Características del Elastic Stack

Recopila tus datos de marco de trabajo de auditoría de Linux y monitorea la integridad de tus archivos. Auditbeat envía estos eventos en tiempo real al resto del Elastic Stack para un análisis más detallado.

Filebeat y Metricbeat ofrecen una variedad de formas para monitorear tus servidores web y servidores de proxy, incluidos los módulos y dashboards preconfigurados para NGINX, Apache, HAProxy, IIS y más.

Filebeat y Metricbeat incluyen módulos internos que simplifican la recopilación, el parseo y la visualización de formatos de logs comunes y métricas del sistema desde almacenes de datos, bases de datos y sistemas de colas como MySQL, MongoDB, PostgreSQL, Microsoft SQL y más.

Rastrea el rendimiento y la disponibilidad en un amplio rango de servicios en el cloud de Amazon Web Services, Google Cloud y Microsoft Azure desde un único panel para impulsar un análisis eficiente a escala. Además, Functionbeat brinda simpleza en la observación de tu arquitectura en el cloud sin servidor, incluidos los logs de Kinesis, SQS y CloudWatch.

Monitorea tus logs de aplicaciones, no pierdas de vista los eventos y las métricas de Kubernetes, y analiza el rendimiento de los contenedores Docker. Visualiza y busca en todos ellos en una app creada para operaciones de infraestructura.

La información de red como HTTP, DNS y SIP te permite mantenerte al tanto de la latencia y los errores de la aplicación, los tiempos de respuesta, el rendimiento del SLA, los patrones y las tendencias de acceso de usuario, y más. Aprovecha estos datos para comprender cómo fluye el tráfico en tu red.

La clave para detectar una amenaza puede provenir de cualquier parte. Contar con un panorama en tiempo real de lo que sucede en todo tu entorno es importante. Agent y Beats ingestan múltiples fuentes comerciales y OSS de datos de seguridad, lo que permite el monitoreo y la detección a escala.

Ya sea que estés probando un servicio del mismo host o en una web abierta, Heartbeat facilita generar datos de tiempo de actividad y tiempo de respuesta.

Con File Data Visualizer, puedes cargar un archivo CSV, NDJSON o log a un índice de Elasticsearch. File Data Visualizer usa la API de estructura de archivos para identificar el formato de archivos y los mapeos de campos, tras lo cual puedes elegir importar los datos a un índice.

Usa un nodo de ingesta para preprocesar los documentos antes de que ocurra la indexación real de los documentos. El nodo de ingesta intercepta las solicitudes de índice y bulk, aplica transformaciones y luego pasa los documentos de regreso al índice o las API de bulk. El nodo de ingesta ofrece más de 25 procesadores diferentes, entre ellos: append, convert, date, dissect, drop, fail, grok, join, remove, set, split, sort, trim y más.

El análisis es el proceso de convertir texto, como el cuerpo de cualquier correo electrónico, en tokens o términos que se agregan al índice invertido para búsqueda. El análisis lo realiza un analizador que puede ser un analizador integrado o uno personalizado definido por índice con una combinación de tokenizadores y filtros.

Un tokenizador recibe un flujo de caracteres, lo divide en tokens individuales (generalmente, palabras individuales) y genera un flujo de tokens como salida. El tokenizador también es responsable de registrar el orden o la posición de cada término (que se usa para búsquedas por proximidad de palabras y frases) y las compensaciones de caracteres de inicio y fin de la palabra original que representa el término (que se usa para resaltar fragmentos de búsqueda). Elasticsearch tiene varios tokenizadores integrados que pueden usarse para crear analizadores personalizados.

Los filtros de token aceptan un flujo de tokens de un tokenizador y pueden modificar tokens (por ejemplo, minúscula), eliminar tokens (por ejemplo, eliminar palabras vacías) o agregar tokens (por ejemplo, sinónimos). Elasticsearch tiene varios filtros de token integrados que pueden usarse para crear analizadores personalizados.

Busca en tu idioma. Elasticsearch ofrece más de 30 analizadores de lenguaje diferentes, que incluyen varios idiomas con caracteres no latinos, como ruso, árabe y chino.

Un patrón grok es como una expresión regular que soporta expresiones con alias que pueden reutilizarse. Usa grok para extraer campos estructurados de un único campo de texto dentro de un documento. Esta herramienta es perfecta para logs de syslog, registros de servidor web como Apache, logs de MySQL y cualquier formato de log que se escribe generalmente para su uso por parte de personas y no de computadoras.

Si usas fuentes de datos, puedes agregar scripts para transformar los datos antes de analizarlos. Las fuentes de datos contienen una propiedad script_fields opcional, en la que puedes especificar scripts que evalúan expresiones personalizadas y devuelven campos de scripts. Con esta funcionalidad, puedes realizar una variedad de transformaciones.

Enriquece los datos de log durante la ingesta con plugins de búsqueda externos de Logstash. Suplementa con facilidad las líneas de log y bríndales más contexto con información como la ubicación IP de cliente, los resultados de búsqueda de DNS o incluso datos de líneas de logs adyacentes. Logstash tiene una variedad de plugins de búsqueda entre los que puedes elegir.

