Diagnóstico de anomalias para análise da causa raiz

Linguagem de Pesquisa Kusto (KQL) tem funções de deteção e previsão de anomalias incorporadas para verificar se existe um comportamento anómalo. Uma vez detetado um padrão deste tipo, pode ser executada uma Análise da Causa (RCA) para mitigar ou resolver a anomalia.

O processo de diagnóstico é complexo e moroso e é feito por especialistas em domínios. O processo inclui:

• Obter e associar mais dados de diferentes origens para o mesmo período de tempo
• À procura de alterações na distribuição de valores em múltiplas dimensões
• Gráficos com mais variáveis
• Outras técnicas baseadas em conhecimentos de domínio e intuição

Uma vez que estes cenários de diagnóstico são comuns, os plug-ins de machine learning estão disponíveis para facilitar a fase de diagnóstico e reduzir a duração da RCA.

Os três dos seguintes plug-ins do Machine Learning implementam algoritmos de clustering: autocluster, baskete diffpatterns. O autocluster cluster e basket plug-ins é um único conjunto de registos e o diffpatterns plug-in agrupará as diferenças entre dois conjuntos de registos.

Agrupar um único conjunto de registos

Um cenário comum inclui um conjunto de dados selecionado por critérios específicos, tais como:

• Janela de tempo que mostra um comportamento anómalo
• Leituras de dispositivos de alta temperatura
• Comandos de longa duração
• Principais utilizadores de gastos Pretende uma forma rápida e fácil de encontrar padrões comuns (segmentos) nos dados. Os padrões são um subconjunto do conjunto de dados cujos registos partilham os mesmos valores em várias dimensões (colunas categóricas).

A seguinte consulta compila e mostra uma série de exceções de serviço ao longo do período de uma semana, em caixas de dez minutos:

Executar a consulta

let min_t = toscalar(demo_clustering1 | summarize min(PreciseTimeStamp));  
let max_t = toscalar(demo_clustering1 | summarize max(PreciseTimeStamp));  
demo_clustering1
| make-series num=count() on PreciseTimeStamp from min_t to max_t step 10m
| render timechart with(title="Service exceptions over a week, 10 minutes resolution")

A contagem de exceções de serviço está correlacionada com o tráfego geral do serviço. Pode ver claramente o padrão diário dos dias úteis, de segunda a sexta-feira. Há um aumento nas contagens de exceções de serviço a meio do dia e diminui nas contagens durante a noite. As contagens baixas planas são visíveis durante o fim de semana. Podem ser detetados picos de exceção com a deteção de anomalias de série temporal.

O segundo pico nos dados ocorre na tarde de terça-feira. A seguinte consulta é utilizada para diagnosticar e verificar se é um pico acentuado. A consulta redraws o gráfico em torno do pico numa resolução mais alta de oito horas em caixas de um minuto. Em seguida, pode estudar as suas fronteiras.

Executar a consulta

let min_t=datetime(2016-08-23 11:00);
demo_clustering1
| make-series num=count() on PreciseTimeStamp from min_t to min_t+8h step 1m
| render timechart with(title="Zoom on the 2nd spike, 1 minute resolution")

Verá um pico estreito de dois minutos das 15:00 às 15:02. Na seguinte consulta, conte as exceções nesta janela de dois minutos:

Executar a consulta

let min_peak_t=datetime(2016-08-23 15:00);
let max_peak_t=datetime(2016-08-23 15:02);
demo_clustering1
| where PreciseTimeStamp between(min_peak_t..max_peak_t)
| count

de palavras
972

Na consulta seguinte, 20 exceções de exemplo de 972:

Executar a consulta

let min_peak_t=datetime(2016-08-23 15:00);
let max_peak_t=datetime(2016-08-23 15:02);
demo_clustering1
| where PreciseTimeStamp between(min_peak_t..max_peak_t)
| take 20

