system: { cpu: 80 } 轉換為 system.cpu = 80。這解決了日誌 Schema 不固定的問題，確保模型能接收到固定名稱的特徵欄位（Features）。日誌(log)的特徵工程把原始紀錄變成可分析資料,iPAS 中級科目二考點。重點:收集、結構化、彙整與萃取——從非結構化 log 抽出時間、事件、頻率、序列等特徵供分析或建模。易混點:原始 log 是半結構或非結構化,需先解析成結構化才好用;日誌也是監控、稽核與偵測異常(資安、漂移)的基礎。情境:系統監控、異常偵測、使用者行為分析。
想練情境題與詳解 → AI 學習與考證地圖
收集、傳輸、處理與儲存系統與應用日誌的流程；讓分散各處的事件能集中查詢、監控與分析。
記錄預測請求、輸入輸出、延遲與錯誤，是除錯、稽核、偵測資料漂移與模型退化，以及合規追溯的基礎。
應用產生日誌、由收集器(如 Fluentd、Logstash)傳輸、集中儲存與索引(如 Elasticsearch)、再以儀表板(如 Kibana、Grafana)視覺化與告警。
用 JSON 等結構化格式記錄，欄位可查詢、可彙總、可告警，比純文字好分析得多。
別記敏感個資(或先去識別化)、控管量與保存期、設好等級(INFO、WARN、ERROR)、確保時間戳一致與可追蹤的關聯 ID。