El procesador de ingesta con coincidencia permite a los usuarios buscar datos en el momento de la ingesta e indica el índice desde el cual se pueden extraer datos enriquecidos. Esto ayuda a los usuarios de Beats que necesitan agregar algunos elementos a sus datos; en lugar de cambiar de Beats a Logstash, los usuarios pueden consultar el pipeline de ingesta directamente. Los usuarios también podrán normalizar los datos con el procesador para mejores analíticas y búsquedas más comunes.

El procesador de enriquecimiento con coincidencia geográfica es una forma útil y práctica de permitir a los usuarios mejorar sus capacidades de búsqueda y agregación gracias al aprovechamiento de sus datos geográficos sin necesidad de definir búsquedas o agregaciones en términos de coordenadas geográficas. De forma similar al procesador de enriquecimiento con coincidencia, los usuarios pueden buscar datos en el momento de la ingesta y encontrar el índice óptimo desde el cual se pueden extraer datos enriquecidos.

Elasticsearch usa API RESTful estándar y JSON. También creamos y mantenemos clientes en muchos lenguajes como Java, Python, .NET, SQL y PHP. Además, nuestra comunidad ha contribuido con muchos más. Es fácil trabajar con ellos, su uso se siente natural y, al igual que Elasticsearch, no limitan lo que posiblemente desees hacer con ellos.

Elasticsearch ofrece una variedad de tipos de nodos, uno de los cuales es específico para la ingesta de datos. Los nodos de ingesta pueden ejecutar pipelines de preprocesamiento, compuestos por uno o más procesadores de ingesta. Según el tipo de operaciones realizadas por los procesadores de ingesta y los recursos requeridos, puede ser una buena idea tener nodos de ingesta dedicados que solo realicen esta tarea específica.

Elastic Agent es una agente único y unificado que puedes desplegar en hosts y contenedores para recopilar datos y enviarlos al Elastic Stack. Puedes usarlo para agregar monitoreo para logs, métricas y otros tipos de datos a cada host. Tu host controlado con Elastic Agent puede usar la integración de Endpoint Security para brindar protección mediante el monitoreo de tu host para eventos relacionados con la seguridad, lo que permite la investigación de datos de seguridad a través de la app Elastic Security en Kibana.

Los Beats son agentes de datos open source que instalas como agentes en tus servidores para enviar datos operativos a Elasticsearch o Logstash. Elastic proporciona Beats para capturar una variedad de logs comunes, métricas y otros tipos de datos varios.

Si tienes un caso de uso específico para resolver, te alentamos a crear un Beat comunitario. Creamos una infraestructura para simplificar el proceso. La biblioteca libbeat, escrita íntegramente en Go, ofrece la API que todos los Beats usan para enviar datos a Elasticsearch, configurar las opciones de entrada, implementar logging y más.

Logstash es un motor de recopilación de datos open source con capacidades de creación de pipeline en tiempo real. Logstash puede unificar dinámicamente los datos de fuentes diferentes y normalizar los datos en los destinos que elijas. Limpia y democratiza todos tus datos para diversos casos de uso de visualización y analíticas posteriores avanzadas.

Puedes agregar tus propios plugins de entrada, codec, filtro o salida a Logstash. Los plugins pueden desarrollarse y desplegarse de forma independiente del núcleo de Logstash. También puedes escribir tu propio plugin de Java para usarlo con Logstash.

Elasticsearch para Apache Hadoop (Elasticsearch-Hadoop o ES-Hadoop) es una pequeña biblioteca gratuita y abierta, independiente y autónoma que permite que los trabajos de Hadoop interactúen con Elasticsearch. Úsalo para crear con facilidad aplicaciones de búsqueda dinámicas e integradas para proporcionar tus datos de Hadoop o realizar analíticas detalladas y de baja latencia usando búsquedas y agregaciones geoespaciales de texto completo.

Como aplicación gratuita, abierta e independiente del lenguaje, es fácil ampliar la funcionalidad de Elasticsearch con plugins e integraciones. Los plugins son una forma de mejorar la funcionalidad esencial de Elasticsearch de manera personalizada, mientras que las integraciones son módulos o herramientas externas que facilitan trabajar con Elasticsearch.

Fleet proporciona una UI basada en la Web en Kibana para agregar y gestionar integraciones de servicios y plataformas populares, además de gestionar un conjunto de Elastic Agents. Nuestras integraciones proporcionan una forma fácil de agregar fuentes nuevas de datos, además se envían con activos listos para usar, como dashboards, visualizaciones y pipelines para extraer campos estructurados de los logs.

Controla varias instancias de Logstash desde la UI de gestión de pipelines en Kibana. En Logstash, simplemente habilita la gestión de configuración y registra Logstash para usar las configuraciones de pipelines gestionados de forma centralizada.

