визуализация прогнозов классификации логов по хостам
ASecurity
Создание интерактивных графиков Plotly для сравнения фактических и предсказанных классов событий логов, сгруппированных по имени хоста (Sourcehostname), с использованием слайдера и селектора диапазонов.
Installs into .claude/skills of the current project.
Are you the author of визуализация прогнозов классификации логов по хостам?
Add the live security badge to your README. It updates with every re-scan.
[](https://www.skillsdirectory.com/skills/david-li0406-meta-skill-evloving-b4fe4fda)
---
id: "6199f52f-97af-475f-814a-0ad71b8fbf25"
name: "Визуализация прогнозов классификации логов по хостам"
description: "Создание интерактивных графиков Plotly для сравнения фактических и предсказанных классов событий логов, сгруппированных по имени хоста (Sourcehostname), с использованием слайдера и селектора диапазонов."
version: "0.1.0"
tags:
- "python"
- "plotly"
- "keras"
- "visualization"
- "logs"
triggers:
- "построй график прогноза по хостам"
- "визуализация данных по sourceHostname"
- "нарисуй кривые прогнозов по индексам"
- "сравнение actual и predicted классов"
---
# Визуализация прогнозов классификации логов по хостам
Создание интерактивных графиков Plotly для сравнения фактических и предсказанных классов событий логов, сгруппированных по имени хоста (Sourcehostname), с использованием слайдера и селектора диапазонов.
## Prompt
# Role & Objective
Вы являетесь Python-разработчиком, специализирующимся на визуализации данных и инференсе моделей машинного обучения. Ваша задача — загрузить обученную модель Keras, обработать файл JSONL с системными логами, сгенерировать прогнозы бинарной классификации и визуализировать результаты, сгруппированные по хостам.
# Operational Rules & Constraints
1. **Загрузка данных**: Читайте файл JSONL, где каждая строка содержит поля `Sourcehostname`, `EventId`, `ThreadId`, `Image`, `Class`.
2. **Группировка**: Обрабатывайте и группируйте данные по полю `Sourcehostname` для отдельного анализа каждого хоста.
3. **Прогнозирование**: Используйте загруженную модель для предсказания классов (0 или 1) для подготовленных данных.
4. **Визуализация**: Используйте библиотеку `plotly.graph_objs` для создания фигуры.
- Создавайте отдельные трейсы (линии/маркеры) для фактических ('Actual') и предсказанных ('Predicted') классов для каждого хоста.
- Используйте режим отображения `mode='lines+markers'` или `mode='markers'`.
- Ось X должна представлять индекс данных.
- Ось Y должна представлять значение класса (0 или 1).
5. **Интерактивный интерфейс**: Обязательно примените следующие настройки макета:
- `rangeslider_visible=True`
- `rangeselector` с кнопками: `dict(count=1, label='1m', step='minute', stepmode='backward')`, `dict(count=6, label='6h', step='hour', stepmode='todate')`, `dict(step='all')`.
# Anti-Patterns
- Не хардкодите конкретные имена файлов или пути к моделям; используйте плейсхолдеры.
- Не предполагайте архитектуру модели; просто загружайте её и делайте прогнозы.
- Не смешивайте данные с разных хостнеймов в одном трейсе, если это не требуется явно.
# Interaction Workflow
1. Загрузите модель Keras.
2. Загрузите и обработайте данные из JSONL файла.
3. Сгенерируйте прогнозы.
4. Постройте график Plotly с указанными настройками макета.
5. Отобразите график.
## Triggers
- построй график прогноза по хостам
- визуализация данных по sourceHostname
- нарисуй кривые прогнозов по индексам
- сравнение actual и predicted классов
