Диагностика аномалий для анализа первопричин
язык запросов Kusto (KQL) имеет встроенные функции обнаружения аномалий и прогнозирования для проверка аномального поведения. После обнаружения такого шаблона можно выполнить анализ первопричин (RCA), чтобы устранить или устранить аномалию.
Процесс диагностики является сложным и длительным, а выполняют его эксперты в предметной области. Процесс состоит из следующих шагов.
- Получение и объединение дополнительных данных из разных источников за один и тот же интервал времени
- Поиск изменений в распределении значений по нескольким измерениям.
- Создание диаграммы с дополнительными переменными
- Другие методы на основе знаний в предметной области и интуиции
Так как эти сценарии диагностики являются общими, доступны подключаемые модули машинного обучения, которые упрощают этап диагностики и сокращают длительность RCA.
Все три следующих подключаемых модуля машинного обучения реализуют алгоритмы кластеризация: autocluster
, basket
и diffpatterns
. Подключаемые модули autocluster
и basket
выполняют кластеризацию одного набора записей, а подключаемый модуль diffpatterns
— кластеризацию различий между двумя наборами записей.
Кластеризация одного набора записей
Распространенный сценарий включает набор данных, выбранный по определенным критериям, например:
- интервал времени, в течение которого проявляется аномальное поведение;
- считывание устройствами высокой температуры;
- длительное выполнение команд;
- пользователи с наибольшим расходом. Необходим быстрый и простой способ поиска общих шаблонов (сегментов) в данных. Шаблоны — это подмножество набора данных, записи которого используют одинаковые значения для нескольких измерений (категориальных столбцов).
Следующий запрос создает и показывает временные ряды исключений службы за неделю с 10-минутным интервалом.
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")
Количество исключений службы коррелирует с общим объемом трафика службы. В рабочие дни с понедельника по пятницу четко наблюдается ежедневный шаблон. Количество исключений службы возрастает в середине дня и падает ночью. В выходные количество почти не меняется и остается небольшим. Пики исключений можно обнаружить с помощью обнаружения аномалий временных рядов.
Второй скачок данных происходит во вторник днем. Следующий запрос используется для дальнейшей диагностики и проверки, является ли скачок резким. Запрос перерисовывает диаграмму вокруг скачка в более высоком разрешении за восьмичасовой период с минутным интервалом. После этого можно изучить его границы.
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")
Вы увидите узкий двухминутный всплеск с 15:00 до 15:02. В следующем запросе подсчитайте исключения в этом 2-минутном окне:
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
Счетчик |
---|
972 |
В следующем запросе выберите 20 исключений из 972:
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 | Регион | ScaleUnit | DeploymentId | Точка трассировки | 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 |
Кластеризация одного набора записей с помощью метода autocluster()
Несмотря на то, что существует меньше тысячи исключений, находить общие сегменты все равно трудно, так как в каждом столбце содержится несколько значений. Вы можете использовать подключаемый модуль autocluster()
для мгновенного извлечения короткого списка общих сегментов и поиска интересующих кластеров в рамках двухминутного скачка, как показано в следующем запросе:
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()
Идентификатор сегмента | Count | Процент | Регион | 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 |
Из приведенных выше результатов видно, что наиболее доминирующий сегмент содержит 65,74 % от общего числа записей исключений и разделяет четыре измерения. Следующий сегмент распространен намного меньше. Он содержит только 9,67 % записей и использует три измерения. Другие сегменты распространены еще меньше.
Метод autocluster() использует собственный алгоритм для интеллектуального анализа нескольких измерений и извлечения сегментов, представляющих интерес. Сегменты, представляющие интерес, охватывают значительное количество как наборов записей, так и наборов функций. Сегменты также расходятся, т. е. отличаются от друг от друга. Один или несколько из этих сегментов могут иметь отношение к процессу RCA. Чтобы свести проверку и оценку сегментов к минимуму, метод autocluster() извлекает только небольшой список сегментов.
Кластеризация одиночных наборов записей с помощью метода basket()
Вы также можете использовать подключаемый модуль basket()
, как показано в следующем запросе.
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()
Идентификатор сегмента | Count | Процент | Регион | ScaleUnit | DeploymentId | Точка трассировки | 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 |
В методе basket() реализован "априорный" алгоритм для интеллектуального анализа набора элементов. Он извлекает все сегменты, для которых уровень охвата наборов записей превышает порог (по умолчанию — 5 %). Как видите, другие сегменты извлечены с похожими, например сегменты 0, 1 или 2, 3.
Оба подключаемых модуля эффективны и просты в использовании. Их ограничение заключается в том, что они выполняют кластеризацию одиночного набора записей без каких-либо меток. Неясно, характеризуют ли извлеченные шаблоны выбранный набор записей, аномальные записи или глобальный набор записей.
Кластеризация различий между двумя наборами записей
Подключаемый модуль diffpatterns()
преодолевает ограничение autocluster
и basket
. Diffpatterns
принимает два набора записей и извлекает основные отличающиеся сегменты. Один набор обычно содержит аномальный набор записей, для которых проводится анализ. Для анализа, как правило, используются методы autocluster
и basket
. Другой набор содержит набор записей ссылок, базовый план.
В следующем запросе diffpatterns
находит интересные кластеры в течение двух минут, которые отличаются от кластеров в базовом плане. Окно базового плана определяется как 8-минутный интервал до 15:00, когда начался скачок. Вы выполняете расширение по двоичному столбцу (AB) и указываете, принадлежит ли определенная запись к базовому плану или аномальному набору. Diffpatterns
реализует контролируемый алгоритм обучения, в котором две метки классов созданы аномальным и базовым флагами (AB).
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')
Идентификатор сегмента | Число A | Число B | Процент A | Процент B | PercentDiffAB | Регион | ScaleUnit | DeploymentId | Точка трассировки |
---|---|---|---|---|---|---|---|---|---|
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 |
Преобладающим является сегмент, извлеченный autocluster
. Его охват в течение 2-минутного окна аномалий также составляет 65,74 %. Однако его охват в течение 8-минутного окна базового плана составляет всего 1,7 %. Разница составляет 64,04 %. Похоже, что она связана с аномальными скачками. Чтобы проверить это предположение, следующий запрос разделяет исходную диаграмму на записи, принадлежащие к этому проблемном сегменту, и записи из других сегментов.
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
Эта диаграмма позволяет увидеть, что скачок во вторник связан с исключениями из этого конкретного сегмента, которые удалось обнаружить с помощью подключаемого модуля diffpatterns
.
Сводка
Подключаемые модули машинного обучения полезны для многих сценариев. autocluster
и basket
реализуют неконтролируемый алгоритм обучения и просты в использовании. Diffpatterns
реализует контролируемый алгоритм обучения и, несмотря на свою сложность, предоставляет более широкие возможности извлечения дифференцировочных сегментов для RCA.
Эти подключаемые модули используются в интерактивном режиме в нерегламентированных сценариях, а также в автоматизированных службах мониторинга почти в реальном времени. За обнаружением аномалий временных рядов следует процесс диагностики. Процесс значительно оптимизирован для соответствия необходимым стандартам производительности.
Обратная связь
https://aka.ms/ContentUserFeedback.
Ожидается в ближайшее время: в течение 2024 года мы постепенно откажемся от GitHub Issues как механизма обратной связи для контента и заменим его новой системой обратной связи. Дополнительные сведения см. в разделеОтправить и просмотреть отзыв по