Elasticsearch soporta varios tipos de datos diferentes para los campos de un documento, y cada uno de esos tipos de datos ofrece sus propios diversos subtipos. Esto te permite almacenar, analizar y utilizar datos de la forma más eficaz y efectiva posible, independientemente de los datos. Estos son algunos de los tipos de datos para los que está optimizado Elasticsearch:

Elasticsearch usar una estructura llamada índice invertido, que está diseñada para permitir búsquedas de texto completo muy rápidas. Un índice invertido consiste en una lista de todas las palabras únicas que aparecen en cualquier documento y, para cada palabra, una lista de documentos en los que aparece. Para crear un índice invertido, primero dividimos el campo de contenido de cada documento en palabras separadas (que llamamos "términos" o "tokens"), creamos una lista ordenada de todos los términos únicos y luego incluimos en qué documento aparece cada término.

Elasticsearch no requiere que los datos sean estructurados para ingestarlos o analizarlos (aunque la estructuración mejorará las velocidades). Este diseño facilita dar los primeros pasos, pero también hace que Elasticsearch sea un almacén de documentos efectivo. Si bien Elasticsearch no es una base de datos NoSQL, proporciona una funcionalidad similar.

Un índice invertido permite que las búsquedas consulten los términos de búsqueda rápidamente, pero la clasificación y agregaciones requieren un patrón de acceso a los datos diferente. En lugar de buscar el término y encontrar documentos, deben poder buscar el documento y encontrar los términos que tiene en un campo. Los valores de documentos son la estructura de datos en el disco en Elasticsearch, creada al momento de indexación del documento, lo que posibilita este patrón de acceso a los datos y permite que la búsqueda ocurra de forma columnar. Esto permite a Elasticsearch destacarse con la analítica de métricas y series temporales.

Elasticsearch usa las estructuras de árboles de BKD en Lucene para almacenar datos geoespaciales. Esto permite el análisis eficiente tanto de los puntos geográficos (latitud y longitud) como de las formas geográficas (rectángulos y polígonos).

Si bien el Elastic Stack no implementa encryption at rest de fábrica, se recomienda que la encriptación a nivel del disco se configure en todas las máquinas host. Además, los snapshot targets también deben asegurar que los datos se encripten en reposo.

La seguridad a nivel de campo restringe los campos que los usuarios pueden leer. En particular, restringe a qué campos se puede acceder desde las API de lectura basadas en documentos.

Un cluster es una recopilación de uno o más nodos (servidores) que posee en conjunto todos tus datos y brinda capacidades de indexación y búsqueda federadas en todos los nodos. Esta arquitectura facilita el escalado horizontal. Elasticsearch proporciona varias UI y una API REST integral y poderosa que puedes usar para gestionar los clusters.

Un snapshot es un backup que se hace desde un cluster de Elasticsearch en ejecución. Puedes hacer un snapshot de índices individuales o del cluster completo y almacenar el snapshot en un repositorio en un sistema de archivos compartidos. Hay disponibles plugins que también admiten repositorios remotos.

Un repositorio fuente te permite crear snapshots solo de fuente mínimos que ocupan hasta un 50 % menos de espacio en disco. Los snapshots solo de fuente contienen metadatos de índice y campos almacenados. No incluyen estructuras de índice o valores de documento, y no son buscables cuando se los restaura.

Tener al alcance los datos históricos para análisis es sumamente útil, pero suele evitarse debido al costo financiero de archivar grandes cantidades de datos. Los períodos de retención quedan entonces regidos por las realidades financieras y no por la utilidad que presenta contar con una gran cantidad de datos históricos. La característica rollup brinda una manera de resumir y almacenar datos históricos para que puedan usarse en análisis, pero a una fracción del costo de almacenamiento de los datos sin procesar.

Elasticsearch usar una estructura llamada índice invertido, que está diseñada para permitir búsquedas de texto completo muy rápidas. Un índice invertido consiste en una lista de todas las palabras únicas que aparecen en cualquier documento y, para cada palabra, una lista de documentos en los que aparece. Para crear un índice invertido, primero dividimos el campo de contenido de cada documento en palabras separadas (que llamamos "términos" o "tokens"), creamos una lista ordenada de todos los términos únicos y luego incluimos en qué documento aparece cada término.

Un campo de tiempo de ejecución es un campo que se evalúa al momento de la búsqueda (esquema durante la lectura). Los campos de tiempo de ejecución pueden introducirse o modificarse en cualquier momento, incluso luego de que los documentos se hayan indexado, y pueden definirse como parte de una búsqueda. Los campos de tiempo de ejecución se exponen a búsquedas con la misma interfaz que los campos indexados, de modo que un campo puede ser un campo de tiempo de ejecución en algunos índices de un flujo de datos y un campo indexado en otros índices de ese flujo de datos, y no es necesario que las búsquedas estén al tanto de esto. Mientras que los campos indexados proporcionan un rendimiento de búsqueda óptimo, los campos de tiempo de ejecución los complementan introduciendo flexibilidad para cambiar la estructura de datos una vez que los documentos hayan sido indexados.

Los campos de tiempo de ejecución de búsqueda te brindan la flexibilidad de agregar información desde un índice de búsqueda a los resultados de un índice primario mediante la definición de una clave en ambos índices que vincule los documentos. Al igual que los campos de tiempo de ejecución, esta característica se usa al momento de la búsqueda y proporciona un enriquecimiento flexible de los datos.

