java开发：5个新的java异常检测工具，你知道几个呢？

点击上方“程序员大咖”，选择“置顶公众号”关键时刻，第一时间送达！





你应该知道的顶级Java异常检测工具

Java应用开发过程中，应用程序故障可能由于一系列原因而发生，并且有一些工具可以解决每个可能的错误来源，例如日志管理工具，错误跟踪器，性能监控解决方案等。 最常见的解决Java应用程序错误的方法以及应用程序监视工具如何帮助检测错误的呢？

我们能发现问题出现在哪里才是重要的，这就是异常检测工具最适合的地方。在下面的文章中，我们将介绍一些专注于检测和预测异常发生的工具。 我们来一起看看吧：异常检测工具1.X-Pack2.Loom Systems3.OverOps4.Coralogix5.Anodot
X-Pack

X-Pack是ELK Stack的扩展，提供异常检测。它使用的算法可以帮助用户了解其日志的行为，检测它们何时不像往常一样。该包依赖于日志作为其数据源，让用户了解特定指标如何影响产品以及用户体验的方式。

主要特征：

检测Elasticsearch日志数据和指标中的异常
通过监控网络活动和用户行为来识别安全问题
识别通常导致异常的日志事件

运行方式：

X-Pack使用Elasticsearch日志数据并模拟其行为的基线。通过分析应用程序，服务器和服务的日志，X-Pack可以检测使用的趋势和周期，并分析数据以尝试预测何时可能发生问题。

在安装X-Pack时，默认情况下启用异常检测功能，并实现现有的ELK集群特权和内置角色，以便更轻松地控制哪些用户有权查看和管理作业，数据Feed和结果。

X-Pack异常检测是自动启用的，直接从Elasticsearch聚合数据，并为使用ELK的人员提供了一个异常检测解决方案，作为Elastic套件工具的一部分。

Loom Systems

Loom Systems为日志和指标中的异常检测提供了一个分析平台。 它可以检测日志中的异常情况，并在运行分析中提供异常检测。

主要特征：

自动日志解析和分析从不同的应用程序
推荐决议 - 根据公司的解决方案数据库
业务运行异常检测

运行方式：

在技术方面，织机收集日志数据，解析日志行分解字段，并根据每个字段的数据类型应用异常检测算法。 除了日志事件之外，算法可以处理其他文本来源或事件流，并为它们创建异常基准。

Loom Systems设置的基准线和阈值是动态的，这意味着它们会根据用户的行为和应用程序的更新而改变和调整。 每个异常情况都伴随着所发生的事情的解释以及建议的决议。

除了检测出异常情况外，Loom Systems提供了在整个公司分享解决方案的知识库，帮助其他开发人员和团队了解为什么发生异常以及如何处理。

OverOps

OverOps会告诉你代码在何时，何地以及为什么代码在生产中断。它是唯一的工具，为每个错误提供整个调用堆栈的完整源代码和可变状态，并允许您主动检测何时将新错误引入到应用程序中。

主要特征：

全面了解代码和变量状态，自动复制任何错误
通过代码发布主动检测所有新的和关键的错误
不依赖于日志文件的本机Java代理
使用任何StatsD投诉工具进行自定义异常检测可视化
没有代码和配置更改，通过SaaS，Hybrid和On-Premises在5分钟内安装

运行方式：

OverOps是在JVM和处理器之间运行的本地监视代理，从应用程序本身提取信息。它不需要任何代码更改，它不依赖于所记录的信息，而是依赖于直接从应用程序获取的信息。 

OverOps帮助Fox，Comcast和TripAdvisor等公司将手动反应过程转化为日志筛选，并将其转变为主动的自动化流程。

OverOps使用REST API为其用户提供高级可视化和异常检测功能，并在应用程序错误发生在微服务器和部署中时将应用程序的变量状态与内部JVM指标（如CPU利用率，GC等）相关联。 OverOps与任何符合StatsD标准的工具集成，提供异常的定制可视化，以及您感兴趣的任何其他视图。

OverOps还通过捆绑Kapacitor和Yahoo EGADS提供Java，Python和Go中的机器学习算法。它还与任何异常检测工具集成，通过添加链接到日志中的每个错误。单击该链接将显示问题的真正根本原因的详细视图。完整的源代码和变量状态在错误的时刻，跨整个调用堆栈。

Coralogix

Coralogix集群并识别日志数据中的相似性。 该工具专注于常见的流程，检测与其相关联的日志消息，以及当操作未导致预期结果时发出警报。

主要特征：

Loggregation - 捆绑并汇总具有相同模式的日志
流量异常 - 识别相关行动，并检测其中的异常情况
基于版本的异常 - 指定仅在部署了新版本的用户产品之后发生的异常

运行方式：

Coralogix的操作假设大多数日志是相似的，当唯一的区别它们是它们之间的变量时。 这就是为什么Coralogix将数据自动聚类以识别模式，并连接数据之间的点。 如果一个动作需要某个响应，并且没有得到它，那就是检测到异常。

Coralogix有能力将日志聚合到原始模板中，并分析数据以了解异常情况。

Anodot

Anodot为用户提供了具有相关分析功能的异常检测系统。他们的重点是检测任何类型的数据库中的异常情况，以及确定业务相关数据中的异常情况。

主要特征：

类似日志的行为相关性和分组
业务数据异常检测，在营销活动中提供异常检测，点击和成果指标
警报处理 - 通过将类似异常分组为一个警报来减少问题

异常检测有助于从生产应用程序中获得更好的见解。每个工具都有自己的方法来识别异常。我们应该记住的最重要的是它不仅仅是仪表板;这是关于数据，统计并以图表的方式展示。这就是为什么我们会探索每一个有用的工具，并根据最终解决的问题为并提供最有价值的一个工具。

今天介绍的这些希望可以帮助到你。



来自：网络

程序员大咖整理发布，转载请联系作者获得授权



[b]

【点击成为Python大神】[/b]