Anomalieerkennung in Real-Time Intelligence (Vorschau)

In diesem Artikel wird erläutert, wie Sie die Anomalieerkennung in Real-Time Intelligence einrichten, um ungewöhnliche Muster und Ausreißer in Ihren Eventhouse-Tabellen automatisch zu identifizieren. Das System bietet empfohlene Modelle und ermöglicht es Ihnen, eine kontinuierliche Überwachung mit automatisierten Aktionen einzurichten.

Wichtige Funktionen sind:

• Modellempfehlungen: Schlägt die besten Algorithmen und Parameter für Ihre Daten vor.
• Interaktive Anomaliesuche: Visualisieren Sie erkannte Anomalien, und passen Sie die Modellempfindlichkeit an.
• Kontinuierliche Überwachung: Einrichten der Anomalieerkennung in Echtzeit mit automatisierten Benachrichtigungen.
• Neuanalyse mit neuen Daten: Aktualisieren Sie Ihre Modelle, wenn neue Daten eintreffen, um die Genauigkeit zu verbessern.

Voraussetzungen

• Ein Arbeitsbereich mit einer Kapazität mit Microsoft Fabric-Unterstützung
• Rolle von Administrator, Mitwirkender oder Mitgliedim Arbeitsbereich
• Ein Eventhouse in Ihrem Arbeitsbereich mit einer KQL-Datenbank
• Ein Python-Plug-In für dasselbe Eventhouse aktiviert
  • Um das Plug-In zu aktivieren, navigieren Sie zu Ihrem Eventhouse.
  • Wählen Sie auf der oberen Symbolleiste Plugins aus, und aktivieren Sie dann die Python-Spracherweiterung.
  • Wählen Sie das Python 3.11.7 DL-Plug-In und dann "Fertig" aus.

Einrichten der Anomalieerkennung

Starten der Anomalieerkennung aus einer Eventhouse-Tabelle

Sie können die Anomalieerkennung auf zwei Arten starten:

1. Vom Real-Time Hub:

   1. Wählen Sie im linken Navigationsbereich Real-Time Hub aus.

      

   2. Suchen Sie die Tabelle, die Sie auf Anomalien analysieren möchten, und führen Sie eine der folgenden Schritte aus:

      1. Wählen Sie die Option ⋯ (drei Punkte) aus, um das Menüband der Tabelle zu öffnen, und wählen Sie " Anomalieerkennung" aus.

         

      2. Wählen Sie die Tabelle aus, um die Detailseite zu öffnen. Wählen Sie in der oberen Symbolleiste die Anomalieerkennung aus.

         

   3. Wählen Sie auf der Seite 'Anomalieerkennung' unter Speichern in die Dropdownliste aus und wählen Sie ' Detektor erstellen' aus.

      

   4. Wählen Sie auf der Seite "Anomaliedetektor erstellen" Ihren Fabric-Arbeitsbereich aus, geben Sie einen Namen für den Anomaliedetektor ein, und wählen Sie dann "Erstellen" aus.

      

      Fahren Sie nun mit den Eingabespalten für den Analyseabschnitt fort, aber überspringen Sie die Konfiguration der Quelle , da die Quelle bereits im Real-Time Hub ausgewählt ist. Beginnen Sie mit der Konfiguration des Abschnitts "Wert für die Überwachung ".

2. Aus der Schaltfläche "Erstellen":

   1. Wählen Sie auf der Fabric-Startseite das Auslassungszeichen (...) und dann die Option "Erstellen" aus.

      

   2. Wählen Sie im Bereich "Erstellen " die Anomalieerkennung im Abschnitt Real-Time Intelligence aus.

      

Konfigurieren von Eingabespalten für die Analyse

Geben Sie an, welche Spalten analysiert werden sollen, und wie Sie Ihre Daten gruppieren.

1. Wählen Sie im Konfigurationsbereich " Anomalieerkennung " die Datenquelle aus, die Sie analysieren möchten. Wenn Sie Real-Time Hub verwenden, überspringen Sie die Quellauswahl und fahren Sie fort mit der Konfiguration des Abschnitts Wert beobachten.