PreciseTimeStamp	Region	ScaleUnit	DeploymentId	Ponto de Rastreio	ServiceHost
2016-08-23 15:00:08.7302460	scus	su5	9dbd1b161d5b4779a73cf19a7836ebd6	100005	00000000-0000-0000-0000-000000000000
2016-08-23 15:00:09.9496584	scus	su5	9dbd1b161d5b4779a73cf19a7836ebd6	10007006	8d257da1-7a1c-44f5-9acd-f9e02ff507fd
2016-08-23 15:00:10.5911748	scus	su5	9dbd1b161d5b4779a73cf19a7836ebd6	100005	00000000-0000-0000-0000-000000000000
2016-08-23 15:00:12.2957912	scus	su5	9dbd1b161d5b4779a73cf19a7836ebd6	10007007	f855fcef-ebfe-405d-aaf8-9c5e2e43d862
2016-08-23 15:00:18.5955357	scus	su5	9dbd1b161d5b4779a73cf19a7836ebd6	10007006	9d390e07-417d-42eb-bebd-793965189a28
2016-08-23 15:00:20.7444854	scus	su5	9dbd1b161d5b4779a73cf19a7836ebd6	10007006	6e54c1c8-42d3-4e4e-8b79-9bb076ca71f1
2016-08-23 15:00:23.8694999	eus2	su2	89e2f62a73bb4efd8f545aeae40d7e51	36109	19422243-19b9-4d85-9ca6-bc961861d287
2016-08-23 15:00:26.4271786	ncus	su1	e24ef436e02b4823ac5d5b1465a9401e	36109	3271bae4-1c5b-4f73-98ef-cc117e9be914
2016-08-23 15:00:27.8958124	scus	su3	90d3d2fc7ecc430c9621ece335651a01	904498	8cf38575-fca9-48ca-bd7c-21196f6d6765
2016-08-23 15:00:32.9884969	scus	su3	90d3d2fc7ecc430c9621ece335651a01	10007007	d5c7c825-9d46-4ab7-a0c1-8e2ac1d83ddb
2016-08-23 15:00:34.5061623	scus	su5	9dbd1b161d5b4779a73cf19a7836ebd6	1002110	55a71811-5ec4-497a-a058-140fb0d611ad
2016-08-23 15:00:37.4490273	scus	su3	90d3d2fc7ecc430c9621ece335651a01	10007006	f2ee8254-173c-477d-a1de-4902150ea50d
2016-08-23 15:00:41.2431223	scus	su3	90d3d2fc7ecc430c9621ece335651a01	103200	8cf38575-fca9-48ca-bd7c-21196f6d6765
2016-08-23 15:00:47.2983975	ncus	su1	e24ef436e02b4823ac5d5b1465a9401e	423690590	00000000-0000-0000-0000-000000000000
2016-08-23 15:00:50.5932834	scus	su5	9dbd1b161d5b4779a73cf19a7836ebd6	10007006	2a41b552-aa19-4987-8cdd-410a3af016ac
2016-08-23 15:00:50.8259021	scus	su5	9dbd1b161d5b4779a73cf19a7836ebd6	1002110	0d56b8e3-470d-4213-91da-97405f8d005e
2016-08-23 15:00:53.2490731	scus	su5	9dbd1b161d5b4779a73cf19a7836ebd6	36109	55a71811-5ec4-497a-a058-140fb0d611ad
2016-08-23 15:00:57.0000946	eus2	su2	89e2f62a73bb4efd8f545aeae40d7e51	64038	cb55739e-4afe-46a3-970f-1b49d8ee7564
2016-08-23 15:00:58.2222707	scus	su5	9dbd1b161d5b4779a73cf19a7836ebd6	10007007	8215dcf6-2de0-42bd-9c90-181c70486c9c
2016-08-23 15:00:59.9382620	scus	su3	90d3d2fc7ecc430c9621ece335651a01	10007006	451e3c4c-0808-4566-a64d-84d85cf30978

Utilizar o agrupamento automático() para o clustering de conjuntos de registos único

Apesar de existirem menos de mil exceções, ainda é difícil encontrar segmentos comuns, uma vez que existem múltiplos valores em cada coluna. Pode utilizar o autocluster() plug-in para extrair instantaneamente uma pequena lista de segmentos comuns e encontrar os clusters interessantes nos dois minutos do pico, conforme visto na seguinte consulta:

