Rapport over afwijkingen

Het rapport over afwijkingen in Geavanceerde analyse helpt IT-beheerders proactief problemen met de status van apparaten te identificeren voordat ze gevolgen hebben voor gebruikers. Het controleert op vastgelopen toepassingen, crashes en stopfouten die opnieuw worden opgestart, en geeft inzicht in problemen voordat ze ondersteuningskanalen bereiken.

De functie correleert implementatieobjecten en configuratiewijzigingen om probleemoplossing te versnellen en hoofdoorzaken voor te stellen. Apparaatcorrelatiegroepen onthullen patronen tussen betrokken apparaten en markeren andere die risico lopen.

Voordat u begint

Bekijk het rapport

1. In the Microsoft Intune admin center, select Reports>Endpoint analytics>Overview.
2. Selecteer het tabblad Anomalieën , dat een overzicht geeft van de afwijkingen die in uw organisatie zijn gedetecteerd.

• Gebruik de sorteer- en filtermogelijkheden om de lijst met afwijkingen te verfijnen.
• Als u meer informatie over een specifieke afwijking wilt weergeven, selecteert u deze in de lijst. Bekijk details zoals de naam van de app, betrokken apparaten, wanneer het probleem voor het eerst is gedetecteerd en voor het laatst is opgetreden, en alle apparaatgroepen die mogelijk bijdragen aan het probleem.
• Selecteer een apparaatcorrelatiegroep in de lijst om gemeenschappelijke factoren tussen apparaten te zien. Apparaten worden gecorreleerd door gedeelde kenmerken, zoals app-versie, stuurprogramma-update, versie van besturingssysteem of apparaatmodel. U kunt het aantal apparaten bekijken dat momenteel is getroffen en het aantal apparaten dat risico loopt. Het prevalentiepercentage toont het percentage getroffen apparaten in een correlatiegroep.
• Selecteer Betrokken apparaten weergeven om een lijst weer te geven met apparaten met de belangrijkste kenmerken. Filter om apparaten weer te geven in specifieke correlatiegroepen of om alle apparaten weer te geven waarop de afwijking betrekking heeft. Op de tijdlijn van het apparaat worden ook aanvullende afwijkende gebeurtenissen weergegeven.

Gegevens voor anomaliedetectie bekijken

Onderzoek correlatiegroepen met vlag met behulp van de tijdlijn van het apparaat en bronrapporten om hoofdoorzaken te bepalen. Apparaatcorrelatiegroepen helpen bij het identificeren van hoofdoorzaken van afwijkingen van hoge en gemiddelde ernst, evenals apparaten die risico lopen die in de toekomst kunnen worden beïnvloed.

Aanbevolen procedures:

• Bekijk regelmatig het dashboard voor afwijkingen om inzicht te krijgen in de huidige basislijn en prioriteit te geven aan onderzoeken en oplossingen voor nieuwe problemen.
• Onderzoek nieuwe gemelde problemen om algemene factoren te identificeren, zoals hardware, zoals weergegeven in geavanceerde analyses.
• Geef prioriteit aan afwijkingen die moeten worden onderzocht op basis van ernst en interne kennis, zoals kritiek van toepassingen.
• Gebruik het tijdlijnrapport van het apparaat om te controleren op patronen, zoals het opnieuw opstarten van het apparaat of updates die zijn gekoppeld aan afwijkingen.
• Werk samen met IT-teams om andere factoren te identificeren, zoals recente updates van toepassingen, die van invloed kunnen zijn op anomalieën.
• Bekijk mogelijke herstelacties die zijn vermeld in het anomalierapport (bijvoorbeeld stuurprogramma- of toepassingsupdates).
• Integreer oplossingen in L1/L2-ondersteuning om teams op de hoogte te houden van actuele bekende problemen. Overweeg om met uw ITSM-team samen te werken om bekende afwijkingen vast te leggen die worden onderzocht.
• Test herstelacties op een subset van apparaten en bewaak de resultaten voordat u deze op meer apparaten implementeert. Implementeer na herstel proactief naar risicoapparaten.
• Controleer afwijkingsrapporten na grote updates of incidenten om te controleren op nieuwe problemen die moeten worden onderzocht en opgelost.
• Bekijk de statistische modellen die worden gebruikt door anomaliedetectie om de detectiemethoden beter te begrijpen.

Statistische modellen voor het bepalen van anomalieën

Het analytische model detecteert apparaatcohorten die te maken hebben met afwijkende sets van stopfouten, opnieuw opstarten en vastlopen of vastlopen van toepassingen die de aandacht van de beheerder vereisen. Patronen die zijn geïdentificeerd uit sensortelemetrie en diagnostische logboeken bepalen deze apparaatcohorten.

• Heuristisch model op basis van drempelwaarden: dit model stelt een of meer drempelwaarden in voor vastlopen, vastlopen of het opnieuw opstarten van stopfouten. Apparaten worden gemarkeerd als afwijkend als ze de ingestelde drempelwaarde overschrijden. Het model is eenvoudig en effectief voor het aan de oppervlakte brengen van prominente of statische problemen. Drempelwaarden zijn momenteel vooraf bepaald en kunnen niet worden aangepast.
• Gepaarde t-toetsenmodel: Gepaarde t-toetsen vergelijken waarnemingsparen in een dataset, op zoek naar statistisch significante verschillen tussen hun gemiddelden. Bijvoorbeeld, het vergelijken van stopfout Herstart op hetzelfde apparaat voor en na een beleidswijziging, of app-crashes na een update van het besturingssysteem.
• Z-scoremodel voor populatie: dit model berekent de standaarddeviatie en het gemiddelde van een gegevensset en gebruikt vervolgens die waarden om te bepalen welke gegevenspunten abnormaal zijn. De Z-score voor elk gegevenspunt vertegenwoordigt het aantal standaarddeviaties ten opzichte van het gemiddelde. Gegevenspunten buiten een bepaald bereik worden als afwijkend beschouwd. Dit model is zeer geschikt voor het markeren van apparaten of apps die uitbijters zijn, maar vereist grote gegevenssets om nauwkeurig te zijn.
• Z-scoremodel voor tijdreeksen: Deze variant van het Z-scoremodel is ontworpen voor het detecteren van afwijkingen in tijdreeksgegevens: reeksen gegevenspunten die met regelmatige tussenpozen worden verzameld, zoals stopfout Opnieuw opstarten in de loop van de tijd. De standaarddeviatie en het gemiddelde worden berekend voor een glijdend venster, zodat het model zich kan aanpassen aan temporele patronen en wijzigingen in de gegevensverdeling.