   

2. Wählen Sie im Bereich "Quelle auswählen" die Zu analysierende Eventhouse- und -Tabelle aus, und wählen Sie dann "Hinzufügen" aus.

   

3. Fügen Sie im Konfigurationsbereich die Spalte "Wert" hinzu , die die numerischen Daten enthält, die Sie auf Anomalien überwachen möchten.

   

   Hinweis

   Stellen Sie sicher, dass die ausgewählte Spalte numerische Werte enthält, da nur numerische Daten für die Anomalieerkennung unterstützt werden.

4. Wählen Sie die Spalte "Gruppieren nach " aus, um anzugeben, wie Ihre Daten für die Analyse partitioniert werden sollen. Diese Spalte stellt in der Regel Entitäten wie Geräte, Speicherorte oder andere logische Gruppierungen dar.

   

5. Wählen Sie die Spalte "Zeitstempel " aus, die die Uhrzeit der Aufzeichnung jedes Datenpunkts darstellt. Diese Spalte ist entscheidend für die Anomalieerkennung von Zeitreihen und stellt eine genaue Analyse der Trends im Laufe der Zeit sicher.

   

6. Wählen Sie "Analyse ausführen" aus, um mit der automatisierten Modellauswertung zu beginnen.

Warten auf abschluss der Analyse

Das System analysiert Ihre Daten, um die besten Anomalieerkennungsmodelle zu finden.

Während der Analyse führt das System Folgendes aus:

• Probiert Ihre Tabellendaten für eine effiziente Verarbeitung ein
• Testet mehrere Anomalieerkennungsalgorithmen
• Wertet verschiedene Parameterkonfigurationen aus.
• Identifiziert die effektivsten Modelle für Ihre spezifischen Datenmuster

Überprüfen empfohlener Modelle und Anomalien

Sobald die Analyse abgeschlossen ist, können Sie die Ergebnisse überprüfen und die erkannten Anomalien untersuchen.

1. Öffnen Sie die Anomalieerkennungsergebnisse, indem Sie die empfangene Benachrichtigung auswählen oder zurück zur Tabelle navigieren und Anomalieergebnisse anzeigen auswählen.

2. Die Ergebnisseite bietet die folgenden Einblicke:

   • Eine Visualisierung Ihrer Daten mit eindeutig hervorgehobenen Anomalien.
   • Eine Liste der empfohlenen Algorithmen, die nach ihrer Effektivität für Ihre Daten bewertet werden.
   • Empfindlichkeitseinstellungen zum Anpassen der Erkennungsschwellenwerte.
   • Eine detaillierte Tabelle der erkannten Anomalien innerhalb des ausgewählten Zeitraums.

3. Verwenden Sie die Modellauswahl, um die Leistung verschiedener empfohlener Algorithmen zu vergleichen und wählen Sie das Modell aus, das Ihren Anforderungen am besten entspricht.

4. Passen Sie die Empfindlichkeitseinstellungen an, um die Ergebnisse der Anomalieerkennung zu verfeinern.

   • Zu den Optionen gehören die Vertrauensebenen "Niedrig", "Mittel" und "Hoch".
   • Experimentieren Sie mit diesen Einstellungen, um zwischen der Erkennung weiterer Anomalien und der Verringerung falsch positiver Ergebnisse zu gleichgewichten.

5. Interagieren Sie mit den visuellen Elementen und Tabellen, um tiefere Einblicke in die erkannten Anomalien zu erhalten und die Muster in Ihren Daten zu verstehen.

6. Speichern Sie den Anomaliedetektor, um Ihre Konfiguration zu erhalten und später erneut zu überprüfen.

7. Veröffentlichen Sie die erkannten Anomalien im Real-Time Hub, um eine kontinuierliche Überwachung eingehender Daten zu ermöglichen. Sie können auch nachgeschaltete Aktionen konfigurieren, z. B. das Senden von Warnungen an aktivator.

