Vad är det Avvikelseidentifiering univariate-API:et?

  • Artikel
  • 3 minuter för att läsa

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.

Identifiera mönsterändringar i tjänstbegäranden

Att använda Avvikelseidentifiering kräver ingen tidigare erfarenhet av maskininlärning, och med REST API kan du enkelt integrera tjänsten i dina program och processer.

Den här dokumentationen innehåller följande typer av artiklar:

  • Snabbstarterna är stegvisa instruktioner som gör att du kan göra anrop till tjänsten och få resultat på kort tid.
  • Instruktionsguiderna innehåller instruktioner för att använda tjänsten på mer specifika eller anpassade sätt.
  • Konceptuella artiklar innehåller detaljerade förklaringar av tjänstens funktioner och funktioner.
  • Självstudierna är längre guider som visar hur du använder den här tjänsten som en komponent i bredare affärslösningar.

Funktioner

Med Avvikelseidentifiering kan du automatiskt identifiera avvikelser i dina tidsseriedata eller när de inträffar i realtid.

Funktion Beskrivning
Avvikelseidentifiering i realtid. Identifiera avvikelser i dina strömmande data med hjälp av tidigare datapunkter för att avgöra om den senaste är en avvikelse. Den här åtgärden genererar en modell med hjälp av de datapunkter som du skickar och avgör om målpunkten är en avvikelse. Genom att anropa API:et med varje ny datapunkt som du genererar kan du övervaka dina data när de skapas.
Identifiera avvikelser i hela datauppsättningen som en batch. Använd tidsserien för att identifiera eventuella avvikelser som kan finnas i dina data. Den här åtgärden genererar en modell med hela tidsseriedata, där varje punkt analyseras med samma modell.
Identifiera ändringspunkter i hela datauppsättningen som en batch. Använd tidsserien för att identifiera eventuella trendändringspunkter som finns i dina data. Den här åtgärden genererar en modell med hela tidsseriedata, där varje punkt analyseras med samma modell.
Få ytterligare information om dina data. Få användbar information om dina data och eventuella observerade avvikelser, inklusive förväntade värden, avvikelsegränser och positioner.
Justera gränser för avvikelseidentifiering. API:Avvikelseidentifiering skapar automatiskt gränser för avvikelseidentifiering. Justera dessa gränser för att öka eller minska API:ets känslighet för dataavvikelser och passar bättre för dina data.

Demo

Kolla in den här interaktiva demonstrationen för att förstå hur Avvikelseidentifiering fungerar. För att köra demonstrationen måste du skapa en Avvikelseidentifiering och hämta API-nyckeln och slutpunkten.

Notebook-fil

Om du vill lära dig hur du anropar Avvikelseidentifiering-API:et kan du prova den här notebook-datorn. Den Jupyter Notebook visar hur du skickar en API-begäran och visualiserar resultatet.

Om du vill köra notebook-datorn bör du få en giltig API Avvikelseidentifiering nyckel och en API-slutpunkt. I anteckningsboken lägger du till din Avvikelseidentifiering API-prenumerationsnyckel i variabeln subscription_key och ändrar endpoint variabeln till slutpunkten.

Arbetsflöde

API:Avvikelseidentifiering är en RESTful-webbtjänst, vilket gör det enkelt att anropa från alla programmeringsspråk som kan göra HTTP-begäranden och parsa JSON.

Anteckning

För bästa resultat när du använder API: t för avvikelse detektor bör JSON-formaterade tids serie data innehålla:

  • data punkter avgränsade med samma intervall, med högst 10% av det förväntade antalet punkter som saknas.
  • minst 12 data punkter om dina data inte har ett tydligt säsongs mönster.
  • minst fyra mönster förekomster om dina data har ett tydligt säsongs mönster.

Du måste ha ett Cognitive Services-API-konto med åtkomst till API: t för avvikelse identifiering. Du kan hämta din prenumerations nyckel från Azure Portal när du har skapat ditt konto.

När du har loggat in:

  1. Ta tidsseriedata och konvertera dem till ett giltigt JSON-format. Använd metodtips när du förbereder dina data för att få bästa möjliga resultat.
  2. Skicka en begäran till Avvikelseidentifiering API:et med dina data.
  3. Bearbeta API-svaret genom att tolka det returnerade JSON-meddelandet.

Algoritmer

Du kan läsa artikeln Time-Series Anomaly Detection Service på Microsoft (accepteras av KDD 2019) om du vill veta mer om SR-CNN-algoritmer som utvecklats av Microsoft.

Tjänsttillgänglighet och redundans

Är Avvikelseidentifiering tjänstzonen motståndskraftig?

Ja. Tjänsten Avvikelseidentifiering är zontålig som standard.

Hur gör jag för att du konfigurera Avvikelseidentifiering-tjänsten så att den är zontålig?

Ingen kundkonfiguration krävs för att aktivera zonåter återhämtning. Zonåter återhämtning för Avvikelseidentifiering resurser är tillgänglig som standard och hanteras av själva tjänsten.

Distribuera lokalt med Docker-containrar

Använd Avvikelseidentifiering för att distribuera API-funktioner lokalt. Med Docker-containrar kan du föra tjänsten närmare dina data av efterlevnads-, säkerhets- eller andra driftskäl.

Delta i communityn för avvikelseidentifiering

Nästa steg