La característica de búsqueda entre clusters (CCS) permite que cualquier nodo actúe como cliente federado en varios clusters. Un nodo de búsqueda entre clusters no se unirá al cluster remoto, sino que se conectará a un cluster remoto de forma ligera para ejecutar solicitudes de búsqueda federadas.

Una similitud (relevancia/modelo de clasificación) define cómo se califican los documentos que coinciden. De forma predeterminada, Elasticsearch usa la similitud BM25 (una similitud avanzada basada en TF/IDF con normalización tf integrada óptima para campos breves, como nombres); pero hay disponibles muchas otras opciones de similitud.

Tomando como base el soporte de nuevo vecino más cercano aproximado o ANN de Lucene 9 basado en el algoritmo HNSW, el nuevo endpoint de API _knn_search facilita una búsqueda más escalable y de mejor rendimiento por similitud de vectores. Lo logra permitiendo una compensación entre la recuperación y el rendimiento; es decir, permite un rendimiento mucho mejor en sets de datos muy grandes (en comparación con el método de similitud de vectores de fuerza bruta existente) haciendo pequeños compromisos con respecto a la recuperación.

La búsqueda de texto completo requiere de un lenguaje de búsqueda sólido. Elasticsearch proporciona un DSL (lenguaje específico de dominio) de búsqueda completo basado en JSON para definir las búsquedas. Crea búsquedas simples para encontrar coincidencias de términos y frases, o desarrolla búsquedas compuestas que puedan combinar varias búsquedas. Además, los filtros pueden aplicarse al momento de la búsqueda para eliminar documentos antes de que se les asigne una relevancia.

La API de búsqueda asíncrona permite a los usuarios ejecutar búsquedas de larga ejecución en segundo plano, rastrear el progreso de las búsquedas y recuperar resultados parciales a medida que están disponibles.

Los resaltadores te permiten obtener fragmentos resaltados de uno o más campos en tus resultados de búsqueda de modo que puedas mostrar a los usuarios dónde se encuentran las coincidencias con la búsqueda. Cuando solicitas que se resalte, la respuesta contiene un elemento de resaltado adicional para cada coincidencia de búsqueda que incluye los campos resaltados y los fragmentos resaltados.

La herramienta de sugerencias para completar proporciona la funcionalidad de autocompletar o buscar a medida que escribes. Es una característica de navegación que guía a los usuarios a resultados relevantes a medida que escriben, lo que mejora la precisión de búsqueda.

La herramienta de sugerencia de términos es la base del corrector ortográfico, sugiere términos según la distancia de edición. El texto de sugerencia proporcionado se analiza antes de sugerir los términos. Los términos sugeridos se proporcionan por token de texto de sugerencia analizado.

La herramienta de sugerencia de frases agrega la funcionalidad "quisiste decir" a tu búsqueda creando una lógica adicional sobre la herramienta de sugerencia de términos para seleccionar frases completas correctas en lugar de tokens individuales ponderados según modelos de idioma de n-gramas. En la práctica, esta herramienta de sugerencia podrá tomar mejores decisiones sobre cuáles tokens elegir según la coocurrencia y las frecuencias.

Un cambio del modelo de búsqueda estándar en el cual se usa una búsqueda para encontrar un documento almacenado en un índice: los percoladores pueden usarse para buscar coincidencias entre los documentos y las búsquedas almacenadas en un índice. La búsqueda percolate en sí contiene el documento que se usará como búsqueda para establecer la coincidencia con las búsquedas almacenadas.

La API de perfil proporciona información de tiempo detallada sobre la ejecución de componentes individuales en una búsqueda de search. Brinda información sobre cómo se ejecutan las solicitudes de búsqueda a un nivel bajo para poder comprender por qué ciertas solicitudes son lentas y tomar medidas para mejorarlas.

La seguridad a nivel de campo y la seguridad a nivel de documento restringen los resultados de búsqueda solo a lo que los usuarios tienen acceso de lectura. En particular, restringe a qué campos y documentos se puede acceder desde las API de lectura basadas en documentos.

La cancelación de búsqueda es una característica útil de Kibana que ayuda al impacto general en los clusters gracias a que reduce la sobrecarga de procesamiento innecesaria. La cancelación automática de solicitudes de Elasticsearch se producirá cuando los usuarios cambien/actualicen su búsqueda o cuando actualicen la página del navegador.

El marco de trabajo de agregaciones ayuda a proporcionar datos agregados con base en una consulta de búsqueda. Se basa en bloques de creación simples denominados "agregaciones" que pueden combinarse a fin de crear resúmenes complejos de los datos. Una agregación puede considerarse una unidad de trabajo que crea información analítica sobre un conjunto de documentos.

La API de exploración de Graph te permite extraer y resumir información sobre los documentos y términos en tu índice de Elasticsearch. La mejor forma de comprender el comportamiento de esta API es usar Graph en Kibana para explorar las conexiones.

Crea alertas de umbral para comprobar de manera periódica cuando los datos de tus índices de Elasticsearch superen o no alcancen un umbral determinado en un intervalo de tiempo dado. Nuestras características de alerta te brindan todo el poder del lenguaje de búsqueda de Elasticsearch para identificar los cambios en tus datos que sean de interés para ti.

