Poikkeamien tunnistus Real-Time Intelligencessä (esikatselu)

Tässä artikkelissa kerrotaan, miten voit määrittää poikkeamien tunnistuksen Real-Time Intelligencessä tunnistamaan automaattisesti epätavalliset mallit ja poikkeavat arvot Eventhouse-taulukoissa. Järjestelmä tarjoaa suositeltuja malleja ja mahdollistaa jatkuvan seurannan määrittämisen automaattisilla toiminnoilla.

Tärkeitä ominaisuuksia:

• Mallisuositukset: Ehdottaa parhaita algoritmeja ja parametreja datallesi.
• Vuorovaikutteinen poikkeamien tutkiminen: Visualisoi havaitut poikkeamat ja säädä mallin herkkyyttä.
• Jatkuva valvonta: Määritä reaaliaikainen poikkeamien tunnistus automaattisilla ilmoituksilla.
• Uudelleenanalyysi uusilla tiedoilla: Päivitä mallisi uusien tietojen saapuessa tarkkuuden parantamiseksi.

Poikkeamien tunnistus toimii natiivisti Eventhouse-tauluilla ilman datan kopiointia, toimien suoraan reaaliaikaisten tietoaineistojen yli reaaliaikaista analyysiä varten. Analyysi ja jatkuva seuranta toimivat Eventhousessa, mikä minimoi datan liikkumisen.

Poikkeamien tunnistus tukee myös Eventhouse-pikakuvaintauluja, joten voit analysoida dataa ilman, että kopiot tai siirrät sitä omistettuun Eventhouse-tauluun. Voit luoda poikkeamatunnistimia suoraan tuetuille pikakuvaketaulukoille ja käyttää samoja analyysejä, mallisuosituksia ja jatkuvaa seurantaa kuin natiivien Eventhouse-tietolähteiden kohdalla. Tämä tuki laajentaa poikkeamien havaitsemisen ulkoisiin ja liittoutuneisiin tietolähteisiin, jotka on jo yhdistetty Eventhouse-pikakuvakkeiden kautta, joten voit siirtyä datan yhdistämisestä ongelmien havaitsemiseen vähemmällä asennuksella ja päällekkäisyydellä.

Edellytykset

• workspace jossa on Microsoft Fabric-yhteensopiva capacity.

• Järjestelmänvalvojan, osallistujan tai jäsenenrooli työtilassa.

• Tapahtumatalo työtilassasi, jossa on KQL-tietokanta.

• Python-lisäosa käytössä samassa Eventhousessa.

  1. Aktivoi plugin menemällä Eventhouseen.
  2. Valitse ylemmästä työkalupalkista Laajennukset ja ota sitten käyttöön Python-kielilaajennus.
  3. Valitse Python 3.11.7 DL -laajennus ja valitse Valmis.

  

• Tunnista poikkeavuuksia Real-Time Intelligence-toiminnossa työtilassasi.

  1. Poikkeamien havaitsemisen ottamiseksi käyttöön mene työtilaasi.
  2. Päivitä ilmaiseen Microsoft Fabric -kokeiluun tai varmista, että työtilassasi on Microsoft Fabric -lisenssi.
  3. Ota yhteyttä ylläpitäjääsi, jotta voit ottaa esikatselutoimintojen vaihdon käyttöön, tai mene Admin-portaaliin ja ota käyttöön poikkeamien havaitseminen Real-Time Intelligence (Preview) -toiminnossa.

Poikkeamien tunnistuksen määrittäminen

Aloittaminen

Voit aloittaa poikkeavuuksien havaitsemisen kolmella tavalla:

Katso olemassa olevat poikkeavuuksien havaitsemisen konfiguraatiot

Ennen kuin luot uuden poikkeamatunnistin, tarkista, onko valitsemallesi tietolähteelle jo olemassa poikkeamien tunnistuskonfiguraatio. Tämä näkymä antaa nopean näkymän siihen, miten poikkeamien tunnistus on tällä hetkellä asetettu kyseiselle tietolähteelle. Se auttaa välttämään päällekkäistä työtä ja ymmärtämään paremmin, miten muut käyttävät dataa.

1. Valitse tietolähteiden listastasi ellipsi (...) analysoitavalle tietolähteelle ja valitse sitten Olemassa oleva poikkeamatunnistus.

   

2. Näkymässä havaitetut poikkeamat voit tarkastella kaikkia olemassa olevia poikkeamien havaitsemisen konfiguraatioita valitulle tietolähteelle ja tutkia kunkin yksityiskohtia.

   1. Vasemmasta navigointipaneelista valitse konfiguraatio tutkiaksesi havaittuja poikkeavuuksia tai valitse Avaa nähdäksesi sen koko näytöllä.

