Process för avvikelseidentifiering

Databricks
Service Bus
Lagringskonton

Med Avvikelseidentifiering-API:et kan du övervaka och identifiera avvikelser i dina tidsseriedata utan att behöva känna till maskininlärning. Algoritmerna Avvikelseidentifiering api:et anpassas genom att automatiskt identifiera och tillämpa de bäst anpassade modellerna på dina data, oavsett bransch, scenario eller datavolym. Med dina tidsseriedata fastställer API:et gränser för avvikelseidentifiering, förväntade värden och vilka datapunkter som är avvikelser.

Arkitektur

Arkitekturdiagram

Ladda ned en SVG för den här arkitekturen.

Dataflöde

  1. Matar in data från de olika butikerna som innehåller rådata som ska övervakas av Avvikelseidentifiering.
  2. Aggregerar, exempel och beräknar rådata för att generera tidsserien eller anropar Avvikelseidentifiering-API:et direkt om tidsserien redan är förberedd och svarar med identifieringsresultatet.
  3. Köa de avvikelserelaterade metadata.
  4. Den serverlösa appen väljer meddelandet från meddelandekön baserat på de avvikelserelaterade metadata och skickar aviseringen om avvikelsen.
  5. Lagrar metadata för avvikelseidentifiering.
  6. Visualisera resultatet av avvikelseidentifiering för tidsserier.

Komponenter

Viktiga tekniker som används för att implementera den här arkitekturen:

  • Service Bus:Tillförlitliga molnmeddelanden som en tjänst (MaaS) och enkel hybridintegrering
  • Azure Databricks:Snabb, enkel och samarbetsbaserad Apache Spark analystjänst
  • Power BI:Bi-verktyg för interaktiv datavisualisering
  • Storage:Beständig, mycket tillgänglig och massivt skalbar molnlagring
  • Cognitive Services:molnbaserade tjänster med REST API:er och klientbiblioteks-API:er som hjälper dig att bygga in kognitiv intelligens i dina program
  • Logic Apps:Serverlös plattform för att skapa företagsarbetsflöden som integrerar program, data och tjänster. I den här arkitekturen utlöses logikapparna av HTTP-begäranden.

Alternativ

  • Event Hubs med Kafka:Ett alternativ till att köra ett eget Kafka-kluster. Den Event Hubs funktionen tillhandahåller en slutpunkt som är kompatibel med Kafka-API:er.
  • Azure Synapse Analytics:Analystjänst som sammanför informationslager för företag och stordataanalys
  • Azure Machine Learning:Gör att du kan skapa, träna, distribuera och hantera anpassade modeller för maskininlärning/avvikelseidentifiering i en molnbaserad miljö.

Överväganden

Skalbarhet

De flesta komponenter som används i det här exempelscenariot är hanterade tjänster som skalas automatiskt.

Allmän vägledning om hur du utformar skalbara lösningar finns i checklistan för prestandaeffektivitet i Azure Architecture Center.

Säkerhet

Hanterade identiteter för Azure-resurser används för att ge åtkomst till andra resurser som är interna för ditt konto och sedan tilldelas till Azure Functions. Tillåt endast åtkomst till de nödvändiga resurserna i dessa identiteter för att säkerställa att inget extra exponeras för dina funktioner (och eventuellt för dina kunder).

Allmän vägledning om hur du utformar säkra lösningar finns i Dokumentationen om Azure-säkerhet.

Återhämtning

Alla komponenter i det här scenariot hanteras, så på regional nivå är alla motståndskraftiga automatiskt.

Allmän vägledning om hur du utformar elastiska lösningar finns i Utforma elastiska program för Azure.

Prissättning

Om du vill utforska kostnaden för att köra det här scenariot kan du se den förfyllda kalkylatorn med alla tjänster. Om du vill se hur priserna skulle ändras för ditt specifika användningsfall ändrar du lämpliga variabler så att de matchar din förväntade trafik/datavolymer.

Vi har angett tre exempel på kostnadsprofiler baserat på mängden trafik (vi antar att alla bilder är 100 kB stora):

  • Exempelkalkylator:det här prisexempel är en kalkylator med alla tjänster i den här arkitekturen, Power BI och anpassad lösning för aviseringar.

Nästa steg