Monimuuttujaisen poikkeaman havaitseminen eristymismetsällä

Tässä artikkelissa näytetään, miten SynapseML:ää käytetään Apache Sparkissa monimuuttujaisten poikkeamien havaitsemiseen. Monimuuttujapoikkeamien havaitseminen havaitsee poikkeavuuksia monien muuttujien tai aikasarjojen välillä ottaen huomioon kaikki eri muuttujien väliset korrelaatiot ja riippuvuudet. Tässä tilanteessa käytät SynapseML:ää kouluttamaan eristysmetsämallin monimuuttujapoikkeamien havaitsemiseen, ja sitten koulutettua mallia päättelemään monimuuttujapoikkeamia aineistossa, joka sisältää synteettisiä mittauksia kolmesta IoT-anturista.

Lisätietoja eristysmetsämallista löytyy Liu ym. alkuperäisestä artikkelista.

edellytykset

  1. Hanki Microsoft Fabric -tilaus. Voit myös rekisteröityä microsoft fabric -kokeiluversion maksuttomaan .
  2. Liitä muistikirjasi Lakehouseen. Valitse vasemmalla puolella Lisää lisätäksesi olemassa olevan lakehousen tai luodaksesi lakehousen.
  3. SynapseML on valmiiksi asennettu Fabric PySpark -ajonaikaan (suositellaan Runtime 1.3 tai uudempaa). Tiettyä versiota varten katso Asenna eri versio SynapseML:stä Fabric-tiedostoon.

Kirjaston tuonnit

from pyspark.sql import functions as F
from pyspark.ml.feature import VectorAssembler
from pyspark.sql.types import DoubleType
from pyspark.ml import Pipeline

from synapse.ml.isolationforest import IsolationForest

from pyspark.sql import SparkSession

# Bootstrap Spark Session
spark = SparkSession.builder.getOrCreate()

Syötetiedot

# Table inputs
timestampColumn = "timestamp"  # str: the name of the timestamp column in the table
inputCols = [
    "sensor_1",
    "sensor_2",
    "sensor_3",
]  # list(str): the names of the input variables

# Training Start time, and number of days to use for training:
trainingStartTime = (
    "2022-02-24T06:00:00Z"  # datetime: datetime for when to start the training
)
trainingEndTime = (
    "2022-03-08T23:55:00Z"  # datetime: datetime for when to end the training
)
inferenceStartTime = (
    "2022-03-09T09:30:00Z"  # datetime: datetime for when to start the inference
)
inferenceEndTime = (
    "2022-03-20T23:55:00Z"  # datetime: datetime for when to end the inference
)

# Isolation Forest parameters
contamination = 0.021
num_estimators = 100
max_samples = 256
max_features = 1.0

Tietojen luku

df = (
    spark.read.format("csv")
    .option("header", "true")
    .load(
        "wasbs://publicwasb@mmlspark.blob.core.windows.net/generated_sample_mvad_data.csv"
    )
)

Aseta sarakkeet sopiviin tietotyyppeihin.

df = (
    df.orderBy(timestampColumn)
    .withColumn("timestamp", F.date_format(timestampColumn, "yyyy-MM-dd'T'HH:mm:ss'Z'"))
    .withColumn("sensor_1", F.col("sensor_1").cast(DoubleType()))
    .withColumn("sensor_2", F.col("sensor_2").cast(DoubleType()))
    .withColumn("sensor_3", F.col("sensor_3").cast(DoubleType()))
    .drop("_c5")  # drop the extra unlabeled column present in the source CSV
)

display(df)

Koulutusdatan valmistelu

# filter to data with timestamps within the training window
df_train = df.filter(
    (F.col(timestampColumn) >= trainingStartTime)
    & (F.col(timestampColumn) <= trainingEndTime)
)
display(df_train)

Testidatan valmistelu

# filter to data with timestamps within the inference window
df_test = df.filter(
    (F.col(timestampColumn) >= inferenceStartTime)
    & (F.col(timestampColumn) <= inferenceEndTime)
)
display(df_test)

Junaeristysmetsämalli

isolationForest = (
    IsolationForest()
    .setNumEstimators(num_estimators)
    .setBootstrap(False)
    .setMaxSamples(max_samples)
    .setMaxFeatures(max_features)
    .setFeaturesCol("features")
    .setPredictionCol("predictedLabel")
    .setScoreCol("outlierScore")
    .setContamination(contamination)
    .setContaminationError(0.01 * contamination)
    .setRandomSeed(1)
)

Seuraavaksi luo koneoppimisputki Isolation Forest -mallin kouluttamiseen.

Mallin kouluttamiseen ja päättelyn suorittamiseen samassa muistikirjassa malliobjekti riittää. Jos haluat säilyttää mallin ja käyttää uudelleen istuntojen välillä, rekisteröi se MLflow'hun Microsoft Fabric -ohjelmassa.

va = VectorAssembler(inputCols=inputCols, outputCol="features")
pipeline = Pipeline(stages=[va, isolationForest])
model = pipeline.fit(df_train)

Suorita päättelyä

Sovella koulutettua mallia testidataan:

df_test_pred = model.transform(df_test)
display(df_test_pred)

Valmiiksi valmistettu poikkeamadetektori

Tärkeää

Microsoft lopettaa Azure AI Anomaly Detector -palvelun käytöstä 1. lokakuuta 2026. 20. syyskuuta 2023 lähtien et voi luoda uusia resursseja. Tuetusta vaihtoehdosta löytyy kohdasta Poikkeavuuksien havaitseminen Microsoft Fabric Real-Time Intelligencessa.

Azure AI Anomaly Detector

Liittyvä sisältö

  • Last updated on