Avvikelseidentifiering i Real-Time Intelligence (förhandsversion)

Den här artikeln beskriver hur du konfigurerar avvikelseidentifiering i Real-Time Intelligence för att automatiskt identifiera ovanliga mönster och extremvärden i dina Eventhouse-tabeller. Systemet tillhandahåller rekommenderade modeller och gör att du kan konfigurera kontinuerlig övervakning med automatiserade åtgärder.

Exempel på viktiga funktioner:

• Modellrekommendationer: Föreslår de bästa algoritmerna och parametrarna för dina data.
• Interaktiv avvikelseutforskning: Visualisera identifierade avvikelser och justera modellens känslighet.
• Kontinuerlig övervakning: Konfigurera avvikelseidentifiering i realtid med automatiserade meddelanden.
• Analysera om med nya data: Uppdatera dina modeller när nya data tas emot för att förbättra noggrannheten.

Avvikelseidentifiering körs internt i Eventhouse-tabeller utan att kopiera data, och fungerar direkt via livedatauppsättningar för realtidsanalys. Analys och kontinuerlig övervakning körs på plats i Eventhouse, vilket minimerar dataflytten.

Avvikelsedetektering stödjer också Eventhouse-genvägstabeller, så du kan analysera data utan att först kopiera eller flytta den till en dedikerad Eventhouse-tabell. Du kan skapa avvikelsedetektorer direkt på stödda genvägstabeller och använda samma analys, modellrekommendationer och kontinuerliga övervakningsupplevelser som finns för de inbyggda Eventhouse-datakällorna. Detta stöd utökar avvikelsedetektering till externa och federerade datakällor som redan är anslutna via Eventhouse-genvägar, så att du kan gå från att koppla data till att upptäcka problem med mindre installation och duplicering.

Förutsättningar

• En arbetsyta med en kapacitet som stöder Microsoft Fabric.

• Rollen som administratör, deltagare eller medlemi arbetsytan.

• Ett Eventhouse på din arbetsyta med en KQL-databas.

• Ett Python-plugin-program aktiverat på samma Eventhouse.

  1. För att aktivera pluginet, gå till ditt Eventhouse.
  2. I det övre verktygsfältet väljer du Plugin-program och aktiverar sedan Python-språktillägget.
  3. Välj plugin-programmet Python 3.11.7 DL och välj Klar.

  

• Upptäck avvikelser i Real-Time Intelligence aktiverat i din arbetsmiljö.

  1. För att aktivera avvikelsedetektering, gå till din arbetsplats.
  2. Uppgradera till en gratis provperiod av Microsoft Fabric eller se till att din arbetsplats har en Microsoft Fabric-licens.
  3. Kontakta antingen din administratör för att aktivera förhandsvisningsfunktionen eller gå till administratörsportalen och aktivera Upptäcka avvikelser i Real-Time Intelligens (Förhandsvisning).

Så här konfigurerar du avvikelseidentifiering

Komma igång

Du kan starta avvikelseidentifiering på tre sätt:

Visa befintliga konfigurationer för avviksdetektering

Innan du skapar en ny avvikelsedetektor, kontrollera om det redan finns en konfiguration för avvikelsedetektering för den datakälla du valt. Denna vy ger dig snabb insyn i hur avvikelsedetektering för närvarande är uppsatt för den datakällan. Det hjälper dig att undvika dubbletter och bättre förstå hur andra använder datan.

1. I din lista över datakällor, välj ellipsen (...) för den datakälla du vill analysera, och välj sedan Befintlig avvikelsedetektor.

   

2. I View anomalier detected kan du se alla befintliga anomalidetekteringskonfigurationer för den valda datakällan och utforska detaljerna för varje.

   1. Från vänstra navigationspanelen väljer du en konfiguration för att utforska de upptäckta avvikelserna, eller välj Öppna för att se den i helskärm.

   2. Om de befintliga konfigurationerna inte uppfyller dina behov, välj Ny för att skapa en ny konfiguration för avvikelsedetektering.

   

Denna erfarenhet hjälper dig att snabbt gå från utforskning till handling, utan att lämna kontexten i din datakälla.

Konfigurera indatakolumner för analys

Ange vilka kolumner som ska analyseras och hur du grupperar dina data.

1. I konfigurationsfönstret lägger du till kolumnen Värde att titta på som innehåller de numeriska data som du vill övervaka för avvikelser.

   

   Anmärkning

   Kontrollera att den markerade kolumnen innehåller numeriska värden eftersom endast numeriska data stöds för avvikelseidentifiering.

2. Välj kolumnen Gruppera efter för att ange hur dina data ska partitioneras för analys. Den här kolumnen representerar vanligtvis entiteter som enheter, platser eller andra logiska grupper.

   

3. Välj kolumnen Tidsstämpel som representerar den tid då varje datapunkt registrerades. Den här kolumnen är avgörande för avvikelseidentifiering i tidsserier och säkerställer en korrekt analys av trender över tid.

   

4. Välj Kör analys för att påbörja den automatiserade modellutvärderingen.

Vänta tills analysen har slutförts

Systemet analyserar dina data för att hitta de bästa modellerna för avvikelseidentifiering.

Under analysen genomför systemet följande:

• Samplar din tabelldata för effektiv bearbetning
• Testar flera algoritmer för avvikelseidentifiering
• Utvärderar olika parameterkonfigurationer
• Identifierar de mest effektiva modellerna för dina specifika datamönster

Granska rekommenderade modeller och avvikelser

När analysen är klar granskar du resultaten och utforskar de identifierade avvikelserna.

1. Öppna avvikelseidentifieringsresultatet genom att välja det meddelande som du fick eller genom att gå tillbaka till tabellen och välja Visa avvikelseresultat.