   2. Jos olemassa olevat asetukset eivät täytä tarpeitasi, valitse Uusi luodaksesi uuden poikkeamien tunnistuskonfiguraation.

   

Tämä kokemus auttaa sinua siirtymään nopeasti tutkimuksesta toimintaan ilman, että tietolähteesi konteksti poistuu.

Syötesarakkeen määrittäminen analyysiä varten

Määritä, mitkä sarakkeet analysoidaan ja miten tiedot ryhmitellään.

1. Lisää määritysruutuun Tarkkailtava arvo -sarake, joka sisältää numeeriset tiedot, joita haluat valvoa poikkeamien varalta.

   

   Note

   Varmista, että valittu sarake sisältää numeerisia arvoja, koska poikkeamien havaitsemisessa tuetaan vain numeerisia tietoja.

2. Valitse Ryhmittelyperuste-sarake määrittääksesi, miten tiedot osioidaan analyysiä varten. Tämä sarake edustaa yleensä entiteettejä, kuten laitteita, sijainteja tai muita loogisia ryhmittelyjä.

   

3. Valitse Aikaleima-sarake , joka edustaa kunkin arvopisteen tallennusaikaa. Tämä sarake on ratkaisevan tärkeä aikasarjojen poikkeamien havaitsemisessa ja varmistaa trendien tarkan analyysin ajan mittaan.

   

4. Aloita automaattinen mallin arviointi valitsemalla Suorita analyysi .

Odota analyysin valmistumista

Järjestelmä analysoi tietosi löytääkseen parhaat poikkeamien havaitsemismallit.

Analyysin aikana järjestelmä:

• Ottaa näytteitä taulukon tiedoista tehokasta käsittelyä varten
• Testaa useita poikkeamien havaitsemisalgoritmeja
• Arvioi erilaisia parametrimäärityksiä
• Tunnistaa tehokkaimmat mallit tietyille tietomalleillesi

Tarkista suositellut mallit ja poikkeamat

Analyysin päätyttyä tarkista tulokset ja tutki havaittuja poikkeavuuksia.

1. Avaa anomalioiden tunnistustulokset valitsemalla saamasi ilmoituksen tai palaamalla taulukkoon ja valitsemalla Näytä poikkeamatulokset.

2. Tulossivulla on seuraavat merkitykselliset tiedot:

   • Tietojen visualisointi , jossa poikkeamat on korostettu selvästi.
   • Luettelo suositelluista algoritmeista, jotka on luokiteltu niiden tehokkuuden mukaan tietoihisi.
   • Herkkyysasetukset tunnistuskynnysten säätämiseksi.
   • Yksityiskohtainen taulukko havaituista poikkeamista valitulla aikavälillä.

3. Käytä mallivalitsinta vertaillaksesi eri suositeltujen algoritmien suorituskykyä ja valitaksesi tarpeisiisi parhaiten sopivan.

4. Säädä herkkyysasetuksia tarkentaaksesi poikkeamien havaitsemisen tuloksia:

   • Vaihtoehtoina ovat matalat, keskitasoiset ja korkeat luottamustasot.
   • Kokeile näitä asetuksia tasapainottaaksesi poikkeamien havaitsemisen ja väärien positiivisten tulosten vähentämisen välillä.

5. Käsittele visualisointeja ja taulukoita, jotta saat syvempiä merkityksellisiä tietoja havaituista poikkeamista ja ymmärrät tietojesi malleja. Voit myös avata anomalia-analyysin kontekstin Fabric-muistikirjassa tutkiaksesi tarkemmin dataa ja havaittuja poikkeavuuksia KQL:n, SQL:n, Python:n tai Sparkin avulla, mahdollistaen edistyneet muunnokset ja koneoppimisen samalla tietopohjalla.

6. Tallenna poikkeamien tunnistin, jotta voit säilyttää kokoonpanosi ja palata siihen myöhemmin.

7. Publish havaitut poikkeamat Real-Time Hubiin, jotta saapuvien reaaliaikaisten tietojen jatkuva seuranta Fabric hallinnon alla ilman datan päällekkäisyyttä. Voit myös määrittää loppupään toimintoja, kuten hälytysten lähettämisen aktivaattoriin.

Tarkastelemalla ja hienosäätämällä tuloksia voit varmistaa, että poikkeamien tunnistusasetukset on optimoitu tiettyyn käyttötapaukseen.

Analysoi poikkeamien havaitsemismalleja uudelleen uusien tietojen avulla

Pidä poikkeamien tunnistusmallit ajan tasalla, kun uusia tietoja tulee saataville.

