4.4.2产品功能
日志服务目前已支持50多种数据接入方案，其采集对象包括服务器与应用相关日志、物联网设备日志、阿里云产品日志、移动端数据以及多种开源产品中的数据。采集的日志可以通过HTTP、HTTPS、Syslog、Kafka、Prometheus等标准协议存入日志服务。针对海量的数据，日志服务支持千亿级数据实时采集和查询与分析能力，支持多种机器学习语法与函数，可对数据进行变点检测、预测与异常检测、时序聚类、异常对比以及根因分析等处理。为满足不同业务上的数据需要，日志服务还提供了独特的数据加工能力，可用于海量数据的规整、富化、流转、脱敏和过滤。为应对海量数据存储以及查询带来的压力，日志服务支持设置Scheduled SQL作业，对时间窗口为 , 的数据持续连续进行数据特征抽取以及数据量压缩，在保留有效数据特征的基础上极大的降低数据存储投入的成本。
图： 日志服务Scheduled SQL作业
日志服务除了日志采集以及查询的基本功能外还提供其独特的消费与投递功能。存储在日志服务的数据支持通过多语言多版本SDK、API进行实时消费。同时日志服务可以对接开源以及云上流式计算产品（Storm、Flink、Spark）进行数据实时分析、数据特征抽取以及数据转存等功能。为满足用户对不同数据存储的需要，日志服务支持将数据投递到阿里云OSS、MaxCompute、AnalyticDB MySQL以及 TSDB。而在日志数据的展示方面，日志服务有其独特的可视化解决方案，用户可以快速构建对应的监控服务。为了满足多样的监控系统需要，日志服务支持将数据投递到Grafana、云监控等监控类产品，用户可以基于对应的监控产品构建适合自己的监控预警系统。
日志服务的另一大功能就是告警。日志服务提供了多样的告警渠道，支持通过短信、语音、邮件、钉钉、企业微信、飞书、Slack、通用Webhook等渠道告警，可以满足大多数日常业务预警的渠道需要。同时日志服务的查询与分析功能提供了十多种机器学习算法，开发人员和IT运维人员可结合业务实际需要来使用日志服务的机器学习服务，对海量的日志以及时序数据进行智能监控，包括智能聚类、异常检测、异常
预测等。通过结合机器学习流式统计或图算法等进行业务异常检测，当发现异常数据后可以将结果可以直接应用在告警监控任务中。日志服务多样的告警行动策略也使得告警的灵活性以及告警的准确性上更加贴合业务的需要。日志服务支持配置多样的告警行动策略，可以对告警进行指纹去重、分组合并、合并集合去重、告警抑制、告警静默等，解决了同一问题重复告警等问题。
日志服务的数据存储方面支持冷热分层存储，以及时序数据存储两种存储形式。通过冷热分层存储可以合理降低非热点数据的存储成本。时序数据存储也为对接Grafana等监控提供了可靠的支持。
图： 日志服务SLS下游生态
