Logz.io提供了一種使用機器學習進行智能日志分析的托管服務。該服務能夠從人類與日志數據的交互中獲得新的觀點，這些日志數據包括技術論壇上的討論內容和公共代碼庫。
DevOps團隊使用ELK這類日志分析工具中心化了日志的聚合和索引過程，但是現代應用正快速地生成大量的日志和度量指標，日志的龐大規模使得日志分析工作難以順利進行。另一方面，所采集度量指標的數量也在快速地增長，這導致傳統監測工具只能用來做數據展示。數據在規模上的增長也導致了基于閾值的報警不再適用，這也引發了異常檢測系統的異軍突起，這些系統包括Anomaly.io、Datadog和SumoLogic，以及Etsy的Skyline這樣的開源系統。
相比異常檢測系統而言，Logz.io所提供的服務更進了一步，它給出了對異常情況的深層見解，這些見解是通過在人們的網絡交互數據上進行機器學習得出的。這些數據中包括在StackOverflow和Github這樣的網站上對類似異常情況的討論。如果單純地使用Google搜索異常情況，這常會出現大量的搜索結果，Logz.io是如何做到對相關結果的過濾的呢？InfoQ聯系了Logz.io公司的CEO和聯合創始人Tomer Levy，他對此做了詳述：
Logz.io使用了機器學習技術去理解線索的情境、線索所指的產品、是否有解決方案以及提問者對給出的方案是否滿意。我們還拿自有的用戶數據跟這些線索進行交叉引用。
此外，Levy還指出：“在給出了對用戶關注的見解后，我們進而基于他/她對該見解的反饋情況對它們之間的相關性進行評估。”這就實現了一種反饋閉環，使得該服務系統可以與時俱進。
很多現代的軟件產品都是使用開源程序庫構建的，因此大部分情況下在因特網上搜索這些產品的某個錯誤或異常都會給出搜索結果。但也應考慮到在極少數情況下，還有一些產品是完全從頭構建的，沒有使用任何公開可用的代碼。對此，Logz.io計劃在未來發布一種“非公開見解”，允許組織定義自己的異常和異常的相關細節。
Logz.io采用了Elasticsearch-Logstash-Kibana（ELK）技術棧作為后臺，提供的服務托管在Logz.io私有云上，這意味著日志數據必須要從各個應用端傳輸到該私有云中。對那些部署了自有ELK的組織來說，Logz.io提供了本地日志傳輸器，幫助這些組織將數據安全傳輸到Logz.io云上。
作為對如何解決企業所關注的數據安全問題的回應，Levy說道：
在數據安全方面，我們投入大量精力在數據加密和全面的安全流程上。Logz.io聘請了安永會計師事務所對安全基礎設施和流程進行審計，并在近期通過了歐盟對SOC 2 II型報告和ISO-27001標準的合規審計。此外，公司的數據是在美國托管的。為確保遵守歐盟的法規，基于歐盟的企業可以選擇將數據放在法蘭克福保存。
查看英文原文：Logz.io Offers Machine Learning Based Log Analysis
京公網安備 11010502049343號