Mugnsoft
v1.4.0
dernièreLa v1.4.0 est la première version du service de prédiction publiée sur ce site. Le service gère désormais ses données et son apprentissage : le serveur web désigne un moniteur, le service lit son historique dans sa propre base InfluxDB, entraîne ses propres modèles et répond une prévision, un risque de dépassement et un score d'anomalie — uniquement aux requêtes signées par le serveur web. Lisez d'abord Avant la mise à jour : le service refuse de démarrer sans authentification des appelants.
⬢ Avant la mise à jour
-
L'authentification des appelants est obligatoire.
Le service refuse de démarrer tant qu'il ne peut pas authentifier ses
appelants. Copiez la clé publique depuis
Paramètres > Serveur web > Predictive Analytics dans un
fichier, indiquez-le dans
PREDICTION_JWT_PUBLIC_KEYet réglezPREDICTION_REQUIRE_JWT=true.PREDICTION_API_KEYreste accepté tant quePREDICTION_REQUIRE_JWTest désactivé. -
Le service interroge sa propre base InfluxDB.
Renseignez la connexion dans les paramètres
INFLUXDB_*de son.env. Les requêtes, URL et jetons envoyés par un appelant sont refusés sauf siPREDICTION_ALLOW_CLIENT_BACKEND=true— laissez-le désactivé : ce mode historique permet à quiconque détient la clé d'API de faire se connecter le service n'importe où. - Les modèles existants continuent de fonctionner. Les modèles réseau (LSTM) ne fournissent pas de risque de dépassement ; le serveur web revient pour eux à la prévision de franchissement de seuil. Réentraînez un moniteur avec le moteur médiane pour obtenir le risque de dépassement.
＋ Nouveautés
-
Moteur médiane, le nouveau défaut.
La prévision est la médiane des dernières mesures, et le score
d'anomalie compare la dernière mesure à la médiane qui la précède. Sur
l'historique de 65 moniteurs réels, son erreur valait 0,73× celle de la
répétition de la dernière mesure ; il a battu cette prévision sur 98 %
d'entre eux et détecté 94 % des pics injectés pour 2,8 % de fausses
alertes. Un modèle s'entraîne en quelques secondes, sans TensorFlow. Le
réseau Conv1D-LSTM reste disponible (
PREDICTION_ENGINE=lstm). - Risque de dépassement. Au lieu d'attendre que la prévision franchisse un seuil, chaque modèle apprend la probabilité d'un dépassement dans les prochaines mesures, et n'est retenu que si elle se vérifie sur des données qu'il n'a pas vues à l'entraînement. Hors échantillon, sur 65 moniteurs réels, il s'est activé pour 14, avec 55 % de précision, et a prévenu 30 % de leurs dépassements à l'avance — contre 2 % pour le franchissement de seuil. La plupart des dépassements de temps de réponse restent des chocs soudains.
- Le service entraîne ses propres modèles. Le serveur web met en file l'entraînement des moniteurs sans modèle, relance les échecs au bout d'un jour et réentraîne selon la période définie dans ses paramètres. Les tâches s'exécutent une à une et un nouveau modèle remplace l'ancien de façon atomique ; les fichiers précédents sont conservés et l'état survit aux redémarrages.
- Requêtes signées par le serveur web. Jetons RS256 valables cinq minutes, avec une paire de clés propre à ce lien. Le fichier de clés peut en contenir plusieurs pendant une rotation et est relu lorsqu'il change. Épinglez le certificat du service dans les paramètres du serveur web (Récupérer le certificat) : un certificat auto-signé convient alors.
- Linux, Windows et Docker. Archives pour Linux x86-64 (glibc 2.28 ou plus récent) et Windows 64 bits, et une image Docker exécutée par un utilisateur non root. Un outil d'entraînement en ligne de commande, facultatif, est livré dans sa propre archive. Voir la page de téléchargement et le démarrage rapide.
▲ Améliorations
- Un point d'accès
/health, joignable sans identifiants, pour les superviseurs et les contrôles de santé des conteneurs. - Les réponses d'erreur ne contiennent jamais de détail interne : il est journalisé sur le service et la réponse reste générique.