La inferencia te permite usar procesos de Machine Learning supervisados, como la regresión o clasificación, no solo como análisis de batch, sino de forma continua. La inferencia permite usar modelos de Machine Learning entrenados sobre datos entrantes.

La identificación de idioma es un modelo entrenado que puedes usar para determinar el idioma del texto. Puedes usar como referencia el modelo de identificación del idioma en un procesador de inferencias.

Después de que el machine learning de Elastic crea las bases de referencia del comportamiento normal de los datos, puedes usar esa información para extrapolar el comportamiento futuro. Luego, crea un pronóstico para estimar un valor de serie temporal en una fecha futura específica o calcula la probabilidad de que un valor de serie temporal ocurra en el futuro.

Las características de machine learning de Elastic automatizan el análisis de los datos temporales mediante la creación de bases de referencia precisas del comportamiento normal en los datos y la identificación de patrones anómalos en esos datos. Las anomalías se detectan, califican y vinculan con influencias estadísticamente importantes en los datos mediante algoritmos patentados de machine learning.

Para los cambios que son más difíciles de definir con reglas y umbrales, combina las alertas con características de Machine Learning sin supervisión para encontrar el comportamiento inusual. Luego, usa las puntuaciones de anomalías en el marco de trabajo de alertas para recibir notificaciones cuando surjan problemas.

Usa las características de machine learning de Elastic para crear un perfil de lo que hace un usuario, una máquina u otra entidad típica en un período determinado y luego identifica los valores atípicos cuando se comporten de forma anormal en comparación con la población.

Los eventos de logs de aplicaciones suelen ser no estructurados y contener datos variables. Las características de machine learning de Elastic observan las partes estáticas del mensaje, agrupan mensajes similares y los clasifican en categorías de mensajes.

Una vez detectada una anomalía, las características de machine learning de Elastic facilitan la identificación de propiedades que influyeron en gran medida. Por ejemplo, si hay una disminución inusual de las transacciones, puedes identificar rápidamente el servidor con fallas o el conmutador mal configurado que causa el problema.

Data Visualizer (Visualizador de datos) te permite comprender mejor tus datos de Elasticsearch e identificar posibles campos para análisis de machine learning mediante el análisis de métricas y campos en un archivo de log o un índice existente.

Crea trabajos de machine learning complejos con varios detectores. Usa el explorador de anomalías para ver los resultados luego de que un trabajo multimétrica haya analizado el flujo de entrada de datos, modelado su comportamiento y realizado análisis basados en los dos detectores que definiste en tu trabajo.

La detección de valores atípicos sin supervisión usa cuatro técnicas diferentes de machine learning basadas en densidad y distancia para saber qué puntos de datos no son usuales en comparación con la mayoría. Crea trabajos de analíticas de cuadro de datos de detección de valores atípicos mediante la API para crear trabajos de analíticas de cuadro de datos.

Revierte rápidamente un modelo a un snapshot deseado en caso de una interrupción no planificada del sistema u otro evento que provoque resultados engañosos en la detección de anomalías.

El servidor APM recibe datos de agentes APM y los transforma en documentos de Elasticsearch. Lo hace exponiendo un endpoint de servidor HTTP en el cual los agentes transmiten los datos de APM que recopilan. Una vez que el servidor APM validó y procesó los eventos de los agentes APM, el servidor transforma los datos en documentos de Elasticsearch y los almacena en los índices de Elasticsearch correspondientes.

Los agentes APM son bibliotecas open source escritas en el mismo lenguaje que tu servicio. Las instalas en tu servicio como instalarías cualquier otra biblioteca. Instrumentan tu código y recopilan los datos de rendimiento y errores en el tiempo de ejecución. Estos datos se almacenan en búfer por un período breve y se envían al servidor APM.

Encontrar y reparar obstáculos en tu código se reduce a la búsqueda. Nuestra app APM dedicada en Kibana te permite identificar cuellos de botella y concentrarte en cambios problemáticos a nivel de código. Como resultado, obtendrás un código mejorado y más eficiente que resulta en un bucle desarrollo-prueba-despliegue más veloz, aplicaciones más rápidas y mejor experiencia del usuario.

¿Quieres saber cómo fluyen las solicitudes en toda tu infraestructura? Une las transacciones de texto con un rastreo distribuido y obtendrás una visión clara de cómo interactúan tus servicios. Encuentra dónde están surgiendo problemas de latencia en el camino e identifica los componentes que necesitan optimización.

Mantente actualizado sobre el desempeño de tu código. Recibe una notificación por correo electrónico cuando algo ande mal o una notificación de Slack cuando algo ande realmente bien.

Los mapas de servicio son una representación visual de la conexión entre tus servicios y proporcionan métricas de transacciones de alto nivel, como la duración de transacciones promedio, las tasas de solicitud y error, y el uso de CPU y memoria.

Crea un trabajo de machine learning directamente desde la app APM. Céntrate rápidamente en el comportamiento anormal con las características de machine learning que modelarán tus datos automáticamente.

Un dashboard de Kibana muestra una recopilación de visualizaciones y búsquedas. Puedes acomodar, redimensionar y editar el contenido del dashboard, y después guardar el dashboard para poder compartirlo. Puedes crear desgloses personalizados entre varios dashboards o incluso de aplicaciones web para impulsar la acción y toma de decisiones.

