Multivariate time series Anomaly Detection (förhandsversion)
De nya API:erna för avvikelseidentifiering med flera variabler gör det möjligt för utvecklare att enkelt integrera avancerad AI för att identifiera avvikelser från grupper av mått, utan att behöva maskininlärningskunskaper eller märkta data. Beroenden och interkorrelationer mellan upp till 300 olika signaler räknas nu automatiskt som viktiga faktorer. Den här nya funktionen hjälper dig att proaktivt skydda komplexa system som programvaruprogram, servrar, fabriksdatorer, rymdfarkoster eller till och med ditt företag mot fel.
Imagine 20 sensorer från en automotor som genererar 20 olika signaler som rotation, bränsletryck, lager osv. Läsningarna av dessa signaler individuellt kanske inte säger så mycket om problem på systemnivå, men tillsammans kan de representera motorns hälsotillstånd. När interaktionen mellan dessa signaler avviker utanför det vanliga intervallet kan funktionen för multivarierad avvikelseidentifiering känna av avvikelsen som en rutinerad expert. De underliggande AI-modellerna tränas och anpassas med hjälp av dina data så att de förstår verksamhetens unika behov. Med de nya API:erna i Avvikelseidentifiering kan utvecklare nu enkelt integrera funktioner för avvikelseidentifiering i flera tidsserier i lösningar för förutsägande underhåll, AIOps-övervakningslösningar för komplexa företagsprogram eller business intelligence verktyg.
När du ska använda multivariat kontra univariate
Om målet är att identifiera avvikelser utifrån ett normalt mönster för varje enskild tidsserie enbart baserat på egna historiska data använder du API:er för ovarierade avvikelseidentifiering. Du vill till exempel identifiera avvikelser i dagliga intäkter baserat på själva intäktsdata, eller så vill du identifiera en cpu-topp enbart baserat på CPU-data.
Om målet är att identifiera avvikelser på systemnivå från en grupp tidsseriedata använder du API:er för multivariate anomaly detection. Särskilt när en enskild tidsserie inte berättar så mycket, och du måste titta på alla signaler (en grupp tidsserier) holistiskt för att fastställa ett problem på systemnivå. Du har till exempel en dyr fysisk tillgång som flygplan, utrustning på en oljeplattform eller en satellit. Var och en av dessa tillgångar har tiotals eller hundratals olika typer av sensorer. Du skulle behöva titta på alla dessa tidsseriesignaler från dessa sensorer för att avgöra om det finns problem på systemnivå.
Notebook-fil
Om du vill lära dig hur du anropar Avvikelseidentifiering API (multivariate) 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-prenumerationsnyckel och en API-slutpunkt. I anteckningsboken lägger du till din Avvikelseidentifiering API-prenumerationsnyckel i subscription_key variabeln och ändrar endpoint variabeln till slutpunkten.
Stöd för regioner
Förhandsversionen av Avvikelseidentifiering multivariate är för närvarande tillgänglig i 10 Azure-regioner: Sydostasien, Australien, östra, Kanada, centrala, Europa, norra, Europa, västra, USA, östra, USA, östra 2, USA, södra centrala, USA, västra 2 och Storbritannien, södra.
Algoritmer
Se följande tekniska dokument för information om de algoritmer som används:
- Blogg: Introduktion till avvikelseidentifiering med flera avvikelser
- Artikel: Avvikelseidentifiering i flera tidsserier via Graph Attention Network
Delta i communityn för avvikelseidentifiering
Nästa steg
- Självstudie:Den här artikeln är en självstudiekurs från slutet av hur du använder multivarierade API:er.
- Snabbstarter.
- Metodtips:Den här artikeln handlar om rekommenderade mönster att använda med multivarierade API:er.