Important
2026年12月1日以降はFabric異常検出アイテムを作成できません。 2027年1月1日以降、異常検出イベントは停止します。 残りの項目はこの日以降削除されます。 この変更は異常検出器が監視するイベントハウスのデータには影響しません。
この記事では、Fabric Real-Time Intelligence で使用できる異常検出モデルの仕様と機能の概要について説明します。 これらのモデルは、データ ストリーム内の異常なパターンと外れ値を自動的に識別するように設計されています。
Important
この機能は プレビュー段階です。
サポートされているモデル
| モデル名 | Description | Package |
|---|---|---|
| シグナル監視ツール | 微妙な変化から急激なスパイクまで、異常な動作を検出するために、基になる信号を分析します。 | TSB-AD - SRアルゴリズムに基づく |
| Signal Watcher (シーズナル) | 季節性で補強された基になる信号を分析することで、微妙な変化から急激なスパイクまで、さまざまな異常な動作を検出します。 | TSB-AD - SRアルゴリズムに基づく |
| Signal Watcher (強化版シーズナル) | 複雑な季節性で補強された基になる信号を分析することで、微妙な変化から急激なスパイクまで、さまざまな異常な動作を検出します。 | TSB-AD - SRアルゴリズムに基づく |
| ヒストグラム監視ツール | データ分散パターンに基づいて異常を識別し、大規模なデータセットに対して高速でスケーラブルなパフォーマンスを提供します。 | TSB-AD - HBOSアルゴリズムに基づく |
| パターン近接性 | データ ポイントがフィーチャ空間内で近接しているかどうかに基づいて異常を検出するために、k-近傍法を使用します。 ローカル パターンシフトに最適です。 | TSB-AD - KNNアルゴリズムに基づく |
| コア パターン ファインダー | 複雑なデータを最も重要なパターンに減らし、微妙で隠れた異常を簡単に検出できます。 | TSB-AD - PCAアルゴリズムに基づく |
| スパイク検出機能の変更 | 時間の経過に伴う値の変化を比較することで、急激でローカルな変化を見分けます。 | MS 開発済み |
| ローリングチェンジトラッカー | 移動傾向を追跡して、データ パターンの段階的な変化を特定します。 | MS 開発済み |
| 外れ値レーダー | 平均から大幅に逸脱したデータ ポイントを強調表示します。大きな外れ値や突然の外れ値を見つけるのに役立ちます。 | MS 開発済み |
| 堅牢な外れ値レーダー | 外れ値レーダーと同様に、このモデルでは、歪んだデータのより堅牢な分析に中央値を使用します。 これは、自然変動を無視しながら、有意な偏差に焦点を当てています。 これにより、ノイズの多い環境でも安定します。 | MS 開発済み |
| ロバスト異常値レーダー (季節) | 複雑なデータ分散を処理し、季節認識を組み込むため、定期的なパターンに最適です。 | MS 開発済み |
| 偏差パルス | 重要な偏差の信号を監視し、目立つイベントを検出するために最適化されます。 | MS 開発済み |