Proces detektoru anomálií

Databricks
Service Bus
Účty úložiště

Rozhraní API pro detekci anomálií umožňuje monitorovat a detekovat anomálie v datech časových řad bez nutnosti znát strojové učení. Algoritmy rozhraní API pro detekci anomálií se přizpůsobují tak, že automaticky identifikují a aplikují nejvhodnější modely na vaše data, bez ohledu na obor, scénář nebo objem dat. Pomocí dat časových řad rozhraní API určuje hranice pro detekci anomálií, očekávané hodnoty a které datové body jsou anomálie.

Architektura

Diagram architektury

Stáhnout SVG této architektury.

Tok dat

  1. Ingestuje data z různých úložišť, která obsahují nezpracovaná data, která se mají monitorovat pomocí anomálií.
  2. Agreguje, vzorkuje a vypočte nezpracovaná data pro generování časových řad nebo volá rozhraní API pro detekci anomálií přímo v případě, že časová řada je už připravená a reaguje na výsledky zjišťování.
  3. Zařadí do fronty metadata týkající se anomálií.
  4. Aplikace bez serveru vybere zprávu z fronty zpráv na základě metadat souvisejících s anomálií a pošle výstrahu o anomálii.
  5. Ukládá metadata detekce anomálií.
  6. Vizualizujte výsledky detekce anomálií časové řady.

Komponenty

Klíčové technologie používané k implementaci této architektury:

  • Service Bus: spolehlivé cloudové zasílání zpráv jako službu (MaaS) a jednoduchou hybridní integraci
  • Azure Databricks: rychlá, snadná a týmová služba založená na Apache Spark spolupráci
  • Power BI: interaktivní nástroje BI pro vizualizaci dat
  • účty Storage: trvalé, vysoce dostupné a široce škálovatelné cloudové úložiště
  • Cognitive Services: cloudové služby s rozhraními REST API a sady SDK klientské knihovny, které vám pomůžou při sestavování rozpoznávání informací do vašich aplikací
  • Logic Apps: platforma bez serveru pro vytváření podnikových pracovních postupů, které integrují aplikace, data a služby. V této architektuře se aplikace logiky spouštějí požadavky HTTP.

Alternativy

  • Event Hubs s Kafka: alternativou ke spuštění vlastního clusteru Kafka. Tato funkce Event Hubs poskytuje koncový bod, který je kompatibilní s rozhraními API Kafka.
  • Azure synapse Analytics: analytická služba, která přináší dohromady podnikové datové sklady a analýzy velkých objemů dat
  • Azure Machine Learning: umožňuje sestavovat, vyvíjet, nasazovat a spravovat modely detekce pro vlastní strojové učení/anomálie v cloudovém prostředí.

Požadavky

Škálovatelnost

Většina komponent používaných v tomto ukázkovém scénáři je spravovaná služba, která se automaticky škáluje.

Obecné pokyny k navrhování škálovatelných řešení naleznete v části Kontrolní seznam efektivity výkonu v cetrum architektury Azure.

Zabezpečení

Spravované identity prostředků Azure slouží k poskytnutí přístupu k dalším prostředkům internímu vašemu účtu a pak k vašemu Azure Functions přiřazeným. Umožněte přístup jenom k požadovaným prostředkům v těchto identitě, abyste měli jistotu, že nic dalšího není k dispozici pro vaše funkce (a potenciálně pro vaše zákazníky).

Obecné pokyny k navrhování zabezpečených řešení najdete v dokumentaci k zabezpečení Azure.

Odolnost

Všechny komponenty v tomto scénáři jsou spravovány, takže na regionální úrovni jsou všechny odolné automaticky.

Obecné pokyny k navrhování odolných řešení najdete v tématu navrhování odolných aplikací pro Azure.

Ceny

Pokud chcete prozkoumat náklady na spuštění tohoto scénáře, přečtěte si předem vyplněné kalkulačky se všemi službami. Pokud chcete zjistit, jak by se ceny změnily pro váš konkrétní případ použití, změňte příslušné proměnné tak, aby odpovídaly očekávanému provozu nebo datovým svazkům.

Poskytujeme tři ukázkové profily nákladů na základě objemu přenosů (předpokládáme, že všechny obrázky mají velikost 100 kB):

  • příklad kalkulačky: tento příklad ceny je kalkulačka se všemi službami v této architektuře, s výjimkou Power BI a vlastní řešení výstrah.

Další kroky