Canvas es una forma completamente nueva de hacer que los datos se vean estupendos. Canvas combina los datos con colores, formas, texto y tu propia imaginación para proporcionar visualizaciones de datos dinámicas, multipágina y con píxeles perfectos en pantallas grandes y pequeñas.

Los datos de User Experience reflejan las experiencias de los usuarios reales. Cuantifica y analiza el rendimiento percibido de tu aplicación web.

Kibana Lens es una UI intuitiva y fácil de usar que simplifica el proceso de visualización de datos a través de una experiencia de arrastrar y soltar. Ya sea que estés explorando miles de millones de logs o identificando tendencias en el tráfico de tu sitio web, Lens te lleva de los datos al conocimiento con solo unos clics sin necesidad de contar con experiencia previa en Kibana.

Con todo el poder del marco de trabajo de agregación de Elasticsearch, el Time Series Visual Builder (TSVB) es un visualizador de datos temporales que combina una cantidad infinita de agregaciones y agregaciones de pipeline para mostrar datos complejos de forma significativa.

Las características de analítica de grafo te permiten descubrir cómo se relacionan los elementos en un índice de Elasticsearch. Puedes explorar las conexiones entre los términos indexados y ver qué conexiones son las más significativas. Esto puede ser útil en una variedad de aplicaciones, desde detección de fraudes hasta motores de recomendación.

"Dónde" es una pregunta crítica para muchos usuarios del Elastic Stack. Ya sea para proteger la red frente a atacantes, investigar tiempos de respuesta lentos de aplicaciones en ubicaciones específicas o simplemente conseguir cómo volver a casa, los datos geográficos y la búsqueda juegan un papel importante.

Tus apps y tu entorno están evolucionando, al igual que el Elastic Stack. Monitorea, busca y visualiza qué sucede en tus aplicaciones, Docker y Kubernetes; todo en un mismo lugar.

Agrega incluso más funcionalidad a Kibana con módulos de plugin impulsados por la comunidad. Los plugins open source están disponibles para una variedad de apps, extensiones, visualizaciones y más. Los plugins incluyen:

Con nuestro tutorial fácil de seguir aprenderás a cargar un set de datos en Elasticsearch, definir un patrón de índice, descubrir y explorar los datos, crear visualizaciones y dashboards, y más.

Los campos de tiempo de ejecución de Kibana usan la funcionalidad de Elasticsearch para los campos de tiempo de ejecución a fin de brindar a los analistas acceso para agregar sus propios campos personalizados sobre la marcha. Desde Index Patterns, Discover y Kibana Lens, este editor está disponible para crear, editar o eliminar campos de tiempo de ejecución.

Desde Kibana, puedes compartir con facilidad un enlace directo al dashboard de Kibana o insertar el dashboard en una página web como iframe; ya sea como dashboard en vivo o un snapshot estático del momento actual.

Usa el rol integrado kibana_dashboard_only_user para limitar lo que ven los usuarios cuando inician sesión en Kibana. El rol kibana_dashboard_only_user está preconfigurado con permisos de solo lectura para Kibana. Cuando los usuarios abren un dashboard, tendrán una experiencia visual limitada. Todos los controles de edición y creación están ocultos.

Con Spaces en Kibana, puedes organizar los dashboards y otros objetos guardados en categorías significativas. Una vez que estás en un espacio específico, solo verás los dashboards y otros objetos guardados que pertenecen a él. Y con la seguridad habilitada, puedes controlar qué usuarios tienen acceso a los espacios individuales, lo que te brinda una capa adicional de protección.

Los banners personalizados ayudan a diferenciar Kibana Spaces para distintos roles, equipos, funciones y más. Adapta mensajes y anuncios específicos a Kibana Spaces individuales y ayuda a los usuarios a identificar rápidamente en qué Space se encuentran.

Exporta búsquedas guardadas en Discover a archivos CSV para su uso en editores de texto externos.

Crea fácilmente etiquetas y agrégalas a los dashboards y la visualización para una gestión eficiente del contenido.

Genera rápidamente reportes de cualquier visualización de Kibana y guárdalos en PDF o PNG. Obtén un reporte a petición, prográmalo para más tarde, actívalo con base en condiciones especificadas y compártelo automáticamente con otras personas.

Agrega capas de índices únicos a una vista con la app Maps en Kibana. Y como las capas se encuentran en el mismo mapa, puedes buscar y filtrar en todas ellas en tiempo real. Las opciones incluyen capas cloropléticas, capas de mapas de calor, capas de mosaicos y capas de vectores, e incluso capas específicas de un caso de uso como observabilidad para datos de APM.

Los mosaicos de vectores dividen tu mapa en mosaicos y ofrecen un mejor rendimiento y acercamiento sin inconvenientes en comparación con los métodos alternativos. Todas las capas nuevas de polígonos habilitan la configuración "Use vector tiles" (Usar mosaicos de vectores) de forma predeterminada. Puedes cambiar las opciones de escalado en la configuración de capas si prefieres el enfoque de 10 000 registros.

