監控第一步 - 了解取樣點(Sample)

閱讀時間約 1 分鐘
我發現從統計學、電子、電腦繪圖的角度來看取樣,在說法上有點不同,但我認為大致上的概念是相同的。
資料實在是「太多了」,沒辦法拿這麼多的資料處理,但我們可以降低資料的數量,但和原本的資料大致上差不多,我們就可以做分析,得到我們想要的結果。

取樣是什麼?

在電子的領域中,取樣用在聲音上,將人的聲音轉換成數位訊號(mp3 等等的數位聲音檔案),之後可以透過數位訊號再轉換成類比訊號,接著讓喇叭發出聲音來。在這段主要談的是將類比的人聲透過取樣轉換成數位訊號的過程。
藍線就是類比訊號(連續、不間斷的訊號),電腦沒辦法直接儲存類比訊號(留聲機可以),電腦只能紀錄 0、1 的數值,所以取樣就是「固定時間取一個值」。
註 - 在電子的領域要注意取樣的頻率,若是取樣率過低,聲音還原時會失真(和原本的聲音差很多)。
Sample Rate
Reference:

取樣和監控的關係

做監控的時候也需要做取樣,是對 Application 做取樣。比如每 10 秒鐘對 Application 發出請求,得到一組資料,然後儲存在資料庫上。之後就可以對此資料庫做查詢,得知系統的情況,比如一週的哪幾天流量較高?一天當中的哪個時段流量較高?
當知道這基本概念後,就比較容易理解 Prometheus 的 instance vector 是什麼東西。
即將進入廣告,捲動後可繼續閱讀
為什麼會看到廣告
    專注於 C#, DevOps 的工程師
    留言0
    查看全部
    avatar-img
    發表第一個留言支持創作者!
    監控的解決方案有很多種,我這裡選擇的是 Prometheus。實際上只有 Prometheus 還不夠,真正其實會安裝以下項目: 以上這些安裝項目都可以用 kube-prometheus-stack 這個專案提供的 helm chart 安裝。 用 helm 安裝: Reference:
    Autoscaling 的目的是當有大量請求時,系統可以自動的增加運算資源,處理當下的大量請求;也可以根據當下資源使用率低時,自動降低運算資源,達到省錢的目的。
    監控的解決方案有很多種,我這裡選擇的是 Prometheus。實際上只有 Prometheus 還不夠,真正其實會安裝以下項目: 以上這些安裝項目都可以用 kube-prometheus-stack 這個專案提供的 helm chart 安裝。 用 helm 安裝: Reference:
    Autoscaling 的目的是當有大量請求時,系統可以自動的增加運算資源,處理當下的大量請求;也可以根據當下資源使用率低時,自動降低運算資源,達到省錢的目的。
    你可能也想看
    Google News 追蹤
    今天聊聊 Marc Abeille[1] 所著作的《Linear Thompson Sampling Revisited》[2]。 這篇文章是分析Linear Thompson Sampling的理論經典文章。 文章裡面示範了如何將 Thompson取樣, 看作是一種對參數的擾動,
    2-1 取得統計資料 統計學,指的就是搜集、整理、表現及分析資料的方法。 一般來說,當我們想要知道對於某件事,大眾的普遍想法時,我們可能會透過調查的方式,得到想要的答案。也就是說,我們可能透過問卷或者是電訪的方式,直接收集所要的母體資料。舉個例子來說,在總統選舉時,當侯選人舉辦政見發表會後,為了
    Thumbnail
    我們在「【🎓 Python的深度問答集】torchaudio 對部分段落進行音訊解碼」有分享到如何對一包包的封包進行音訊解碼, 但隨著音檔越大, 最終解碼的速度會越來越慢, 而這並非串流的本意, 串流應該就像水管一樣, 收到多少資料就運算多少量, 並不會隨著累積的容量越大而導致效能下降。 但實際
    Thumbnail
    抽樣方式影響調查的樣本結果是否可以代表母體狀況。方便抽樣可能導致偏誤,應考慮更系統化的抽樣方法,例如簡單隨機抽樣,以確保樣本情況可以回推母體情況。文章透過範例說明,解釋樣本和母體之間關聯。
    Thumbnail
      前面說明了所謂「假設檢定」的邏輯,也就是推論統計的基礎。但前面都還只是概念的階段,目前沒有真正進行任何的操作──還沒有提到推論統計的技術。   這篇其實有點像是一個過渡,是將前面的概念銜接到下一篇t分數之間的過程,也可以說是稍微解釋一下t檢定怎麼發展出來的。
    Thumbnail
    選舉民調是預測選舉結果的重要工具。然而,如果我們不了解樣本和母體的概念,就很容易被民調結果誤導。 在本文中,我們將介紹樣本和母體的概念,以及它們對民調結果的影響。我們還將提供一些在閱讀民調報告時的注意事項。
