異常レポート

高度分析の異常レポートは、IT 管理者がデバイス正常性の問題がユーザーに影響を与える前に事前に特定するのに役立ちます。 アプリケーションのハング、クラッシュ、再起動の停止を監視し、サポート チャネルに到達する前に問題を可視化します。

この機能は、展開オブジェクトと構成変更を関連付けて、トラブルシューティングを迅速化し、根本原因を提案します。 デバイス相関グループは、影響を受けるデバイスのパターンを明らかにし、危険にさらされている他のデバイスにフラグを設定します。

開始する前に

レポートを確認する

1. Microsoft Intune管理センターで、[レポート]>[エンドポイント分析]>[概要] を選択します。
2. [Anomalies] タブを選択すると、organization で検出された異常の概要が表示されます。

• 並べ替えとフィルター処理機能を使用して、異常のリストを絞り込みます。
• 特定の異常に関する詳細を表示するには、一覧から選択します。 アプリ名、影響を受けるデバイス、問題が最初に検出されて最後に発生した日時、問題の原因となっている可能性のあるデバイス グループなどの詳細を確認します。
• 一覧からデバイス相関グループを選択すると、デバイス間の共通の要因が表示されます。 デバイスは、アプリのバージョン、ドライバーの更新プログラム、OS バージョン、デバイス モデルなどの共有属性によって相互に関連付けられています。 現在影響を受けているデバイスと危険にさらされているデバイスの数を表示できます。 有病率は、相関グループ内の影響を受けるデバイスの割合を示します。
• [ 影響を受けるデバイスの表示] を選択して、主要な属性を持つデバイスの一覧を表示します。 フィルター処理して、特定の相関グループ内のデバイスを表示したり、異常の影響を受けるすべてのデバイスを表示したりします。 デバイス タイムラインには、追加の異常イベントも表示されます。

異常検出データを確認する

デバイス タイムラインとリソース レポートを使用して、フラグが設定されたデバイス関連付けグループを調査し、根本原因を特定します。 デバイス相関グループは、重大度が高および中程度の異常の根本原因と、将来影響を受ける可能性のあるリスクのあるデバイスの特定に役立ちます。

ベスト プラクティス:

• 異常ダッシュボードを定期的に確認して、現在のベースラインを理解し、新しい問題の調査と解決に優先順位を付けます。
• [高度な分析] に示されているように、新しく報告された問題を調査して、デバイス ハードウェアなどの一般的な要因を特定します。
• 重大度や内部知識 (アプリケーションの重要度など) に基づいて調査する異常の優先順位を付けます。
• デバイス タイムライン レポートを使用して、デバイスの再起動や異常に関連する更新プログラムなどのパターンをチェックします。
• IT チームと協力して、最近のアプリケーションの更新など、異常に影響を与える可能性のある他の要因を特定します。
• 異常レポートに記載されている可能な修復アクション (ドライバーやアプリケーションの更新など) を確認します。
• 解決策を L1/L2 サポートに統合して、チームが現在の既知の問題を認識できるようにします。 ITSM チームと協力して、調査中の既知の異常を記録することを検討してください。
• デバイスのサブセットで修復アクションをテストし、他のデバイスにロール アウトする前に結果を監視します。 修復後、リスクのあるデバイスに対して事前にロールアウトします。
• メジャー アップデートまたはインシデントの後に異常レポートを確認して、調査と解決が必要な新しい問題をチェックします。
• 検出方法をより深く理解するために、異常検出で使用される 統計モデル を確認します。

異常を特定するための統計モデル

分析モデルは、管理者の注意が必要な Stop エラーの再起動やアプリケーションのハングまたはクラッシュの異常なセットに直面しているデバイス コーホートを検出します。 センサー テレメトリと診断ログから識別されたパターンによって、これらのデバイス コーホートが決まります。

• しきい値ベースのヒューリスティック モデル: このモデルは、アプリケーションのハング、クラッシュ、または再起動の停止の 1 つ以上のしきい値を設定します。 デバイスが設定されたしきい値に違反した場合、デバイスには異常としてフラグが設定されます。 このモデルは、顕著な問題や静的な問題を表面化するのにシンプルで効果的です。 しきい値は現在事前に決定されており、カスタマイズできません。
• 対応する t 検定モデル: 対応する t 検定では、データセット内の観測値のペアを比較し、それらの平均間の統計的に有意な差を探します。 たとえば、ポリシー変更の前後の同じデバイスでの再起動の停止エラーを比較したり、OS 更新後にアプリがクラッシュしたりします。
• 母集団の Z スコア モデル: このモデルは、データセットの標準偏差と平均を計算し、それらの値を使用して、どのデータ ポイントが異常であるかを判断します。 各データ ポイントの Z スコアは、平均からの標準偏差の数を表します。 特定の範囲外のデータ ポイントは異常と見なされます。 このモデルは、外れ値のデバイスやアプリを強調表示するのに適していますが、正確な状態であるには大規模なデータセットが必要です。
• 時系列 Z スコア モデル: Z スコア モデルのこのバリエーションは、時系列データの異常 (時間の経過に伴う Stop エラーの再起動など、一定の間隔で収集される一連のデータ ポイント) を検出するように設計されています。 Standard deviation と mean はスライディング ウィンドウに対して計算されるため、モデルは時間的なパターンやデータ分布の変化に適応できます。