Crea mapas de región, mapas temáticos con formas de vectores de límite coloreadas con un gradiente, con los datos de ubicación personalizados en un esquema que elijas.

El Servicio de Mapa de Elastic impulsa todas las visualizaciones geoespaciales en Kibana (incluida la app Maps) mediante mosaicos de mapas base, archivos de forma y características clave esenciales para visualizar datos geográficos. Con la distribución predeterminada de Kibana, puedes aumentar el zoom hasta 18 veces en un mapa.

El servidor de Elastic Maps usa los límites y mapas base del Servicio de Mapa de Elastic en la infraestructura local.

Si bien es simple y fácil de usar, la característica de carga GeoJSON es sólida. Mediante la ingesta directa en Elasticsearch, la característica permite que los creadores de mapas arrastren y suelten archivos de GeoJSON enriquecidos con puntos, formas y contenido en un mapa para una visualización instantánea. Habilita las alertas por correo electrónico o aplicación web con límites definidos por GeoJSON al rastrear movimientos de objetos impulsados por datos.

Desencadena notificaciones cuando una entidad ingrese, salga o cruce un límite. Monitorea la ubicación de una entidad mientras se mantenga dentro de un límite especificado.

Carga los archivos shapefile en Elastic con este cargador simple pero poderoso integrado en la aplicación Maps. Carga con facilidad límites y datos abiertos locales para análisis y comparación.

Filebeat te ayuda a mantener la simpleza de lo simple gracias a que ofrece una forma ligera de reenviar y centralizar logs y archivos. Filebeat incluye módulos internos (auditd, Apache, NGINX, System, MySQL y más) que simplifican la recopilación, el parseo y la visualización de formatos de logs comunes a un solo comando.

Los dashboards de Filebeat de ejemplo te facilitan explorar los datos de logs en Kibana. Da los primeros pasos rápido con estos dashboards preconfigurados, luego personalízalos para satisfacer tus necesidades.

El análisis de tasa de logs impulsado por machine learning resalta automáticamente períodos en los que la tasa de logs se encuentra por fuera de los límites normales para que puedas identificar e inspeccionar las anomalías de logs con rapidez.

La app Logs proporciona un seguimiento de logs en tiempo real en un formato compacto y personalizable. Los datos de log se correlacionan con métricas en la app Metrics, lo que te facilita el diagnóstico de problemas.

Metricbeat es un agente ligero que puedes instalar en tus servidores para recopilar periódicamente métricas del sistema operativo y de servicios que se ejecutan en el servidor. Desde la CPU a la memoria, y desde Redis a NGINX, Metricbeat es una forma ligera de enviar estadísticas del sistema y los servicios.

Los dashboards de Metricbeat de ejemplo te facilitan comenzar a monitorear tus servidores en Kibana. Da los primeros pasos rápido con estos dashboards preconfigurados y luego personalízalos para satisfacer tus necesidades.

Crea alertas de umbrales para tus métricas con comentarios en tiempo real, directamente en la app Metrics en Kibana, y recibe notificaciones como prefieras: documentos, logs, Slack, webhooks simples y más.

Encuentra problemas comunes de infraestructura con la detección de anomalías con un clic directamente desde la UI de Metrics.

Una vez que tengas métricas que se transmiten a Elasticsearch, usa la app Metrics en Kibana para monitorearlas e identificar problemas en tiempo real.

Heartbeat es un daemon ligero que instalas en un servidor remoto para comprobar periódicamente el estado de tus servicios y determinar si están disponibles. Heartbeat ingesta los datos del servidor que luego se mostrarán en la app y el dashboard Uptime (Tiempo de actividad) en Kibana.

Los dashboards de Heartbeat de ejemplo te facilitan visualizar el estado de tus servicios en Kibana. Da los primeros pasos rápido con estos dashboards preconfigurados y luego personalízalos para satisfacer tus necesidades.

Crea fácilmente alertas basadas en umbrales a partir de tus datos de disponibilidad directamente en la app Uptime y recibe notificaciones como prefieras: documentos, logs, Slack, webhooks simples y más.

Comprueba o recibe una notificación cuando caduquen tus certificados SSL o TLS, y mantén tus servicios disponibles directamente en la app Uptime.

Simula la experiencia del usuario en viajes de varios pasos, como el flujo del proceso de pago en una tienda de comercio electrónico. Captura información de estado detallada en cada paso para identificar áreas problemáticas y crear experiencias digitales excepcionales.

La app Uptime en Kibana tiene como objetivo ayudarte a identificar y diagnosticar rápidamente interrupciones y otros problemas de conectividad en tu red o entorno. Monitorea con facilidad los hosts, los servicios, los sitios web, las API y más desde esta interfaz útil.

Analiza de manera uniforme datos de distintas fuentes con Elastic Common Schema (ECS). Las reglas de detección, los trabajos de machine learning, los dashboards y otro contenido de seguridad pueden aplicarse de manera más amplia, las búsquedas pueden diseñarse de manera más limitada, y los nombres de campo son más fáciles de recordar.