2. Resultatsidan innehåller följande insikter:

   • En visualisering av dina data med avvikelser tydligt markerade.
   • En lista över rekommenderade algoritmer, rangordnade efter deras effektivitet för dina data.
   • Känslighetsinställningar för att justera tröskelvärdena för identifiering.
   • En detaljerad tabell med identifierade avvikelser inom det valda tidsintervallet.

3. Använd modellväljaren för att jämföra prestanda för olika rekommenderade algoritmer och välja den som passar dina behov bäst.

4. Justera känslighetsinställningarna för att förfina avvikelseidentifieringsresultatet:

   • Alternativen är låga, medelhöga och höga konfidensnivåer.
   • Experimentera med de här inställningarna för att balansera mellan att identifiera fler avvikelser och minska falska positiva identifieringar.

5. Interagera med visuella objekt och tabeller för att få djupare insikter om de identifierade avvikelserna och förstå mönstren i dina data. Du kan också öppna kontexten för avvikelseanalys i en Fabric notebook-fil för att ytterligare utforska data och upptäckta avvikelser med KQL, SQL, Python eller Spark, vilket möjliggör avancerade transformeringar och maskininlärning på samma datagrund.

6. Spara avvikelsedetektorn för att bevara konfigurationen och gå tillbaka till den senare.

7. Publicera de identifierade avvikelserna till Real-Time Hub för att möjliggöra kontinuerlig övervakning av inkommande live-data under Fabric-styrning, utan att duplicera datauppsättningen. Du kan också konfigurera underordnade åtgärder, till exempel att skicka aviseringar till Activator.

Genom att granska och finjustera resultaten kan du se till att konfigurationen av avvikelseidentifiering är optimerad för ditt specifika användningsfall.

Analysera om modeller för avvikelseidentifiering med nya data

Håll dina modeller för avvikelseidentifiering uppdaterade när nya data blir tillgängliga.

Följ dessa steg för att analysera modellen igen med nya data:

1. Gå till objektet för avvikelseidentifiering.
2. I panelen Redigera ändrar du något av de tidigare ifyllda fälten efter behov.
3. Välj Kör analys. Den här åtgärden startar en ny analys baserat på dina uppdaterade indata.

Utforska händelser för avvikelseidentifiering och ange aviseringar

När du har publicerat resultatet av avvikelseidentifieringen kan du utforska de identifierade avvikelserna i Real-Time Hub och konfigurera aviseringar för att meddela dig om framtida avvikelser.

Avvikelsehändelser kan också anslutas till Fabric dataagenter för att aktivera automatiserade resonemang och åtgärder för både live- och historiska händelsedata. Agenter kan bearbeta avvikelsehändelser och orkestrera efterföljande arbetsflöden, vilket kompletterar Activator-baserade aviseringar.

Fråga efter resultat för avvikelser med SQL-slutpunkt

Eventhouse tillhandahåller en hanterad SQL-slutpunkt i linje med Eventhouse-datamodellen och Fabric styrning. Du kan fråga avvikelseidentifieringsutdata och relaterade tabeller eller vyer via SQL för nedströmsanalys och integreringar. Om du vill hitta information om SQL-slutpunktsanslutningen går du till ditt Eventhouse-objekt på Fabric-arbetsytan.

Mer information finns i:

• Utforska händelser för avvikelseidentifiering
• Ange aviseringar för avvikelseidentifieringshändelser

Begränsningar och överväganden

Tänk på dessa begränsningar:

• Avvikelseidentifiering inaktiveras om indatatabellen inte matchar det obligatoriska schemat (numerisk värdekolumn, datetime-kolumn och strängkolumn).
• Tillräckliga historiska data förbättrar modellens rekommendationer och noggrannhet.
• Varje avvikelseidentifiering stöder endast en enskild modellkonfiguration.

Köra flera åtgärder i avvikelseidentifieringen

När du interagerar med avvikelseidentifieringen kör Eventhouse Python-frågor i bakgrunden för att stödja realtidsanalys. Dessa åtgärder omfattar följande:

• Köra avvikelseidentifiering eller andra typer av analys.
• Växla mellan rekommenderade modeller.
• Ändra tidsfönstret eller ID:t som du visar.
• Övervaka inkommande data kontinuerligt för avvikelser genom att ange aviseringar.

Eventhouse stöder upp till åtta samtidiga frågor per Eventhouse. Om du överskrider den här gränsen försöker systemet skicka förfrågningarna igen, men det köar inte ytterligare förfrågningar och dessa kan tyst misslyckas. Felmeddelanden som ger mer klarhet håller på att utvecklas.

Så här undviker du problem:

• Tillåt att varje fråga slutförs innan du startar en ny.
• Om prestandan verkar långsam eller inte svarar minskar du antalet samtidiga frågor.

Mer information finns i Python-plugin-programmet.

Väntetider för att aktivera Python-pluginet

När du startar dataanalys aktiverar avvikelsedetektorn automatiskt Python-pluginet på ditt Eventhouse. Det kan ta upp till en timme att aktivera plugin-programmet. När den är aktiverad startas analysen automatiskt.

Mer information finns i Aktivera Python-plugin-program i Real-Time Intelligence.

Nästa steg

När du har konfigurerat avvikelseidentifiering kan du:

• Utforska händelser för avvikelseidentifiering
• Ange aviseringar för avvikelseidentifieringshändelser
• Konfigurera Activator för automatiserade svar
• Lär dig mer om multivariatavvikelseidentifiering
• Skapa aviseringar från en KQL-frågeuppsättning

Relaterat innehåll

• KQL-frågereferens
• Dokumentation om realtid översiktspanel
• Aktiveringsöversikt