    Thumbnail
    在聲音後製業界,不論是配樂家或是音效師,很多人都有蒐集聲音的習慣,蒐集聲音就像攝影師一樣,大家都想捕捉到一些特別的當下,而這些靠自己採集到的聲音,也是非常好用的作曲、或聲音設計素材哦。
    今天在完成聽覺減敏這第一階段之後,就開始進行第二階段,共存。 而我練習的、活用的,今天一一都在這篇文章,提出來。 當然,最重要的,是能維持〝共存〞的部分。 因為過中午的警察帶來個案,我見到重要的關鍵 那也是在我進行鍵走途中,進行活用和練習的部分。 結果,沒想到,以要領來說,是專注在〝聲音〞
    Thumbnail
    友人Chinyi給了我五個錄音檔,是她在台灣西海岸小鎮以磁帶錄音機採集來的。Branches(Bernoulli Gate)是我最近喜歡使用的小工具之一,它可以把聲音轉變成隨機的gates,將它們送進Ripples(Liquid Filter)這類Filter之後就可以創造出與音源截然不同卻又彼此關
    Thumbnail
    我們常把研究分成量化與質性兩種不同的方法(當然不止這兩種方法),其中量化分析主要在討論變數與變數的關係,而質性分析則在變數間在的互動過程與事件。因此通常在進行質性研究時,我們需要收集大量田野調查或訪談資料。做過訪談的人都知道,訪談後需要反覆的聆聽訪談錄音並將其轉化為訪談逐字稿,這是一個大工程,還好現
    今天聊聊 Marc Abeille[1] 所著作的《Linear Thompson Sampling Revisited》[2]。 這篇文章是分析Linear Thompson Sampling的理論經典文章。 文章裡面示範了如何將 Thompson取樣, 看作是一種對參數的擾動,
    2-1 取得統計資料 統計學,指的就是搜集、整理、表現及分析資料的方法。 一般來說,當我們想要知道對於某件事,大眾的普遍想法時,我們可能會透過調查的方式,得到想要的答案。也就是說,我們可能透過問卷或者是電訪的方式,直接收集所要的母體資料。舉個例子來說,在總統選舉時,當侯選人舉辦政見發表會後,為了
    Thumbnail
    我們在「【🎓 Python的深度問答集】torchaudio 對部分段落進行音訊解碼」有分享到如何對一包包的封包進行音訊解碼, 但隨著音檔越大, 最終解碼的速度會越來越慢, 而這並非串流的本意, 串流應該就像水管一樣, 收到多少資料就運算多少量, 並不會隨著累積的容量越大而導致效能下降。 但實際
    Thumbnail
    抽樣方式影響調查的樣本結果是否可以代表母體狀況。方便抽樣可能導致偏誤,應考慮更系統化的抽樣方法,例如簡單隨機抽樣,以確保樣本情況可以回推母體情況。文章透過範例說明,解釋樣本和母體之間關聯。
    Thumbnail
      前面說明了所謂「假設檢定」的邏輯,也就是推論統計的基礎。但前面都還只是概念的階段,目前沒有真正進行任何的操作──還沒有提到推論統計的技術。   這篇其實有點像是一個過渡,是將前面的概念銜接到下一篇t分數之間的過程,也可以說是稍微解釋一下t檢定怎麼發展出來的。
    Thumbnail
    選舉民調是預測選舉結果的重要工具。然而,如果我們不了解樣本和母體的概念,就很容易被民調結果誤導。 在本文中,我們將介紹樣本和母體的概念,以及它們對民調結果的影響。我們還將提供一些在閱讀民調報告時的注意事項。
    Thumbnail
    在聲音後製業界,不論是配樂家或是音效師,很多人都有蒐集聲音的習慣,蒐集聲音就像攝影師一樣,大家都想捕捉到一些特別的當下,而這些靠自己採集到的聲音,也是非常好用的作曲、或聲音設計素材哦。
    今天在完成聽覺減敏這第一階段之後,就開始進行第二階段,共存。 而我練習的、活用的,今天一一都在這篇文章,提出來。 當然,最重要的,是能維持〝共存〞的部分。 因為過中午的警察帶來個案,我見到重要的關鍵 那也是在我進行鍵走途中,進行活用和練習的部分。 結果,沒想到,以要領來說,是專注在〝聲音〞
    Thumbnail
    友人Chinyi給了我五個錄音檔,是她在台灣西海岸小鎮以磁帶錄音機採集來的。Branches(Bernoulli Gate)是我最近喜歡使用的小工具之一,它可以把聲音轉變成隨機的gates,將它們送進Ripples(Liquid Filter)這類Filter之後就可以創造出與音源截然不同卻又彼此關
    Thumbnail
    我們常把研究分成量化與質性兩種不同的方法(當然不止這兩種方法),其中量化分析主要在討論變數與變數的關係,而質性分析則在變數間在的互動過程與事件。因此通常在進行質性研究時,我們需要收集大量田野調查或訪談資料。做過訪談的人都知道,訪談後需要反覆的聆聽訪談錄音並將其轉化為訪談逐字稿,這是一個大工程,還好現