Vad är API:et för avvikelseidentifiering?What is the Anomaly Detector API?

Med API: t för avvikelse identifiering kan du övervaka och identifiera avvikelser i dina Time Series-data med Machine Learning.The Anomaly Detector API enables you to monitor and detect abnormalities in your time series data with machine learning. API: et för avvikelse detektor anpassningar genom att automatiskt identifiera och tillämpa de bästa passnings modellerna för dina data, oavsett bransch, scenario eller data volym.The Anomaly Detector API adapts by automatically identifying and applying the best-fitting models to your data, regardless of industry, scenario, or data volume. Med hjälp av dina Time Series-data fastställer API gränser för avvikelse identifiering, förväntade värden och vilka data punkter som är avvikelser.Using your time series data, the API determines boundaries for anomaly detection, expected values, and which data points are anomalies.

Identifiera mönster ändringar i tjänst begär Anden

Att använda avvikelse detektorn kräver ingen tidigare erfarenhet av Machine Learning, och RESTful-API: et gör att du enkelt kan integrera tjänsten i dina program och processer.Using the Anomaly Detector doesn't require any prior experience in machine learning, and the RESTful API enables you to easily integrate the service into your applications and processes.

FunktionerFeatures

Med avvikelse identifieraren kan du automatiskt identifiera avvikelser i tids serie data, eller när de inträffar i real tid.With the Anomaly Detector, you can automatically detect anomalies throughout your time series data, or as they occur in real-time.

FunktionFeature BeskrivningDescription
Identifiera avvikelser när de inträffar i real tid.Detect anomalies as they occur in real-time. Identifiera avvikelser i dina strömmande data genom att använda tidigare visade data punkter för att avgöra om det senaste är en avvikelse.Detect anomalies in your streaming data by using previously seen data points to determine if your latest one is an anomaly. Den här åtgärden genererar en modell med de data punkter som du skickar och avgör om mål punkten är en avvikelse.This operation generates a model using the data points you send, and determines if the target point is an anomaly. Genom att anropa API: et med varje ny data punkt som du skapar kan du övervaka dina data när de skapas.By calling the API with each new data point you generate, you can monitor your data as it's created.
Identifiera avvikelser i alla data uppsättningar som en batch.Detect anomalies throughout your data set as a batch. Använd din tids serie för att identifiera eventuella avvikelser som kan finnas i dina data.Use your time series to detect any anomalies that might exist throughout your data. Den här åtgärden genererar en modell med alla tids serie data, där varje punkt analyseras med samma modell.This operation generates a model using your entire time series data, with each point analyzed with the same model.
Få mer information om dina data.Get additional information about your data. Få värdefull information om dina data och observerade avvikelser, inklusive förväntade värden, avvikande gränser och positioner.Get useful details about your data and any observed anomalies, including expected values, anomaly boundaries and positions.
Justera gränser för avvikelse identifiering.Adjust anomaly detection boundaries. API: t för avvikelse detektor skapar automatiskt gränser för avvikelse identifiering.The Anomaly Detector API automatically creates boundaries for anomaly detection. Justera gränserna för att öka eller minska API: ns känslighet till data avvikelser och bättre anpassa dina data.Adjust these boundaries to increase or decrease the API's sensitivity to data anomalies, and better fit your data.

DemoDemo

Kolla den här interaktiva demonstrationen för att förstå hur avvikelse detektor fungerar.Check out this interactive demo to understand how Anomaly Detector works. Om du vill köra demonstrationen måste du skapa en avvikelse identifierings resurs och hämta API-nyckeln och slut punkten.To run the demo, you need to create an Anomaly Detector resource and get the API key and endpoint.

Notebook-filNotebook

Om du vill veta hur du anropar API: t för avvikelse detektor kan du prova den här Azure-anteckningsboken.To learn how to call the Anomaly Detector API, try this Azure Notebook. Den här webb värd Jupyter Notebook visar hur du skickar en API-begäran och visualiserar resultatet.This web-hosted Jupyter Notebook shows you how to send an API request and visualize the result.

