexp:60 Secs.*?(\\d+)"`
Resultado final: `62`
+
+
+
Você pode examinar a saída `nrdiag-output.json` na interface. A conta selecionada está associada à chave de licença validada pela CLI de diagnóstico ou pela chave de API que você forneceu para upload.
1. Clique no ponto de interrogação no canto superior direito [da interface](https://one.newrelic.com).
-
-2. Selecione a guia
-
-
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
- Agora você alcançou novos níveis de visualização de dados, passando de números resumidos para gráficos de linhas de tendências de dados ao longo do tempo. Como você pode ver, o uso de `TIMESERIES` oferece controle total sobre visualizações, granularidade e média de dados em janelas específicas. Chegou a hora do próximo passo: usar a cláusula ‘Where’.
+ Agora você atingiu novos níveis de visualização de dados, passando de números resumidos para gráficos de linhas de tendências de dados ao longo do tempo. Como você pode ver, usar `TIMESERIES` oferece controle total sobre visualizações, granularidade e média de dados em janelas especificadas. É hora do próximo passo: usar a cláusula `WHERE` .
+
+
Até agora, todas as consultas que você fez realizaram ações em todos os dados disponíveis no intervalo de tempo determinado. Mas filtrar dados indesejados também é importante. Os exemplos acima são úteis para filtrar um tipo de transação ou quando ocorre um código de resposta específico. Da mesma forma, você pode filtrar para um `appName` específico, uma transação `name` ou até mesmo um atributo personalizado que você marcou em seus dados. Chegou a hora da etapa final do tutorial: usar a consulta facetada.
+
+
+
+
- Agrupamento ou "facetamento" permite que você obtenha dimensões com seus dados. Ao aplicar uma função de agregação, você pode usar `FACET` para agrupar por qualquer atributo, padrão ou personalizado, que relate dados de eventos (assim como a cláusula `WHERE` ). Recomendamos [adicionar um atributo personalizado](/docs/data-apis/custom-data/custom-events/collect-custom-attributes/) aos seus dados ou [reportar um novo evento personalizado](/docs/data-apis/custom-data/custom-events/apm-report-custom-events-attributes/) para permitir que você investigue mais diretamente o conjunto de dados resultante.
+ Agrupar ou "facetar" permite que você tenha dimensão com seus dados. Ao aplicar uma função de agregação, você pode usar `FACET` para agrupar por qualquer atributo, padrão ou personalizado, que reporte dados de eventos (assim como a cláusula `WHERE` ). Recomendamos [adicionar um atributo personalizado](/docs/data-apis/custom-data/custom-events/collect-custom-attributes/) aos seus dados ou [relatar um novo evento personalizado](/docs/data-apis/custom-data/custom-events/apm-report-custom-events-attributes/) para permitir que você investigue mais diretamente o conjunto de dados resultante.
+
+
+
Como ele retorna um número, você também pode realizar operações matemáticas nos resultados da consulta. Por exemplo, você pode dividir o total de chamadas de API por todas as chamadas de API para ver qual porcentagem delas era DynamoDB:
@@ -111,11 +99,7 @@ Você não pode usar essas funções e recursos em todos os dashboard, mas certa
+
-
+
+
Você também pode adicionar o operador `TIMESERIES` para representar graficamente os dados ao longo do tempo. Observe que isso também representa o limite satisfeito, tolerado e frustrado do Apdex.
@@ -178,11 +154,7 @@ Você não pode usar essas funções e recursos em todos os dashboard, mas certa
+
+
Você pode pensar que pode atingir o limite ao fazer isso. Tente remover `EXTRAPOLATE` da consulta e veja se sua contagem muda. Caso contrário, provavelmente você não atingiu o limite.
@@ -219,14 +187,14 @@ Quando você inclui `EXTRAPOLATE` em uma consulta, calculamos a proporção entr
Dados homogêneos, como taxas de transferência, aproveitam ao máximo a função `EXTRAPOLATE` . Tem menos efeito ao tentar extrapolar uma contagem de coisas distintas (como `uniqueCount()` ou `uniques()`). Portanto, `EXTRAPOLATE` só funciona com consultas NRQL que utilizam uma das seguintes funções agregadoras:
-* apdex
-* média
-* count
-* histogram
-* sum
-* percentage
-* avaliar
-* stddev
+* `apdex`
+* `average`
+* `count`
+* `histogram`
+* `sum`
+* `percentage`
+* `rate`
+* `stddev`
Com `EXTRAPOLATE` concluído, vamos usar casos de atributos.
@@ -236,7 +204,7 @@ Com `EXTRAPOLATE` concluído, vamos usar casos de atributos.
+
+
+
+
+
+
+
+
+
+
+
+
Você pode usar a função `concat()` para combinar valores, como cidade e país para localização, e acrescentar ou acrescentar strings adicionais para apresentar os dados conforme necessário.
+
A função `stdvar()` funciona de maneira semelhante a `stddev()` , mas retorna a variação padrão para atributo numérico.
+
Com isso, você aprendeu todas as funções de agregação que existem atualmente no NRQL! Você pode dividir seus dados como um profissional. Se você acha que falta uma capacidade de agregação no NRQL, informe sua equipe de conta: estamos sempre procurando a próxima funcionalidade matadora que você possa precisar.
@@ -79,7 +71,7 @@ NRQL também oferece suporte a funções matemáticas mais avançadas para aquel
+
+
+ ```sql
+ SELECT pow(duration, 2), sqrt(duration), exp(duration), ln(duration), log2(duration)
+ FROM Transaction
+ SINCE 1 day ago
+ ```
+
+
+
+
+
+
Agora, para encontrar o valor máximo relatado nesse período, coloque a consulta entre parênteses e use `SELECT ... FROM` assim: `SELECT z FROM (SELECT x AS z FROM y)`
@@ -280,7 +244,7 @@ Vamos explorar cada um desses casos de uso com mais detalhes.
+
+
+
As subconsultas são uma ferramenta poderosa para exploração de dados, permitindo consultas mais sofisticadas em diferentes fontes de dados e intervalos de tempo.
+