亚马逊指标洞察服务是一项完全管理的服务，使用机器学习（ML）来检测几乎任何时间序列业务或运营指标中的异常情况——例如收入表现、购买交易和客户获取及保留率等，无需具备机器学习经验。该服务于2021年3月推出，早于AWS推出的几项具有异常检测功能的流行服务，如亚马逊开放搜索服务, 亚马逊云WATCH, AWS Glue 数据质量, 亚马逊红移ML，和亚马逊快速视图.
经仔细考虑，我们决定从2025年10月10日起终止对Amazon Lookout for Metrics的支持。此外，从今天起，不再接受新客户的注册。现有客户可以继续正常使用该服务，直到2025年10月10日，届时我们将终止对该产品的支持。
在本文中，我们提供了替代AWS服务的概述，这些服务为客户提供异常检测功能，供客户考虑将其工作负载迁移到这些服务。
具备异常检测功能的AWS服务
我们建议客户使用亚马逊开放搜索服务, 亚马逊云WATCH, 亚马逊红移机器学习, 亚马逊QuickSight，或者AWS Glue数据质量这些服务为异常检测用例提供了一种替代亚马逊LOOKOUT for Metrics的方案。这些AWS服务提供了通用可用的、基于机器学习的异常检测功能，可以即开即用，无需具备任何机器学习专业知识。以下是每个服务的简要概述。
使用Amazon OpenSearch进行异常检测
亚马逊OpenSearch服务具备高性能、集成的异常检测引擎，能够实时识别流数据和历史数据中的异常。您可以将异常检测与OpenSearch内置的警报功能结合使用，在出现异常时发送通知。要开始使用OpenSearch进行异常检测，您首先必须将您的数据索引到OpenSearch中从那里你可以在OpenSearch仪表板中启用异常检测了解更多，请参阅文档.
使用Amazon CloudWatch进行异常检测
亚马逊云WATCH支持通过应用统计和机器学习算法在特定的Amazon CloudWatch日志组上创建异常检测器。可以根据指标的预期值来创建异常检测警报。这类警报没有静态阈值来确定警报状态，而是将指标的实际值与基于异常检测模型的预期值进行比较。要开始使用CloudWatch异常检测，您首先必须将数据导入CloudWatch然后启用异常检测在日志组上。
使用Amazon Redshift ML进行异常检测
亚马逊红移ML使其轻松使用熟悉的SQL命令在Amazon Redshift数据仓库中创建、训练和应用机器学习模型。通过Redshift ML，可以使用包含的XGBoost模型类型、本地模型或远程模型对您的分析数据执行异常检测。亚马逊萨吉梅克器（注：通常情况下这个术语会翻译为“亚马逊 SageMaker”，这里保持技术名词的常用译法）使用Redshift ML，您不必成为机器学习专家，并且只需为SageMaker模型的训练成本付费。使用Redshift ML进行异常检测没有额外费用。欲了解更多信息，请参阅文档.
使用Amazon QuickSight进行异常检测
亚马逊QuickSight是一种快速的云端驱动业务智能服务，可向组织中的每个人提供洞察。作为一个完全管理的服务，QuickSight允许客户创建和发布包含机器学习洞察的交互式仪表板。QuickSight支持一个高性能、集成的异常检测引擎，该引擎使用经过验证的亚马逊技术，在数以百万计的指标上持续运行机器学习驱动的异常检测，以发现客户数据中的隐藏趋势和离群值。此工具允许客户获得通常埋藏在汇总数据中且无法通过手动分析扩展深入洞察。借助机器学习驱动的异常检测，客户可以在没有手动分析、自定义开发或机器学习领域专业知识的情况下，在其数据中找到离群值。欲了解更多信息，请参阅文档。
使用Amazon Glue数据质量进行异常检测
数据工程师和分析师可以使用AWS Glue数据质量为了测量和监控他们的数据。AWS Glue 数据质量使用基于规则的方法，这种方法对已知的数据模式效果很好，并提供基于机器学习的建议以帮助您开始。您可以查看这些建议并从超过25个包含的数据质量规则中增强规则。为了捕获未预见的、不太明显的数据模式，您可以启用异常检测。要使用此功能，您可以编写规则或分析器，然后在 AWS Glue ETL 中打开异常检测。AWS Glue 数据质量收集在规则和分析器中指定的列的统计信息，应用机器学习算法来检测异常，并生成解释检测到的问题的可视化观察结果。客户可以使用推荐的规则捕获异常模式并提供反馈以调整机器学习模型，使其更准确地进行检测。要了解更多信息，请参阅博客文章，观看介绍视频，或参见文档.
