หมายเหตุ
การเข้าถึงหน้านี้ต้องได้รับการอนุญาต คุณสามารถลอง ลงชื่อเข้าใช้หรือเปลี่ยนไดเรกทอรีได้
การเข้าถึงหน้านี้ต้องได้รับการอนุญาต คุณสามารถลองเปลี่ยนไดเรกทอรีได้
บทความนี้แสดงภาพรวมของข้อมูลจําเพาะและความสามารถของแบบจําลองการตรวจหาความผิดปกติที่มีอยู่ใน Fabric Real-Time Intelligence โมเดลเหล่านี้ออกแบบมาเพื่อระบุรูปแบบที่ผิดปกติและค่าผิดปกติในสตรีมข้อมูลของคุณโดยอัตโนมัติ
สําคัญ
คุณลักษณะนี้อยู่ในตัวอย่าง
รุ่นที่รองรับ
| ชื่อรุ่น | คำอธิบาย | Package |
|---|---|---|
| ผู้เฝ้าระวังสัญญาณ | วิเคราะห์สัญญาณพื้นฐานเพื่อตรวจจับพฤติกรรมที่ผิดปกติ ตั้งแต่การเปลี่ยนแปลงเล็กน้อยไปจนถึงการพุ่งสูงขึ้นอย่างรวดเร็ว | TSB-AD - ขึ้นอยู่กับอัลกอริทึม SR |
| Signal Watcher (ตามฤดูกาล) | ตรวจจับพฤติกรรมที่ผิดปกติได้หลากหลาย ตั้งแต่การเปลี่ยนแปลงเล็กน้อยไปจนถึงการพุ่งสูงขึ้นอย่างรวดเร็ว โดยการวิเคราะห์สัญญาณพื้นฐานที่เสริมด้วยฤดูกาล | TSB-AD - ขึ้นอยู่กับอัลกอริทึม SR |
| Signal Watcher (ปรับปรุงตามฤดูกาล) | ตรวจจับพฤติกรรมที่ผิดปกติได้หลากหลาย ตั้งแต่การเปลี่ยนแปลงที่ละเอียดอ่อนไปจนถึงการพุ่งสูงขึ้นอย่างรวดเร็ว โดยการวิเคราะห์สัญญาณพื้นฐาน ซึ่งเสริมด้วยฤดูกาลที่ซับซ้อน | TSB-AD - ขึ้นอยู่กับอัลกอริทึม SR |
| ฮิสโตแกรม Sentinel | ระบุความผิดปกติตามรูปแบบการกระจายข้อมูล ซึ่งให้ประสิทธิภาพที่รวดเร็วและปรับขนาดได้สําหรับชุดข้อมูลขนาดใหญ่ | TSB-AD - ขึ้นอยู่กับอัลกอริทึม HBOS |
| ความใกล้ชิดของรูปแบบ | ใช้เพื่อนบ้านที่ใกล้ที่สุด k เพื่อตรวจหาความผิดปกติตามความใกล้ชิดของจุดข้อมูลในพื้นที่คุณลักษณะ เหมาะอย่างยิ่งสําหรับการเปลี่ยนรูปแบบเฉพาะที่ | TSB-AD - ขึ้นอยู่กับอัลกอริทึม KNN |
| ตัวค้นหารูปแบบหลัก | ลดข้อมูลที่ซับซ้อนให้เหลือรูปแบบที่สําคัญที่สุด ทําให้ง่ายต่อการตรวจจับความผิดปกติที่ละเอียดอ่อนและซ่อนอยู่ | TSB-AD - ขึ้นอยู่กับอัลกอริทึม PCA |
| เปลี่ยนเครื่องตรวจจับสไปค์ | ระบุการเปลี่ยนแปลงในท้องถิ่นที่คมชัดโดยการเปรียบเทียบว่าค่านิยมมีวิวัฒนาการอย่างไรเมื่อเวลาผ่านไป | MS พัฒนาแล้ว |
| ตัวติดตามการเปลี่ยนแปลงกลิ้ง | ติดตามแนวโน้มการเคลื่อนไหวเพื่อระบุการเปลี่ยนแปลงที่ค่อยเป็นค่อยไปในรูปแบบข้อมูล | MS พัฒนาแล้ว |
| เรดาร์ผิดปกติ | เน้นจุดข้อมูลที่เบี่ยงเบนไปจากค่าเฉลี่ยอย่างมีนัยสําคัญ ซึ่งมีประโยชน์สําหรับการระบุค่าผิดปกติขนาดใหญ่และกะทันหัน | MS พัฒนาแล้ว |
| เรดาร์ผิดปกติที่แข็งแกร่ง | คล้ายกับเรดาร์ผิดปกติ โมเดลนี้ใช้ค่ามัธยฐานสําหรับการวิเคราะห์ข้อมูลที่เบ้ที่มีประสิทธิภาพมากขึ้น มุ่งเน้นไปที่การเบี่ยงเบนอย่างมีนัยสําคัญในขณะที่เพิกเฉยต่อความผันผวนตามธรรมชาติ ทําให้มีเสถียรภาพในสภาพแวดล้อมที่มีเสียงดัง | MS พัฒนาแล้ว |
| เรดาร์ Outlier ที่แข็งแกร่ง (ตามฤดูกาล) | จัดการการกระจายข้อมูลที่ซับซ้อนและรวมการรับรู้ตามฤดูกาล ทําให้เหมาะสําหรับรูปแบบที่เกิดซ้ํา | MS พัฒนาแล้ว |
| ชีพจรเบี่ยงเบน: | ตรวจสอบสัญญาณเพื่อหาความเบี่ยงเบนที่สําคัญ ซึ่งปรับให้เหมาะสมสําหรับการตรวจจับเหตุการณ์ที่โดดเด่น | MS พัฒนาแล้ว |