Executar a consulta

let min_peak_t=datetime(2016-08-23 15:00);
let max_peak_t=datetime(2016-08-23 15:02);
demo_clustering1
| where PreciseTimeStamp between(min_peak_t..max_peak_t)
| evaluate autocluster()

SegmentId	de palavras	Percentagem	Region	ScaleUnit	DeploymentId	ServiceHost
0	639	65.7407407407407	eau	su7	b5d1d4df547d4a04ac15885617edba57	e7f60c5d-4944-42b3-922a-92e98a8e7dec
1	94	9.67078189300411	scus	su5	9dbd1b161d5b4779a73cf19a7836ebd6
2	82	8.43621399176955	ncus	su1	e24ef436e02b4823ac5d5b1465a9401e
3	68	6.99588477366255	scus	su3	90d3d2fc7ecc430c9621ece335651a01
4	55	5.65843621399177	weu	su4	be1d6d7ac9574cbc9a22cb8ee20f16fc

Nos resultados acima, pode ver que o segmento mais dominante contém 65,74% do total de registos de exceção e partilha quatro dimensões. O segmento seguinte é muito menos comum. Contém apenas 9,67% dos registos e partilha três dimensões. Os outros segmentos são ainda menos comuns.

O autocluster utiliza um algoritmo proprietário para extrair múltiplas dimensões e extrair segmentos interessantes. "Interessante" significa que cada segmento tem uma cobertura significativa do conjunto de registos e das funcionalidades definidas. Os segmentos também divergem, o que significa que cada um é diferente dos outros. Um ou mais destes segmentos podem ser relevantes para o processo de RCA. Para minimizar a revisão e avaliação de segmentos, o clusterster automático extrai apenas uma pequena lista de segmentos.

Utilizar basket() para clustering de conjuntos de registos únicos

Também pode utilizar o basket() plug-in conforme visto na seguinte consulta:

Executar a consulta

let min_peak_t=datetime(2016-08-23 15:00);
let max_peak_t=datetime(2016-08-23 15:02);
demo_clustering1
| where PreciseTimeStamp between(min_peak_t..max_peak_t)
| evaluate basket()

SegmentId	de palavras	Percentagem	Region	ScaleUnit	DeploymentId	Ponto de rastreio	ServiceHost
0	639	65.7407407407407	eau	su7	b5d1d4df547d4a04ac15885617edba57		e7f60c5d-4944-42b3-922a-92e98a8e7dec
1	642	66.0493827160494	eau	su7	b5d1d4df547d4a04ac15885617edba57
2	324	33.3333333333333	eau	su7	b5d1d4df547d4a04ac15885617edba57	0	e7f60c5d-4944-42b3-922a-92e98a8e7dec
3	315	32.4074074074074	eau	su7	b5d1d4df547d4a04ac15885617edba57	16108	e7f60c5d-4944-42b3-922a-92e98a8e7dec
4	328	33.7448559670782				0
5	94	9.67078189300411	scus	su5	9dbd1b161d5b4779a73cf19a7836ebd6
6	82	8.43621399176955	ncus	su1	e24ef436e02b4823ac5d5b1465a9401e
7	68	6.99588477366255	scus	su3	90d3d2fc7ecc430c9621ece335651a01
8	167	17.1810699588477	scus
9	55	5.65843621399177	weu	su4	be1d6d7ac9574cbc9a22cb8ee20f16fc
10	92	9.46502057613169				10007007
11	90	9.25925925925926				10007006
12	57	5.8641975308642					00000000-0000-0000-0000-000000000000

O Basket implementa o algoritmo "Apriori" para a extração de conjuntos de itens. Extrai todos os segmentos cuja cobertura do conjunto de registos está acima de um limiar (5%). Pode ver que foram extraídos mais segmentos com segmentos semelhantes, como os segmentos 0, 1 ou 2, 3.

Ambos os plug-ins são poderosos e fáceis de utilizar. A limitação é que agrupam um único conjunto de registos de forma não supervisionada sem etiquetas. Não é claro se os padrões extraídos caracterizam o conjunto de registos selecionado, registos anómalos ou o conjunto de registos global.