Seuraa näitä vaiheita ja analysoi malli uudelleen uusien tietojen avulla:

1. Mene poikkeamien havaitsemisen kohteeseen.
2. Muokkaa Muokkaa-paneelissa mitä tahansa aiemmin täytettyä kenttää tarpeen mukaan.
3. Valitse Suorita analyysi. Tämä toimenpide käynnistää uuden analyysin päivitettyjen syötteidesi pohjalta.

Tutki poikkeamien havaitsemistapahtumia ja aseta hälytyksiä

Julkaistuasi poikkeamien havaitsemistulokset voit tutkia havaittuja poikkeavuuksia Real-Time Hubissa ja asettaa hälytykset tulevista poikkeavuuksista.

Anomaliatapahtumat voidaan myös liittää Fabric-dataagentteihin, mikä mahdollistaa automaattisen päättelyn ja toiminnot sekä reaaliaikaisessa että historiallisessa tapahtumadatassa. Agentit voivat käyttää poikkeamatapahtumia ja orkestroida alavirran työnkulkuja, täydentäen Activator-pohjaisia hälytyksiä.

Query anomaly results with SQL Endpoint

Eventhouse tarjoaa hallitun SQL-päätepisteen, joka on linjassa Eventhousen datamallin ja Fabric-hallinnon kanssa. Voit kysyä anomaliatunnistimen tulosteita sekä niihin liittyviä taulukoita tai näkymiä SQL:n kautta alavirran analytiikkaa ja integraatioita varten. Löytääksesi SQL Endpoint -yhteystiedot, siirry Eventhouse-kohteeseen Fabric-työtilassa.

Lisätietoja on seuraavissa artikkeleissa:

• Tutki poikkeamien havaitsemistapahtumia
• Poikkeamien havaitsemistapahtumien ilmoitusten määrittäminen

Rajoitukset ja huomioitavat seikat

Ole tietoinen näistä rajoituksista:

• Poikkeamien tunnistus on pois päältä, jos syötettaulu ei vastaa vaadittua skeemaa (numeerisen arvon sarakke, päivämääräaika-sarake ja merkkijono-sarake).
• Riittävä historiallinen data parantaa mallisuosituksia ja tarkkuutta.
• Jokainen poikkeamatunnistin tukee vain yhtä mallikonfiguraatiota.

Useiden toimintojen suorittaminen poikkeamien tunnistimessa

Kun olet vuorovaikutuksessa poikkeamien tunnistimen kanssa, Eventhouse suorittaa Python-kyselyitä taustalla reaaliaikaisen analyysin tukemiseksi. Näitä toimintoja ovat muun muassa seuraavat:

• Poikkeamien havaitsemisen tai muun tyyppisen analyysin suorittaminen.
• Vaihtaminen suositeltujen mallien välillä.
• Aikaikkunan tai ID:iden muuttaminen, joita katsot.
• Seuraa jatkuvasti saapuvia tietoja poikkeamien varalta asettamalla hälytyksiä.

Eventhouse tukee enintään kahdeksaa samanaikaista kyselyä tapahtumataloa kohden. Jos ylität tämän rajan, järjestelmä yrittää kyselyt uudelleen, mutta se ei jonota ylimääräisiä kyselyitä ja ne saattavat epäonnistua hiljaisesti. Virheilmoituksia, jotka tuovat selkeyttä, ovat kehitteillä.

Ongelmien välttämiseksi:

• Anna jokaisen kyselyn valmistua ennen uuden kyselyn aloittamista.
• Jos suorituskyky vaikuttaa hitaalta tai ei vastaa, vähennä samanaikaisten kyselyiden määrää.

Katso lisätietoja kohdasta Python-laajennus.

Odotusajat Python-lisäosan käyttöönotolle

Kun aloitat data-analyysin, poikkeamatunnistin ottaa automaattisesti käyttöön Python-lisäosan Eventhousessasi. Laajennuksen käyttöönotto voi kestää jopa tunnin. Kun analyysi on käytössä, se käynnistyy automaattisesti.

Lisätietoja on kohdassa Python-laajennuksen ottaminen käyttöön Real-Time Intelligencessä.

Seuraavat vaiheet

Kun olet konfiguroinut poikkeamien havaitsemisen, voit:

• Tutki poikkeamien havaitsemistapahtumia
• Poikkeamien havaitsemistapahtumien ilmoitusten määrittäminen
• Aseta aktivaattori automaattisille vastauksille
• Lue lisää monimuuttujapoikkeamien havaitsemisesta
• Ilmoitusten luominen KQL-kyselyjoukosta

Aiheeseen liittyvä sisältö

• KQL-kyselyn viite
• Real-Time Dashboardin dokumentaatio
• Aktivaattorin yleiskatsaus