Kibana - 聚合和度量

• 

  简述

  在学习 Kibana 过程中经常遇到的两个术语是 Bucket 和 Metrics Aggregation。本章讨论它们在 Kibana 中扮演的角色以及有关它们的更多详细信息。
• 

  什么是 Kibana 聚合？

  聚合是指从特定搜索查询或过滤器获得的文档集合或一组文档。聚合构成了在 Kibana 中构建所需可视化的主要概念。

  每当您执行任何可视化时，您都需要确定标准，这意味着您希望以哪种方式对数据进行分组以对其执行度量。

  在本节中，我们将讨论两种类型的聚合 -

  • 桶聚合
  • 指标聚合
• 

  桶聚合

  一个bucket主要由key和document组成。执行聚合时，将文档放置在相应的存储桶中。所以最后你应该有一个桶列表，每个桶都有一个文档列表。在 Kibana 中创建可视化时您将看到的 Bucket Aggregation 列表如下所示 -

  

  桶聚合有以下列表 -

  • 日期直方图
  • 日期范围
  • 过滤器
  • 直方图
  • IPv4 范围
  • 范围
  • 重要条款
  • 条款

  创建时，您需要为 Bucket Aggregation 确定其中之一，即将存储桶内的文档分组。

  例如，为了进行分析，请考虑我们在本教程开始时上传的国家数据。国家索引中可用的字段是国家名称、地区、人口、地区。在国家数据中，我们有国家名称及其人口、地区和面积。

  让我们假设我们想要区域明智的数据。然后，每个地区可用的国家/地区成为我们的搜索查询，因此在这种情况下，该地区将形成我们的存储桶。下面的框图显示 R1、R2、R3、R4、R5 和 R6 是我们得到的存储桶，而 c1、c2 ..c25 是属于存储桶 R1 到 R6 的文档列表。

  

  我们可以看到每个桶中都有一些圆圈。它们是基于搜索条件的文档集，被认为属于每个存储桶。在存储桶 R1 中，我们有文档 c1、c8 和 c15。这些文件是属于该地区的国家，其他国家也是如此。因此，如果我们计算存储桶 R1 中的国家/地区，则为 3，R2 为 6，R3 为 6，R4 为 2，R5 为 5，R6 为 4。

  因此，通过桶聚合，我们可以将文档聚合到桶中，并在这些桶中拥有文档列表，如上所示。

  到目前为止，我们拥有的桶聚合列表是 -

  • 日期直方图
  • 日期范围
  • 过滤器
  • 直方图
  • IPv4 范围
  • 范围
  • 重要条款
  • 条款

  现在让我们一一详细讨论如何形成这些桶。
• 

  日期直方图

  日期直方图聚合用于日期字段。因此，您用于可视化的索引，如果您在该索引中有日期字段，则只能使用此聚合类型。这是一个多桶聚合，这意味着您可以将一些文档作为多个桶的一部分。此聚合有一个间隔，详细信息如下所示 -

  

  当您选择桶聚合作为日期直方图时，它将显示字段选项，该选项将仅提供与日期相关的字段。选择字段后，您需要选择具有以下详细信息的间隔 -

  

  因此，来自所选索引并基于所选字段和间隔的文档将对存储桶中的文档进行分类。例如，如果您将间隔选择为每月，则基于日期的文档将被转换为存储桶，并且基于月份，即 Jan-Dec 文档将被放入存储桶中。这里 Jan,Feb,..Dec 将是桶。
• 

  日期范围

  您需要一个日期字段才能使用此聚合类型。在这里，我们将有一个日期范围，即要给出从日期和到日期。存储桶将根据所提供的表格和日期获得其文件。

  
• 

  过滤器

  使用过滤器类型聚合，桶将基于过滤器形成。在这里，您将获得一个基于过滤条件形成的多桶，一个文档可以存在于一个或多个桶中。

  使用过滤器，用户可以在过滤器选项中编写他们的查询，如下所示 -

  

  您可以使用添加过滤器按钮添加您选择的多个过滤器。
• 

  直方图

  这种类型的聚合应用于数字字段，它将根据应用的间隔将文档分组到存储桶中。例如，0-50,50-100,100-150 等。

  
• 

  IPv4 范围

  这种类型的聚合主要用于 IP 地址。

  

  我们拥有的索引 contriesdata-28.12.2018 没有 IP 类型的字段，因此它显示如上所示的消息。如果您碰巧有 IP 字段，则可以在其中指定 From 和 To 值，如上所示。
• 

  范围

  这种类型的聚合需要字段为数字类型。您需要指定范围，文档将列在该范围内的存储桶中。

  如果需要，您可以通过单击“添加范围”按钮添加更多范围。
• 

  重要条款

  这种类型的聚合主要用于字符串字段。

  
• 

  条款

  这种类型的聚合用于所有可用字段，即数字、字符串、日期、布尔值、IP 地址、时间戳等。请注意，这是我们将在我们将要处理的所有可视化中使用的聚合教程。

  

  我们有一个选项顺序，我们将根据我们选择的指标对数据进行分组。大小是指要在可视化中显示的存储桶数。

  接下来，让我们谈谈度量聚合。
• 

  指标聚合

  度量聚合主要是指对存储桶中存在的文档进行的数学计算。例如，如果您选择一个数字字段，您可以对其进行的度量计算是 COUNT、SUM、MIN、MAX、AVERAGE 等。

  这里给出了我们将讨论的度量聚合列表 -

  

  在本节中，让我们讨论我们将经常使用的重要内容 -

  • Average
  • Count
  • Max
  • Min
  • Sum

  该指标将应用于我们上面已经讨论过的单个存储桶聚合。

  接下来，让我们在这里讨论指标聚合列表 -

  Average

  这将给出桶中存在的文档值的平均值。例如 -

  

  R1 到 R6 是存储桶。在 R1 中，我们有 c1、c8 和 c15。考虑 c1 的值为 300，c8 为 500，c15 为 700。现在得到 R1 桶的平均值

  R1 = c1 的值 + c8 的值 + c15 的值 / 3 = 300 + 500 + 700 / 3 = 500。

  存储桶 R1 的平均值为 500。在这里，如果您考虑国家数据，则文档的价值可能类似于该地区的国家面积。

  Count

  这将给出存储桶中存在的文档数。假设您想要该区域中存在的国家/地区的计数，它将是存储桶中存在的文档总数。例如，R1 为 3，R2 = 6，R3 = 5，R4 = 2，R5 = 5 和 R6 = 4。

  Max

  这将给出存储桶中存在的文档的最大值。考虑上面的例子，如果我们在区域桶中有区域明智的国家数据。每个地区的最大值将是面积最大的国家。因此，每个地区将有一个国家，即 R1 到 R6。

  in

  这将给出存储桶中存在的文档的最小值。考虑上面的例子，如果我们在区域桶中有区域明智的国家数据。每个地区的最小值将是面积最小的国家。因此，每个地区将有一个国家，即 R1 到 R6。

  Sum

  这将给出存储桶中存在的文档值的总和。例如，如果您考虑上面的示例，如果我们想要该地区的总面积或国家，它将是该地区存在的文档的总和。

  例如，要知道区域 R1 中的国家总数，它将是 3、R2 = 6、R3 = 5、R4 = 2、R5 = 5 和 R6 = 4。

  如果我们的文件的区域在 R1 到 R6 之外，则将对该区域的国家/地区进行汇总。