Contexto empresarial
El departamento de TI desea analizar los logs de errores de un clúster de servidores. Se registran miles de transacciones por minuto. Se requiere validar el rendimiento de la acción cChart con un gran volumen de datos (100,000 puntos) y activar pruebas estadísticas avanzadas para detectar patrones anómalos automáticamente.
Sobre el conjunto : spc
Control estadístico de procesos (gráficos de control).
Descubrir todas las acciones de spc Preparación de datos
Generación de 100,000 registros de transacciones con inyección de anomalías ocasionales.
¡Copiado!
| 1 | |
| 2 | DATA mycas.LogsServidor; |
| 3 | call streaminit(999); |
| 4 | DO ID_Transaccion = 1 to 100000; |
| 5 | Errores = rand('POISSON', 2); |
| 6 | IF rand('UNIFORM') > 0.995 THEN Errores = Errores + 15; |
| 7 | OUTPUT; |
| 8 | END; |
| 9 | |
| 10 | RUN; |
| 11 |
Étapes de réalisation
1
Ejecución de cChart con alto volumen, límite de grupos ajustado y pruebas de causas especiales (Test 1 y Test 2) activadas.
¡Copiado!
| 1 | |
| 2 | PROC CAS; |
| 3 | spc.cChart / TABLE={name='LogsServidor'} processValue='Errores' subgroupValue='ID_Transaccion' groupByLimit=200000 primaryTests={test1=TRUE, test2=TRUE} outLimitsTable={name='LimitesServidor', replace=true}; |
| 4 | |
| 5 | RUN; |
| 6 |
Resultado esperado
El sistema debe procesar los 100,000 registros rápidamente. La tabla de salida 'LimitesServidor' debe contener los límites calculados. Las pruebas estadísticas (Test 1 y 2) deben identificar los picos de errores inyectados artificialmente en los datos.