Met de Anomaly Detector API kunt u afwijkingen in uw tijdreeksgegevens bewaken en detecteren zonder dat u machine learning hoeft te kennen. De algoritmes van Anomaly Detector-API worden aangepast door automatisch de best-passende modellen voor uw gegevens te bepalen en toe te passen, ongeacht de branche, het scenario of het gegevensvolume. Met behulp van uw tijdreeksgegevens worden de grenzen voor anomaliedetectie en verwachte waarden vastgesteld, alsmede welke gegevenspunten anomalieën zijn.
Architectuur

Download een SVG van deze architectuur.
Gegevensstroom
- Gegevens opnemen uit de verschillende winkels die onbewerkte gegevens bevatten die moeten worden bewaakt door Anomaly Detector.
- Aggregeert, gebruikt en berekent de onbewerkte gegevens om de tijdreeks te genereren of roept de Anomaly Detector-API rechtstreeks aan als de tijdreeks al is voorbereid en reageert met de detectieresultaten.
- De anomaliegerelateerde metagegevens in de wachtrij.
- De serverloze app kiest het bericht uit de berichtenwachtrij op basis van de anomaliegerelateerde metagegevens en verzendt de waarschuwing over de anomalie.
- Slaat de metagegevens van anomaliedetectie op.
- Visualiseer de resultaten van de anomaliedetectie van de tijdreeks.
Onderdelen
Belangrijke technologieën die worden gebruikt om deze architectuur te implementeren:
- Service Bus:betrouwbare cloudberichten als een service ( ThreadsS) en eenvoudige hybride integratie
- Azure Databricks:snelle, eenvoudige en op samenwerking Apache Spark gebaseerde analyseservice
- Power BI:BI-hulpprogramma's voor interactieve gegevensvisualisatie
- Storage Accounts:duurzaam, zeer beschikbaar en zeer schaalbare cloudopslag
- Cognitive Services:cloudservices met REST API's en clientbibliotheek-SDK's die beschikbaar zijn om u te helpen cognitieve intelligentie in uw toepassingen in te bouwen
- Logic Apps:serverloos platform voor het bouwen van zakelijke werkstromen die toepassingen, gegevens en services integreren. In deze architectuur worden de logische apps geactiveerd door HTTP-aanvragen.
Alternatieven
- Event Hubs kafka:een alternatief voor het uitvoeren van uw eigen Kafka-cluster. Deze Event Hubs biedt een eindpunt dat compatibel is met Kafka-API's.
- Azure Synapse Analytics:Analyseservice die zakelijke datawarehousing en big data-analyses samenbrengen
- Azure Machine Learning:hiermee kunt u aangepaste modellen voor machine learning/anomaliedetectie bouwen, trainen, implementeren en beheren in een cloudomgeving.
Overwegingen
Schaalbaarheid
De meeste onderdelen die in dit voorbeeldscenario worden gebruikt, zijn beheerde services die automatisch worden geschaald.
Zie voor algemene richtlijnen voor het ontwerpen van schaalbare oplossingen de controlelijst voor prestatie-efficiëntie in de Azure Architecture Center.
Beveiliging
Beheerde identiteiten voor Azure-resources worden gebruikt om toegang te bieden tot andere resources die intern zijn voor uw account en worden vervolgens toegewezen aan uw Azure Functions. Sta alleen toegang toe tot de vereiste resources in die identiteiten om ervoor te zorgen dat er niets extra's worden blootgesteld aan uw functies (en mogelijk ook aan uw klanten).
Zie de Azure-beveiligingsdocumentatie voor algemene richtlijnen voor het ontwerpen van beveiligde oplossingen.
Flexibiliteit
Alle onderdelen in dit scenario worden beheerd, dus op regionaal niveau zijn ze allemaal automatisch flexibel.
Zie Flexibele toepassingen ontwerpen voor Azure voor algemene richtlijnen voor het ontwerpen van flexibele oplossingen.
Prijzen
Zie de vooraf ingevulde calculator met alle services om de kosten van het uitvoeren van dit scenario te verkennen. Als u wilt zien hoe de prijzen voor uw specifieke use-case worden gewijzigd, wijzigt u de juiste variabelen om overeen te komen met uw verwachte verkeer/gegevensvolumes.
We hebben drie voorbeeldkostenprofielen opgegeven op basis van de hoeveelheid verkeer (we gaan ervan uit dat alle afbeeldingen 100 kB groot zijn):
- Voorbeeldcalculator:dit prijsvoorbeeld is een rekenmachine met alle services in deze architectuur, behalve Power BI en aangepaste waarschuwingsoplossing.
Volgende stappen
- Interactieve demo
- Afwijkingen in uw gegevens detecteren en visualiseren met de Anomaly Detector-API - Demo op Jupyter Notebook
- Identificeer afwijkingen door de gegevens via IoT Hub te routeren naar een ingebouwd ML-model in Azure Stream Analytics
- Recept: Voorspellend onderhoud met de Cognitive Services voor Big Data
- Documentatie voor Service Bus
- Documentatie voor Azure Databricks
- Power BI Documentatie
- Documentatie voor Storage