Utför följande steg för att köra antecknings boken:To run the Notebook, complete the following steps:

  1. Hämta en giltig API-prenumerations nyckel för avvikelse detektor och en API-slutpunkt.Get a valid Anomaly Detector API subscription key and an API endpoint. Avsnittet nedan innehåller anvisningar för att registrera dig.The section below has instructions for signing up.
  2. Logga in och klicka på klona i det övre högra hörnet.Sign in, and click Clone, in the upper right corner.
  3. Avmarkera alternativet "offentlig" i dialog rutan innan du slutför klonings åtgärden, annars är din bärbara dator, inklusive eventuella prenumerations nycklar, offentlig.Un-check the "public" option in the dialog box before completing the clone operation, otherwise your notebook, including any subscription keys, will be public.
  4. Klicka på Kör vid kostnads fri beräkningClick Run on free compute
  5. Välj en av antecknings böckerna.Select one of the notebooks.
  6. Lägg till din giltiga avvikelse-API-prenumerations nyckel i subscription_key-variabeln.Add your valid Anomaly Detector API subscription key to the subscription_key variable.
  7. Ändra endpoint-variabeln till din slut punkt.Change the endpoint variable to your endpoint. Exempel: https://westus2.api.cognitive.microsoft.com/anomalydetector/v1.0/timeseries/last/detectFor example: https://westus2.api.cognitive.microsoft.com/anomalydetector/v1.0/timeseries/last/detect
  8. Klicka på celloch Kör allapå den översta meny raden.On the top menu bar, click Cell, then Run All.

ArbetsflödeWorkflow

API: t för avvikelse detektor är en RESTful-webbtjänst, vilket gör det enkelt att anropa från valfritt programmeringsspråk som kan göra HTTP-begäranden och parsa JSON.The Anomaly Detector API is a RESTful web service, making it easy to call from any programming language that can make HTTP requests and parse JSON.

Anteckning

För bästa resultat när du använder API: T för Avvikelseidentifiering detektor, JSON-formaterade tidsseriedata bör innehålla:For best results when using the Anomaly Detector API, your JSON-formatted time series data should include:

  • datapunkter åtskilda med samma intervall, med mer än 10% av det förväntade antalet punkter som saknas.data points separated by the same interval, with no more than 10% of the expected number of points missing.
  • minst 12 datapunkter om dina data inte har en Rensa säsongsknutet mönster.at least 12 data points if your data doesn't have a clear seasonal pattern.
  • minst 4 mönstret förekomster om dina data har en Rensa säsongsknutet mönster.at least 4 pattern occurrences if your data does have a clear seasonal pattern.

Du måste ha ett Cognitive Services-API-konto med åtkomst till API: t för avvikelse identifiering.You must have a Cognitive Services API account with access to the Anomaly Detector API. Du kan hämta din prenumerations nyckel från Azure Portal när du har skapat ditt konto.You can get your subscription key from the Azure portal after creating your account.

Efter registreringen:After signing up:

  1. Ta dina Time Series-data och konvertera dem till ett giltigt JSON-format.Take your time series data and convert it into a valid JSON format. Använd bästa praxis när du förbereder dina data för att få bästa möjliga resultat.Use best practices when preparing your data to get the best results.
  2. Skicka en begäran till avvikelse identifierings-API: et med dina data.Send a request to the Anomaly Detector API with your data.
  3. Bearbeta API-svaret genom att tolka det returnerade JSON-meddelandet.Process the API response by parsing the returned JSON message.

AlgoritmerAlgorithms

Du kan läsa pappers seriens avvikelse identifierings tjänst på Microsoft (godkänd av KDD 2019) för att lära dig mer om SR-CNN-algoritmerna som har utvecklats av Microsoft.You can read the paper Time-Series Anomaly Detection Service at Microsoft (accepted by KDD 2019) to learn more about the SR-CNN algorithms developed by Microsoft.

Delta i communityn för avvikelseidentifieringJoin the Anomaly Detector community

Nästa stegNext steps