Anomali algılayıcısı işlemi

Databricks
Service Bus
Depolama Hesapları

Anomali algılayıcı API 'SI, makine öğrenimini bilmeniz gerekmeden zaman serisi verilerinizde bulunan normalleştirikleri izlemenize ve algılamanıza olanak sağlar. Anomali algılayıcı API 'sinin algoritmaları, sektör, senaryo veya veri hacminin ne olursa olsun verilerinize en uygun modelleri otomatik olarak tanımlayarak ve uygulayarak uyarlar. API, zaman serisi verilerinizi kullanarak anomali algılama, beklenen değerler ve hangi veri noktalarının güvenlik sınırlarını belirler.

Mimari

Mimari diyagramı

Bu mimarinin bir SVG indirin.

Veri akışı

  1. Anomali algılayıcısı tarafından izlenecek ham verileri içeren çeşitli mağazalardan verileri alır.
  2. Zaman serisini oluşturmak için ham verileri toplar, örnekler ve hesaplar veya zaman serisi zaten hazırlanmışsa ve algılama sonuçlarıyla yanıt verirse doğrudan anomali algılayıcı API 'sini çağırır.
  3. Anomali ilgili meta verileri sıraya alın.
  4. Sunucusuz uygulama, anomali ile ilgili meta verileri temel alarak ileti sırasından iletiyi seçer ve anomali hakkında uyarı gönderir.
  5. Anomali algılama meta verilerini depolar.
  6. Zaman serisi anomali algılama sonuçlarını görselleştirin.

Bileşenler

Bu mimariyi uygulamak için kullanılan önemli teknolojiler:

  • Service Bus: hizmet olarak güvenilir bulut mesajlaşma (maas) ve basit karma tümleştirme
  • Azure Databricks: hızlı, kolay ve işbirliğine dayalı Apache Spark tabanlı analiz hizmeti
  • Power BI: etkileşimli veri görselleştirme bı araçları
  • Depolama hesapları: dayanıklı, yüksek oranda kullanılabilir ve büyük ölçüde ölçeklenebilir bulut depolaması
  • Bilişsel Hizmetler: uygulamalarınıza akıllı API 'ler ve Istemci kitaplığı SDK 'ları ile bulut tabanlı hizmetler
  • Logic Apps: uygulamaları, verileri ve Hizmetleri tümleştiren kurumsal iş akışları oluşturmak için sunucusuz platform. Bu mimaride, mantıksal uygulamalar HTTP istekleri tarafından tetiklenir.

Alternatifler

  • Kafka ile Event Hubs: kendi Kafka kümenizi çalıştırmaya bir alternatiftir. Bu Event Hubs özelliği, Kafka API 'Leri ile uyumlu bir uç nokta sağlar.
  • Azure SYNAPSE Analytics: kurumsal veri depolama ve büyük veri analizlerini birlikte getiren analiz hizmeti
  • Azure Machine Learning: bulut tabanlı bir ortamda özel makine öğrenimi/anomali algılama modellerini oluşturmanıza, eğmenize, dağıtmanıza ve yönetmenize olanak sağlar.

Dikkat edilmesi gerekenler

Ölçeklenebilirlik

Bu örnek senaryoda kullanılan bileşenlerin çoğu, otomatik olarak Ölçeklendirilecek yönetilen hizmetlerdir.

Ölçeklenebilir çözümler tasarlamaya yönelik genel yönergeler için Azure Mimari Merkezi performans verimliliği denetim listesine bakın.

Güvenlik

Azure kaynakları Için Yönetilen kimlikler , hesabınıza yönelik diğer kaynaklara erişim sağlamak ve sonra Azure işlevlerinizde atamak için kullanılır. İşlevlerinizde hiçbir şeyin (ve büyük olasılıkla müşterilerinize) açık olmamasını sağlamak için yalnızca bu kimliklerdeki önkoşul kaynaklarına erişime izin verin.

Güvenli çözümler tasarlamaya ilişkin genel yönergeler için bkz. Azure Güvenlik belgeleri.

Dayanıklılık

Bu senaryodaki tüm bileşenler yönetilir, bu nedenle bölgesel düzeyde otomatik olarak tüm dayanıklı olurlar.

Dayanıklı çözümler tasarlama hakkında genel yönergeler için bkz. Azure için dayanıklı uygulamalar tasarlama.

Fiyatlandırma

Bu senaryoyu çalıştırmanın maliyetini araştırmak için, tüm hizmetler ile önceden doldurulmuş hesap makinesine bakın. Fiyatlandırma işlemlerinin belirli bir kullanım durumu için nasıl değiştirileceğini görmek için, uygun değişkenleri beklenen trafik/veri hacimlerinizde eşleşecek şekilde değiştirin.

Trafik miktarına göre üç örnek maliyet profili sağladık (tüm görüntülerin boyutu 100 KB olduğunu varsayıyoruz):

  • örnek hesaplayıcı: bu fiyatlandırma örneği, Power BI ve özel uyarı çözümü dışında bu mimarideki tüm hizmetlere sahip bir hesaplayıcı örneğidir.

Sonraki adımlar