Agrupar a diferença entre dois conjuntos de registos

O diffpatterns() plug-in supera a limitação de autocluster e basket. Diffpatterns utiliza dois conjuntos de registos e extrai os segmentos principais que são diferentes. Normalmente, um conjunto contém o conjunto de registos anómalo que está a ser investigado. Um é analisado por autocluster e basket. O outro conjunto contém o conjunto de registos de referência, a linha de base.

Na consulta seguinte, diffpatterns encontra clusters interessantes nos dois minutos do pico, que são diferentes dos clusters na linha de base. A janela de linha de base é definida como os oito minutos antes das 15:00, quando o pico começou. Expande por uma coluna binária (AB) e especifique se um registo específico pertence à linha de base ou ao conjunto anómalo. Diffpatterns implementa um algoritmo de aprendizagem supervisionado, onde as duas etiquetas de classe foram geradas pelo sinalizador anómalo versus o sinalizador de linha de base (AB).

Executar a consulta

let min_peak_t=datetime(2016-08-23 15:00);
let max_peak_t=datetime(2016-08-23 15:02);
let min_baseline_t=datetime(2016-08-23 14:50);
let max_baseline_t=datetime(2016-08-23 14:58); // Leave a gap between the baseline and the spike to avoid the transition zone.
let splitime=(max_baseline_t+min_peak_t)/2.0;
demo_clustering1
| where (PreciseTimeStamp between(min_baseline_t..max_baseline_t)) or
        (PreciseTimeStamp between(min_peak_t..max_peak_t))
| extend AB=iff(PreciseTimeStamp > splitime, 'Anomaly', 'Baseline')
| evaluate diffpatterns(AB, 'Anomaly', 'Baseline')

SegmentId	CountA	ContagemB	PercentA	PercentagemB	PercentDiffAB	Region	ScaleUnit	DeploymentId	Ponto de rastreio
0	639	21	65.74	1.7	64.04	eau	su7	b5d1d4df547d4a04ac15885617edba57
1	167	544	17.18	44.16	26.97	scus
2	92	356	9.47	28,9	19.43				10007007
3	90	336	9.26	27.27	18.01				10007006
4	82	318	8.44	25.81	17.38	ncus	su1	e24ef436e02b4823ac5d5b1465a9401e
5	55	252	5.66	20.45	14,8	weu	su4	be1d6d7ac9574cbc9a22cb8ee20f16fc
6	57	204	5.86	16.56	10.69

O segmento mais dominante é o mesmo segmento que foi extraído por autocluster. A sua cobertura na janela anómalo de dois minutos também é de 65,74%. No entanto, a sua cobertura na janela de linha de base de oito minutos é de apenas 1,7%. A diferença é de 64,04%. Esta diferença parece estar relacionada com o pico anómalo. Para verificar esta suposição, a seguinte consulta divide o gráfico original nos registos que pertencem a este segmento problemático e regista os de outros segmentos.

Executar a consulta

let min_t = toscalar(demo_clustering1 | summarize min(PreciseTimeStamp));  
let max_t = toscalar(demo_clustering1 | summarize max(PreciseTimeStamp));  
demo_clustering1
| extend seg = iff(Region == "eau" and ScaleUnit == "su7" and DeploymentId == "b5d1d4df547d4a04ac15885617edba57"
and ServiceHost == "e7f60c5d-4944-42b3-922a-92e98a8e7dec", "Problem", "Normal")
| make-series num=count() on PreciseTimeStamp from min_t to max_t step 10m by seg
| render timechart

Este gráfico permite-nos ver que o pico na tarde de terça-feira se deveu a exceções deste segmento específico, detetado através do diffpatterns plug-in.

Resumo

Os plug-ins do Machine Learning são úteis para vários cenários. O autocluster e basket implementam um algoritmo de aprendizagem não supervisionado e são fáceis de utilizar. Diffpatterns implementa um algoritmo de aprendizagem supervisionado e, embora mais complexo, é mais poderoso para extrair segmentos de diferenciação para RCA.

Estes plug-ins são utilizados interativamente em cenários ad-hoc e em serviços de monitorização automáticos quase em tempo real. A deteção de anomalias de série temporal é seguida por um processo de diagnóstico. O processo é altamente otimizado para cumprir os padrões de desempenho necessários.