Elastic Security permite un análisis interactivo de los datos del Elastic Agent y Elastic Beats, además de tecnologías como Carbon Black, CrowdStrike y Microsoft Defender para Endpoint. Explora la actividad de shell con Session View (Vista de sesión) y los procesos con Analyzer (Analizador).

Elastic Security permite el monitoreo de seguridad de red con mapas interactivos, grafos, tablas de eventos y más. Soporta varias soluciones de seguridad de red, incluidas tecnologías OSS como Zeek y Suricata, dispositivos para proveedores como Cisco ASA, Palo Alto Networks y Check Point, y servicios en el cloud como AWS, Azure, GCP y Cloudflare.

Elastic Security sobresale en las analíticas de entidades. La solución proporciona visibilidad de la actividad de los usuarios, lo cual ayuda a los especialistas a abordar amenazas internas, apropiación fraudulenta de cuentas, abuso de privilegios y vectores relacionados. La recopilación de todo el entorno da soporte al monitoreo de seguridad, con los datos de los usuarios presentados en tablas y visualizaciones curadas. El contexto de los usuarios se presenta dentro del flujo de una búsqueda de amenazas o investigación, y es posible acceder rápidamente a más detalles.

El explorador de eventos de línea de tiempo permite a los analistas ver, filtrar, correlacionar y anotar eventos, reunir datos para revelar la causa raíz y el alcance de los ataques, alinear a los investigadores y combinar la información para referencia inmediata y a largo plazo.

Los flujos de trabajo de gestión de casos integrados mejoran el control sobre la detección y respuesta. Elastic Security permite a los analistas abrir, actualizar, etiquetar, comentar, cerrar e integrar casos en sistemas externos de forma sencilla. Una API abierta y el soporte prediseñado para IBM Resilient, Jira, Swimlane y ServiceNow permiten la alineación con los flujos de trabajo existentes.

El motor de detección realiza una detección de amenazas basada en técnicas y alerta sobre anomalías de valor alto. Las reglas prediseñadas desarrolladas y probadas por los ingenieros de investigación de Elastic Security posibilitan la adopción rápida. Se pueden crear reglas personalizadas para cualquier dato con formato para Elastic Common Schema (ECS).

El machine learning integrado automatiza la detección de anomalías, lo que mejora los flujos de trabajo de búsqueda de amenazas y detección. Un catálogo de trabajos de machine learning prediseñados permite la adopción rápida. Los flujos de trabajo de alertas e investigación aprovechan los resultados de ML.

Elastic Security previene el ransomware a través del análisis del comportamiento que se realiza en Elastic Agent. Esta capacidad detiene los ataques de ransomware en sistemas Windows mediante el análisis de datos de procesos del sistema de bajo nivel y es efectiva en una variedad extendida de familias de ransomware.

La protección contra comportamiento malicioso en Elastic Agent detiene amenazas avanzadas en el endpoint, lo cual brinda una nueva capa de protección para hosts Linux, Windows y macOS. La protección contra comportamiento malicioso refuerza la prevención contra malware y ransomware existente con prevención dinámica de comportamiento posterior a la ejecución, y así detiene de inmediato las amenazas avanzadas.

La prevención sin firma contra malware le pone fin de inmediato a los ejecutables maliciosos en hosts Linux, Windows y macOS. La capacidad se proporciona con Elastic Agent, que también recopila datos de seguridad y permite la inspección y respuesta basada en hosts. La administración basada en Kibana optimiza el despliegue y la implementación.

La protección de memoria en Elastic Agent detiene muchas de las técnicas usadas para la inyección de procesos a través de shellcode; detiene subtécnicas como el secuestro de ejecución de subprocesos, la llamada de procedimiento asíncrono, el vaciado de procesos y el Doppelgänging de procesos.

Elastic Security permite a los usuarios desplegar osquery con facilidad en cada endpoint, lo que optimiza la búsqueda de amenazas y la inspección de hosts en los hosts Linux, Windows y macOS. La solución proporciona acceso directo a datos de host completos, que pueden recuperarse con una búsqueda de SQL personalizada o prediseñada para su análisis en Elastic Security.

Recopila con Elastic Agent la actividad de red de una cantidad ilimitada de hosts. Analízala para revelar el tráfico dentro y fuera del perímetro de la red que los firewalls no pueden ver, lo cual ayuda a los equipos de seguridad a hacer frente a los comportamientos maliciosos como ataques de abrevadero, exfiltración de datos y ataques de DNS. La integración del analizador de paquetes de red incluye una licencia comercial gratuita de Npcap, la biblioteca de autodescubrimiento de paquetes ampliamente desplegada para Windows, lo que posibilita la visibilidad de red en cada host, independientemente del sistema operativo.

Asegura las cargas de trabajo en el cloud híbridas y las aplicaciones nativas del cloud con un agente ligero impulsado por tecnología eBPF. Detecta automáticamente amenazas en el tiempo de ejecución con reglas de detección prediseñadas y personalizadas, y modelos de machine learning. Investiga con una vista del tipo de una terminal que revele contexto enriquecido.

Obtén visibilidad de tu postura de seguridad en los entornos multicloud. Revisa hallazgos, compara valores de referencia con controles de CIS y sigue la guía de corrección para impulsar una mejora rápida.