Real-Time Intelligence 中的異常偵測 （預覽版）

本文說明如何在 Real-Time Intelligence 中設定異常偵測，以自動識別 Eventhouse 資料表中的異常模式和異常值。 系統提供建議的模型，並允許您透過自動化操作設定持續監控。

主要功能包括：

• 模型建議：為您的資料建議最佳演算法和參數。
• 互動式異常探索： 可視化檢測到的異常並調整模型靈敏度。
• 持續監控：透過自動通知設定即時異常偵測。
• 使用新數據重新分析： 當新數據到達時更新您的模型以提高準確性。

先決條件

• 具備 Microsoft Fabric 功能的 工作區容量
• 工作區中管理員、參與者或成員的角色
• 工作區中的 Eventhouse 配有 KQL 資料庫
• 在相同 Eventhouse 上啟用的 Python 外掛程式
  • 若要啟用外掛程式，請導覽至您的 Eventhouse。
  • 在上方工具列中，選取 [外掛程式] ，然後啟用 Python 語言延伸模組。
  • 選取 Python 3.11.7 DL 外掛程式，然後選取 完成。

如何設定異常偵測

從 Eventhouse 資料表啟動異常偵測

您可以透過兩種方式啟動異常偵測：

1. 從 即時（Real-Time）集線器：

   1. 選取左側導覽窗格中的 Real-Time 集線器 。

      

   2. 找出您要分析異常的資料表， 然後執行下列 其中一個步驟：

      1. 選擇 ⋯（三個點）以開啟表格的功能區選單，然後選取異常偵測。

         

      2. 選取表格以開啟詳細資料頁面。 在上方工具列中，選取 [ 異常偵測]。

         

   3. 在 [ 異常偵測 ] 頁面上，針對 [ 儲存至 ]，選取下拉式清單，然後選取 [ 建立偵測器]。

      

   4. 在 [建立異常偵測器] 頁面上，選取您的 Fabric 工作區，輸入異常偵測器的名稱，然後選取 [建立]。

      

      現在，繼續到 設定分析的輸入資料行 區段，但略過設定 來源，因為已在 Real-Time 樞紐中選取來源。 從設定 [要監視的值 ] 區段開始。

2. 從 「建立」 按鈕：

   1. 在 Fabric 首頁中，選取省略符號 （...） 圖示，然後選取 [ 建立 ] 選項。

      

   2. 在 [建立] 窗格中，選取 [Real-Time Intelligence] 區段下的 [異常偵測]。

      

設定輸入資料行以進行分析

指定要分析的資料行，以及如何將資料分組。

1. 在 [ 異常偵測 設定] 窗格中，選取您要分析的 資料來源 。 如果您使用 Real-Time 中樞，請略過來源的選取，並繼續設定要 監看的值 區段。

   

2. 在 [ 選取來源 ] 窗格中，選擇您要分析的 Eventhouse 和資料表，然後選取 [ 新增]。

   

3. 在組態窗格中，新增 [要監看的值 ] 欄，其中包含您要監視異常的數值資料。

   

   備註

   請確定選取的資料行包含數值，因為異常偵測僅支援數值資料。

4. 選擇 [分組依據 ] 欄，以指定資料應如何分割以進行分析。 此資料行通常代表裝置、位置或其他邏輯群組等實體。

   

5. 選取 時間戳 記 資料行，代表記錄每個資料點的時間。 此列對於時間序列異常偵測至關重要，可確保準確分析一段時間內的趨勢。

   

6. 選取 [執行分析] 以開始自動化模型評估。

等待分析完成

系統會分析您的資料，以找出最佳的異常偵測模型。

在分析期間，系統：

• 對資料表資料進行取樣以進行高效處理
• 測試多種異常檢測算法
• 評估不同的參數配置
• 識別特定資料模式的最有效模型

查看推薦的模型和異常

分析完成後，您可以檢閱結果並探索偵測到的異常。

1. 選取您收到的通知，或導覽回資料表，然後選取 檢視異常結果，以開啟異常偵測結果。

2. 結果頁面提供下列深入解析：

   • 將您的資料可視化，並清晰突出顯示異常。
   • 建議的演算法清單，依其對資料的有效性進行排名。
   • 靈敏度設定用於調整偵測閾值。
   • 在所選時間範圍內 偵測到的異常 的詳細表格。

3. 使用模型選擇器比較不同推薦演算法的效能，並選擇最適合您需求的演算法。

4. 調整 靈敏度 設定以精簡異常偵測結果：

   • 選項包括低、中和高信賴度。
   • 嘗試使用這些設定，以在偵測更多異常和減少誤報之間取得平衡。

5. 與視覺效果和資料表互動，以深入瞭解偵測到的異常情況，並瞭解資料中的模式。

6. 儲存 異常偵測裝置以保留您的組態，並在稍後再次查看。

7. 將偵測到的異常發佈至 Real-Time Hub，以持續監控傳入資料。 您也可以設定下游動作，例如將警示傳送至 Activator。

透過檢閱和微調結果，您可以確保異常偵測設定針對您的特定使用案例進行最佳化。

使用新資料重新分析異常偵測模型

當您有新資料可用時，讓您的異常偵測模型保持最新狀態。

請遵循下列步驟，使用新資料重新分析模型：

1. 導覽至您的異常偵測項目。
2. 在 「編輯」 面板中，視需要修改任何先前填寫的欄位。
3. 選取 [Run analysis] (執行分析)。 這會根據您更新的輸入觸發新的分析。

探索異常偵測事件並設定警報

發布異常偵測結果後，你可以在 Real-Time 中心探索偵測到的異常，並設定警示以通知未來異常。 如需詳細資訊，請參閱：

• 探索異常偵測事件
• 設定異常偵測事件的警示

限制與考量

請注意以下當前限制：

• 資料需求：充足的歷史資料可以提高模型推薦和準確性
• 每個異常偵測器只能支援單一模型組態。

在異常偵測器中執行多個作業

當您與異常偵測器互動時，Eventhouse 會在背景執行 Python 查詢，以支援即時分析。 這些作業包括：

• 執行異常偵測或其他類型的分析。
• 在建議的模型之間切換。
• 修改檢視的時間範圍或 ID。
• 透過設定警示，持續監視傳入資料是否有異常。

Eventhouse 最多支援八個並行查詢。 如果超過此限制，系統會重試查詢，但其他查詢不會排入佇列，而且可能會以無訊息方式失敗。 提供更清晰度的錯誤訊息正在開發中。

若要避免問題：

• 在開始新查詢之前，請先讓每個查詢完成。
• 如果效能看起來緩慢或無回應，請減少並發查詢的數量。

如需詳細資訊，請參閱 Python 外掛程式。

啟用 Python 外掛程式的等待時間

當您開始資料分析時，異常偵測器會自動在 Eventhouse 上啟用 Python 外掛程式。 啟用外掛程式最多可能需要一小時。 啟用後，分析會自動開始。

如需詳細資訊，請參閱 在 Real-Time Intelligence 中啟用 Python 外掛程式。

後續步驟

現在你已經設定好異常偵測，接下來你可以：

• 探索異常偵測事件
• 設定異常偵測事件的警示
• 設定啟動器以進行自動回應
• 瞭解多變數異常偵測
• 從 KQL 查詢集建立警示

相關內容

• KQL 查詢參考
• 即時儀表板文件
• 活化劑概述