Rapport om avvikelser

Avvikelserapporten i Advanced Analytics hjälper IT-administratörer att proaktivt identifiera hälsoproblem innan de påverkar användare. Den övervakar att program hänger sig, kraschar och stoppfel, vilket ger insyn i problem innan de når supportkanalerna.

Funktionen korrelerar distributionsobjekt och konfigurationsändringar till hastighetsfelsökning och föreslår rotorsaker. Enhetskorrelationsgrupper visar mönster bland berörda enheter och flaggar andra som är utsatta för risk.

Innan du börjar

Granska rapporten

1. I administrationscentret för Microsoft Intune väljer du Översikt överslutpunktsanalys>förrapporter>.
2. Välj fliken Avvikelser , som innehåller en översikt över de avvikelser som upptäckts i din organisation.

• Använd sorterings- och filtreringsfunktioner för att förfina listan över avvikelser.
• Om du vill visa mer information om en specifik avvikelse markerar du den i listan. Granska information som appnamn, berörda enheter, när problemet först upptäcktes och senast inträffade och eventuella enhetsgrupper som kan bidra till problemet.
• Välj en enhetskorrelationsgrupp i listan för att se gemensamma faktorer mellan enheter. Enheter korreleras av delade attribut, till exempel appversion, drivrutinsuppdatering, operativsystemversion eller enhetsmodell. Du kan visa antalet enheter som för närvarande påverkas och de som är i riskzonen. Prevalensen visar procentandelen påverkade enheter i en korrelationsgrupp.
• Välj Visa berörda enheter för att visa en lista över enheter med viktiga attribut. Filtrera för att visa enheter i specifika korrelationsgrupper eller visa alla enheter som påverkas av avvikelsen. Enhetens tidslinje visar också ytterligare avvikande händelser.

Granska data för avvikelseidentifiering

Undersök flaggade enhetskorrelationsgrupper med hjälp av enhetens tidslinje och resursrapporter för att fastställa orsakerna. Enhetskorrelationsgrupper hjälper till att identifiera rotorsaker till avvikelser med hög och medelhög allvarlighetsgrad, samt enheter i riskzonen som kan påverkas i framtiden.

Metodtips:

• Granska instrumentpanelen för avvikelser regelbundet för att förstå den aktuella baslinjen och prioritera undersökningar och lösningar för nya problem.
• Undersök nya rapporterade problem för att identifiera vanliga faktorer, till exempel enhetsmaskinvara, enligt vad som visas i avancerad analys.
• Prioritera avvikelser som ska undersökas baserat på allvarlighetsgrad och intern kunskap, till exempel programkritikalitet.
• Använd enhetens tidslinjerapport för att söka efter mönster, till exempel omstarter av enheten eller uppdateringar kopplade till avvikelser.
• Arbeta med IT-team för att identifiera andra faktorer, till exempel de senaste programuppdateringarna, som kan påverka avvikelser.
• Granska möjliga reparationsåtgärder som antecknats i avvikelserapporten (till exempel drivrutins- eller programuppdateringar).
• Integrera lösningar i L1/L2-stöd för att hålla teamen medvetna om aktuella kända problem. Överväg att arbeta med ITSM-teamet för att registrera kända avvikelser under undersökning.
• Testa reparationsåtgärder på en delmängd av enheterna och övervaka resultaten innan du distribuerar till fler enheter. Efter reparation distribuerar du proaktivt till enheter i riskzonen.
• Granska avvikelserapporter efter större uppdateringar eller incidenter för att kontrollera om det finns nya problem som behöver undersökas och lösas.
• För att bättre förstå identifieringsmetoder kan du granska de statistiska modeller som används av avvikelseidentifiering.

Statistiska modeller för bestämning av avvikelser

Den analytiska modellen identifierar enhetskohorter med avvikande uppsättningar omstarter av stoppfel och att programmet hänger sig eller kraschar som kräver administratörsåtgärder. Mönster som identifieras från sensortelemetri och diagnostikloggar bestämmer dessa enhetskohorter.

• Tröskelbaserad heuristisk modell: Den här modellen anger ett eller flera tröskelvärden för att programmet ska låsa sig, krascha eller stoppa omstarter. Enheter flaggas som avvikande om de överskrider det angivna tröskelvärdet. Modellen är enkel och effektiv för att ta upp framträdande eller statiska problem. Tröskelvärden är för närvarande förutbestämda och kan inte anpassas.
• Parad t-testmodell: Parade t-tester jämför par av observationer i en datauppsättning och letar efter statistiskt signifikanta skillnader mellan deras medelvärden. Du kan till exempel jämföra omstarter av stoppfel på samma enhet före och efter en principändring eller appar som kraschar efter en uppdatering av operativsystemet.
• Z-poängmodell för population: Den här modellen beräknar standardavvikelsen och medelvärdet för en datauppsättning och använder sedan dessa värden för att avgöra vilka datapunkter som är avvikande. Z-poängen för varje datapunkt representerar antalet standardavvikelser från medelvärdet. Datapunkter utanför ett visst intervall betraktas som avvikande. Den här modellen passar bra för att markera avvikande enheter eller appar, men kräver stora datamängder för att vara korrekt.
• Z-poängmodell för tidsserie: Den här varianten av Z-poängmodellen är utformad för att identifiera avvikelser i tidsseriedata – sekvenser av datapunkter som samlas in med jämna mellanrum, till exempel omstarter av stoppfel över tid. Standardavvikelse och medelvärde beräknas för ett skjutfönster, vilket gör att modellen kan anpassa sig till tidsmässiga mönster och förändringar i datadistributionen.