Indem Sie die Ergebnisse überprüfen und optimieren, können Sie sicherstellen, dass Ihr Anomalieerkennungssetup für Ihren spezifischen Anwendungsfall optimiert ist.

Neuananalysieren von Anomalieerkennungsmodellen mit neuen Daten

Halten Sie Ihre Anomalieerkennungsmodelle auf dem neuesten Stand, sobald neue Daten verfügbar sind.

Führen Sie die Schritte aus, um das Modell mit neuen Daten neu zuanalysieren:

1. Navigieren Sie zu Ihrem Anomalieerkennungselement.
2. Ändern Sie im Bearbeitungsbereich alle zuvor ausgefüllten Felder nach Bedarf.
3. Wählen Sie Run Analysis (Analyse ausführen) aus. Dadurch wird eine neue Analyse basierend auf ihren aktualisierten Eingaben ausgelöst.

Erkunden von Anomalieerkennungsereignissen und Festlegen von Warnungen

Nachdem Sie Ihre Anomalieerkennungsergebnisse veröffentlicht haben, können Sie die erkannten Anomalien im Real-Time Hub untersuchen und Warnungen einrichten, um Sie über zukünftige Anomalien zu informieren. Weitere Informationen finden Sie unter:

• Untersuchen von Ereignissen zur Anomalieerkennung
• Festlegen von Warnungen für Anomalieerkennungsereignisse

Einschränkungen und Überlegungen

Beachten Sie diese aktuellen Einschränkungen:

• Datenanforderungen: Ausreichende historische Daten verbessern Modellempfehlungen und Genauigkeit
• Jeder Anomaliedetektor kann nur eine einzige Modellkonfiguration unterstützen.

Ausführen mehrerer Vorgänge im Anomaliedetektor

Wenn Sie mit dem Anomaliedetektor interagieren, führt Eventhouse Python-Abfragen im Hintergrund aus, um die Echtzeitanalyse zu unterstützen. Dazu zählen die Operationen:

• Ausführen einer Anomalieerkennung oder anderer Analysetypen.
• Wechseln zwischen empfohlenen Modellen.
• Ändern des angezeigten Zeitfensters oder der angezeigten IDs.
• Kontinuierliche Überwachung eingehender Daten für Anomalien durch Festlegen von Warnungen.

Eventhouse unterstützt bis zu acht gleichzeitige Abfragen pro Eventhouse. Wenn dieser Grenzwert überschritten wird, wiederholt das System die Abfragen, aber zusätzliche Abfragen werden nicht in die Warteschlange gestellt und schlagen möglicherweise im Hintergrund fehl. Fehlermeldungen, um mehr Klarheit zu bieten, befinden sich in der Entwicklung.

So vermeiden Sie Probleme:

• Zulassen, dass jede Abfrage abgeschlossen wird, bevor Sie eine neue Abfrage starten.
• Wenn die Leistung langsam oder nicht reagierend ist, verringern Sie die Anzahl gleichzeitiger Abfragen.

Weitere Informationen finden Sie unter Python-Plug-In.

Wartezeiten zum Aktivieren des Python-Plug-Ins

Wenn Sie mit der Datenanalyse beginnen, aktiviert der Anomaliedetektor automatisch das Python-Plug-In in Ihrem Eventhouse. Das Aktivieren des Plug-Ins kann bis zu einer Stunde dauern. Nach der Aktivierung beginnt die Analyse automatisch.

Weitere Informationen finden Sie unter "Python-Plug-In aktivieren" in Real-Time Intelligence.

Nächste Schritte

Nachdem Sie die Anomalieerkennung konfiguriert haben, können Sie folgendes vorgehen:

• Untersuchen von Anomalie-Erkennungsereignissen
• Festlegen von Warnungen für Anomalieerkennungsereignisse
• Einrichten des Aktivators für automatisierte Antworten
• Erfahren Sie mehr über die Anomalieerkennung von Multivariaten
• Erstellen von Warnungen aus einem KQL-Abfrageset

Verwandte Inhalte

• KQL-Abfragereferenz
• Echtzeit-Dashboard-Dokumentation
• Die Aktivator-Übersicht