Informe de anomalías

El informe de anomalías de Análisis avanzado ayuda a los administradores de TI a identificar de forma proactiva los problemas de estado del dispositivo antes de que afecten a los usuarios. Supervisa los bloqueos de aplicaciones y los reinicios de errores de detención, proporcionando visibilidad de los problemas antes de que lleguen a los canales de soporte.

La característica correlaciona los objetos de implementación y los cambios de configuración para acelerar la solución de problemas y sugerir las causas principales. Los grupos de correlación de dispositivos revelan patrones entre los dispositivos afectados y marcan otros que están en riesgo.

Antes de empezar

Revisar el informe

1. En el Centro de administración de Microsoft Intune, seleccione Informacióngeneral sobreel análisis> de puntos de conexión de informes>.
2. Seleccione la pestaña Anomalías , donde se proporciona información general sobre las anomalías detectadas en su organización.

• Use las capacidades de ordenación y filtrado para refinar la lista de anomalías.
• Para ver más información sobre una anomalía específica, selecciónela en la lista. Revise detalles como el nombre de la aplicación, los dispositivos afectados, cuándo se detectó el problema por primera vez y cuándo se produjo por última vez, y cualquier grupo de dispositivos que pueda estar contribuyendo al problema.
• Selecciona un grupo de correlación de dispositivos de la lista para ver los factores comunes entre los dispositivos. Los dispositivos se correlacionan mediante atributos compartidos como la versión de la aplicación, la actualización del controlador, la versión del sistema operativo o el modelo del dispositivo. Puede ver el número de dispositivos afectados actualmente y los que están en riesgo. La tasa de prevalencia muestra el porcentaje de dispositivos afectados en un grupo de correlación.
• Seleccione Ver dispositivos afectados para mostrar una lista de dispositivos con atributos clave. Filtre para ver los dispositivos en grupos de correlación específicos o mostrar todos los dispositivos afectados por la anomalía. La escala de tiempo del dispositivo también muestra eventos anómalos adicionales.

Revisar datos de detección de anomalías

Investigue los grupos de correlación de dispositivos marcados mediante la escala de tiempo del dispositivo y los informes de recursos para determinar las causas principales. Los grupos de correlación de dispositivos ayudan a identificar las causas principales de las anomalías de gravedad media y alta, así como los dispositivos en riesgo que pueden verse afectados en el futuro.

Procedimientos recomendados:

• Revise periódicamente el panel de anomalías para comprender la línea base actual y priorizar las investigaciones y resoluciones de nuevos problemas.
• Investigue los nuevos problemas notificados para identificar factores comunes, como el hardware del dispositivo, como se muestra en análisis avanzados.
• Priorice las anomalías para investigar en función de la gravedad y el conocimiento interno, como la importancia de la aplicación.
• Use el informe de escala de tiempo del dispositivo para comprobar si hay patrones, como reinicios del dispositivo o actualizaciones vinculadas a anomalías.
• Trabaje con los equipos de TI para identificar otros factores, como las actualizaciones recientes de aplicaciones, que podrían afectar a las anomalías.
• Revise las posibles acciones de corrección observadas en el informe de anomalías (por ejemplo, actualizaciones de controladores o aplicaciones).
• Integre resoluciones en el soporte técnico de L1/L2 para mantener a los equipos al tanto de los problemas conocidos actuales. Considere la posibilidad de trabajar con su equipo de ITSM para registrar las anomalías conocidas que se están investigando.
• Pruebe las acciones de corrección en un subconjunto de dispositivos y supervise los resultados antes de implementarlo en más dispositivos. Después de la corrección, implemente de forma proactiva los dispositivos en riesgo.
• Revise los informes de anomalías después de actualizaciones o incidentes importantes para comprobar si hay nuevos problemas que necesiten investigación y resolución.
• Para comprender mejor los métodos de detección, revise los modelos estadísticos utilizados por la detección de anomalías.

Modelos estadísticos para la determinación de anomalías

El modelo analítico detecta cohortes de dispositivos que se enfrentan a conjuntos anómalos de reinicios de errores de detención y bloqueos de aplicaciones que requieren la atención del administrador. Los patrones identificados a partir de los registros de diagnóstico y telemetría de sensores determinan estas cohortes de dispositivos.

• Modelo heurístico basado en umbrales: este modelo establece uno o varios valores de umbral para las aplicaciones que no responden, se bloquean o se reinician mediante errores de detención. Los dispositivos se marcan como anómalos si superan el umbral establecido. El modelo es simple y eficaz para sacar a la luz problemas prominentes o estáticos. Los umbrales están predeterminados actualmente y no se pueden personalizar.
• Modelo de pruebas t pareadas: Las pruebas t pareadas comparan pares de observaciones en un conjunto de datos, buscando diferencias estadísticamente significativas entre sus medias. Por ejemplo, comparar errores de detención reiniciados en el mismo dispositivo antes y después de un cambio de directiva, o cuando la aplicación se bloquea tras una actualización del sistema operativo.
• Modelo de puntuación Z de población: este modelo calcula la desviación estándar y la media de un conjunto de datos, luego usa esos valores para determinar qué puntos de datos son anómalos. La puntuación Z para cada punto de datos representa el número de desviaciones estándar de la media. Los puntos de datos que están fuera de un intervalo determinado se consideran anómalos. Este modelo es adecuado para resaltar dispositivos o aplicaciones atípicos, pero requiere grandes conjuntos de datos para ser preciso.
• Modelo de puntuación z de serie temporal: esta variación del modelo de puntuación Z está diseñada para detectar anomalías en los datos de series temporales, secuencias de puntos de datos recopilados a intervalos regulares, como los reinicios de errores de detención a lo largo del tiempo. Standard desviación y media se calculan para una ventana deslizante, lo que permite que el modelo se adapte a patrones temporales y cambios en la distribución de datos.