使用Amazon SageMaker Canvas进行异常检测（一个测试功能）
The 亚马逊SageMaker Canvas团队计划在Amazon SageMaker Canvas中提供异常检测用例的支持。我们已经创建了一个亚马逊云科技 CloudFormation基于模板的解决方案，为客户提供提前访问底层异常检测功能的机会。客户可以使用CloudFormation模板启动一个应用堆栈，该堆栈从亚马逊托管的Apache Kafka（Amazon MSK）流数据源接收时间序列数据，并对流数据执行接近实时的异常检测。要了解有关此测试版提供的更多信息，请参阅使用Amazon托管的Apache Flink服务进行在线学习的流式时间序列数据异常检测.
常见问题问答
- 当前客户的截止点是什么？
我们创建了一个账户ID的允许列表，这些账户在过去30天内使用过Amazon Lookout for Metrics，并且在服务中拥有活跃的Amazon Lookout for Metrics资源，包括检测器。如果您是现有客户并在使用服务时遇到困难，请通过以下方式联系我们：AWS客户支持寻求帮助。
- 如何访问权限会在日落前改变吗？
现有客户可以继续进行他们之前能够执行的所有操作。唯一的变化是，非现有客户无法在Amazon Lookout for Metrics中创建任何新的资源。
- 日落日期之后我的Amazon Lookout for Metrics资源会发生什么？
2025年10月10日之后，所有关于AWS Lookout for Metrics模型和资源的引用将从Amazon Lookout for Metrics中删除。您将无法通过AWS管理控制台发现或访问Amazon Lookout for Metrics，并且调用Amazon Lookout for Metrics API的应用程序将不再能正常工作。
- 我在2025年10月10日之后账户中剩余的Amazon Lookout for Metrics资源会收费吗？
亚马逊云科技Metrics内部创建的资源将在2025年10月10日之后被删除。客户需要负责删除他们自己创建的数据源，例如亚马逊简单存储服务（Amazon S3）桶、亚马逊Redshift集群等。
- 如何删除我的Amazon Lookout for Metrics资源？
- 打开指标控制台检测器
- 从列表中选择探测器。
- 选择删除.
- 对于每个检测器重复这些步骤。
- 在删除资源之前，我该如何导出异常数据？
每个检测器的每个指标的异常数据可以使用Amazon Lookout for Metrics API下载。导出异常值解释了如何连接到检测器，查询异常，并将它们下载为稍后可以使用的格式。
结论
在这篇博客文章中，我们概述了使用诸如Amazon OpenSearch、Amazon CloudWatch以及基于CloudFormation模板的解决方案来创建异常检测器的方法。
资源链接：
- 使用Amazon OpenSearch进行异常检测创建一个异常检测器配置模型，设置检测任务，并使用Amazon OpenSearch观察结果。
- 使用Amazon CloudWatch进行异常检测探索亚马逊云WATCH异常检测并使用AWS管理控制台进行设置，_the_亚马逊网络服务命令行接口（AWS CLI）或者AWS云FORMATION.
- 基于异常检测创建CloudWatch报警基于异常检测创建CloudWatch警报并修改或删除异常检测模型。
- AWS Glue 数据质量中的异常检测使用强大的基于机器学习的异常检测算法发现数据中的意外问题。利用AWS Glue Data Quality来理解异常并提供反馈以调整机器学习模型，实现准确检测。
关于作者
尼尔马尔·库马尔是亚马逊SageMaker服务的高级产品经理。他致力于扩大对人工智能/机器学习的访问，引导无代码和低代码机器学习解决方案的发展。业余时间喜欢旅行和阅读非小说类书籍。