Worum handelt es sich bei der univariaten Anomalieerkennungs-API?

Die Anomalieerkennungs-API bietet Ihnen die Möglichkeit, Anomalien in Zeitreihendaten ohne Machine Learning-Kenntnisse zu überwachen und zu erkennen. Die Algorithmen der Anomalieerkennungs-API passen sich an, indem die am besten passenden Modelle für Ihre Daten automatisch identifiziert und angewendet werden, unabhängig von der Branche, dem Szenario oder der Datenmenge. Mithilfe der Zeitreihendaten bestimmt die API die Grenzen für die Anomalieerkennung, die erwarteten Werte und, welche Datenpunkte Anomalien sind.

Detect pattern changes in service requests

Für die Verwendung der Anomalieerkennung sind keine Erfahrungen im Bereich des maschinellen Lernens erforderlich. Dank der REST-API können Sie den Dienst einfach in Ihre Anwendungen und Prozesse integrieren.

Diese Dokumentation enthält die folgenden Arten von Artikeln:

  • In den Schnellstarts finden Sie Schritt-für-Schritt-Anleitungen, mit denen Sie Aufrufe an den Dienst senden können und in kurzer Zeit Ergebnisse erhalten.
  • Die Anleitungen enthalten Anweisungen zur spezifischeren oder individuelleren Verwendung des Diensts.
  • Die konzeptionellen Artikel enthalten ausführliche Erläuterungen der Funktionen und Features eines Diensts.
  • Die Tutorials sind ausführlichere Leitfäden, in denen die Verwendung dieses Diensts als Komponente in umfassenderen Unternehmenslösungen veranschaulicht wird.

Features

Mit der Anomalieerkennung können Sie Anomalien in allen Zeitreihendaten, oder auch während sie in Echtzeit auftreten, automatisch erkennen.

Funktion Beschreibung
Anomalieerkennung in Echtzeit Anomalien werden in Ihren Streamingdaten erkannt, indem anhand vorheriger Datenpunkte ermittelt wird, ob der letzte Punkt eine Anomalie ist. Bei diesem Vorgang wird anhand der von Ihnen gesendeten Datenpunkte ein Modell generiert und bestimmt, ob der Zielpunkt eine Anomalie ist. Durch Aufrufen der API mit jedem neu generierten Datenpunkt können Sie Daten während der Erstellung überwachen.
Erkennen von Anomalien für das ganze Dataset als Batch Die Zeitreihe wird verwendet, um alle Anomalien zu erkennen, die in den gesamten Daten potenziell vorhanden sind. Bei diesem Vorgang wird anhand der gesamten Zeitreihendaten ein Modell generiert, bei dem jeder Punkt mit demselben Modell analysiert wird.
Erkennen von Änderungspunkten für das gesamte Dataset als Batch Nutzen Sie Ihre Zeitreihe, um Trendänderungspunkte in Ihren Daten zu erkennen. Bei diesem Vorgang wird anhand der gesamten Zeitreihendaten ein Modell generiert, bei dem jeder Punkt mit demselben Modell analysiert wird.
Erhalten zusätzlicher Informationen zu Ihren Daten Erhalten Sie hilfreiche Details zu Ihren Daten und allen beobachteten Anomalien, wie erwarteten Werten, Anomaliegrenzen und Positionen.
Anpassen der Grenzen für die Anomalieerkennung Die Anomalieerkennungs-API erstellt automatisch Grenzen für die Anomalieerkennung. Passen Sie diese Grenzen an, um die Empfindlichkeit der API für Datenanomalien zu erhöhen oder zu verringern, sodass diese besser zu Ihren Daten passt.

Demo

Sehen Sie sich diese interaktive Demonstration an, um sich mit der Funktionsweise der Anomalieerkennung vertraut zu machen. Zum Ausführen der Demonstration müssen Sie eine Ressource für die Anomalieerkennung und den API-Schlüssel und den Endpunkt abrufen.

Notebook

Machen Sie sich anhand dieses Notebooks mit dem Aufrufen der Anomalieerkennungs-API vertraut. In dieser Jupyter Notebook-Instanz wird gezeigt, wie Sie eine API-Anforderung senden und das Ergebnis visualisieren.

Um das Notebook ausführen zu können, rufen Sie einen gültigen Abonnementschlüssel für die Anomalieerkennungs-API sowie einen API-Endpunkt ab. Fügen Sie im Notebook den gültigen Abonnementschlüssel für die Anomalieerkennungs-API zur subscription_key-Variablen hinzu, und ändern Sie die endpoint-Variable in Ihren Endpunkt.

Workflow

Die Anomalieerkennungs-API ist ein RESTful-Webdienst und kann somit problemlos in jeder Programmiersprache aufgerufen werden, die HTTP-Anforderungen beherrscht und JSON analysieren kann.

Hinweis

Damit bei der Verwendung der API für die Anomalieerkennung die besten Ergebnisse erzielt werden, sollten Ihre JSON-formatierten Zeitreihendaten Folgendes enthalten:

  • Datenpunkte, die durch dasselbe Intervall getrennt sind, wobei nicht mehr als 10 % der erwarteten Anzahl von Punkten fehlen.
  • Mindestens 12 Datenpunkte, wenn Ihre Daten kein eindeutiges saisonales Muster aufweisen.
  • Mindestens vier Mustervorkommen, wenn Ihre Daten ein eindeutiges saisonales Muster aufweisen.

Sie benötigen ein Cognitive Services-API-Konto mit Zugriff auf die Anomalieerkennungs-API. Sie können Ihren Abonnementschlüssel über das Azure-Portal abrufen, nachdem Sie Ihr Konto erstellt haben.

Nach der Registrierung:

  1. Konvertieren Sie die Zeitreihendaten in ein gültiges JSON-Format. Folgen Sie den bewährten Methoden, wenn Sie die Daten vorbereiten, um die besten Ergebnisse zu erzielen.
  2. Senden Sie eine Anforderung mit Ihren Daten an die Anomalieerkennungs-API.
  3. Analysieren Sie die zurückgegebene JSON-Nachricht, um die API-Antwort zu verarbeiten.

Algorithmen

Informationen zu den von Microsoft entwickelten SR-CNN-Algorithmen finden Sie unter Time-Series Anomaly Detection Service at Microsoft (Anomalieerkennungsdienst für Zeitreihen bei Microsoft) – akzeptiert von KDD 2019.

Dienstverfügbarkeit und Redundanz

Ist der Anomalieerkennungsdienst zonenresilient?

Ja. Der Anomalieerkennungsdienst ist standardmäßig zonenresilient.

Wie konfiguriere ich den Anomalieerkennungsdienst so, dass er zonenresilient ist?

Es ist keine Kundenkonfiguration erforderlich, um Zonenresilienz zu ermöglichen. Zonenresilienz für Anomalieerkennungsressourcen ist standardmäßig verfügbar und wird vom Dienst selbst verwaltet.

Lokales Bereitstellen unter Verwendung von Docker-Containern

Verwenden Sie Anomalieerkennungscontainer, um API-Features lokal bereitzustellen. Mithilfe von Docker-Containern können Sie den Dienst näher an Ihre Daten heranbringen, um Compliance- oder Sicherheitsanforderungen zu erfüllen oder anderen betrieblichen Anforderungen gerecht zu werden.

Beitreten zur Anomalieerkennungs-Community

Nächste Schritte