Detekce anomálií v datových proudech v reálném čase

Řešení přehledů anomálií IT v Cortana Intelligence pomáhá IT oddělením ve velkých organizacích rychle detekovat a opravovat problémy na základě základních metrik stavu z IT infrastruktury (procesor, paměť atd.), služeb (časové limity, odchylky od smlouvy SLA, výpadky atd.) a dalších klíčových ukazatelů výkonu (backlog objednávek, problémy s přihlášením a platbou atd.), a to automatizovaným a škálovatelným způsobem. Toto řešení také nabízí zkušební prostředí, které si můžete snadno vyzkoušet s upravenými daty, abyste si uvědomili hodnotu, kterou toto řešení nabízí. Nasazení umožňuje rychle začít s řešením v Azure díky tomu, že nasadí komponenty kompletního řešení do vašeho předplatného Azure a podle potřeby vám poskytne plnou kontrolu nad přizpůsobením.

Popis

Poznámka: Pokud jste toto řešení už nasadili, můžete ho zobrazit kliknutím sem.

Spojte se s některým z našich partnerů pro pokročilé analýzy a domluvte se na testování konceptu ve vašem prostředí: Neal Analytics, Empired

Odhadovaný čas zřízení: 30 minut

Dnešní moderní služby generují velké objemy telemetrických dat, aby umožnily sledování různých aspektů provozního stavu, výkonu systému, přehledů o využití, obchodních metrik, upozorňování a mnoha dalších. Monitorování a shromažďování přehledů z takového velkého objemu dat však často není pro IT oddělení plně automatizované a je náchylné k chybám (zpravidla při používání pravidel nebo výstrah na základě prahových hodnot), což ztěžuje efektivní a přesné určení stavu systému k danému určitému bodu v čase.

Řešení přehledů anomálií IT v Cortana Intelligence tento problém zákazníků řeší tím, že poskytuje řešení s minimálními překážkami vstupu, které je založené na řešeních Cortana Intelligence (pro snadné nasazování služeb Azure) a Rozhraní API pro detekci anomálií služby Azure Machine Learning (pro plně automatizované sledování historických dat a dat v reálném čase). Díky tomu ho může podnikový pracovník s rozhodovací pravomocí během několika minut snadno vyhodnotit a uvědomit si jeho hodnotu. Řešení také umožňuje uživatelům použít vlastní data a prostřednictvím rychlých testování konceptu přizpůsobit a rozšířit řešení tak, aby vyhovovalo konkrétnímu scénáři. Toto řešení organizacím umožní:

  • Využívat špičkové rozhraní API pro detekci anomálií služby Azure Machine Learning k zjišťování a reakci na anomálie v historických datech i datech v reálném čase. Tím se v celém procesu eliminuje potřeba člověka, který by jinak byl potřeba k přenastavování prahových hodnot za účelem detekce chybějících anomálií a minimalizace falešně pozitivních výsledků.
  • Rychle si uvědomit potenciál řešení díky možnosti vyzkoušet si ho s vlastními daty bez jakýchkoli počátečních investic. Zkušební prostředí uživatelům také umožňuje pro probíraný případ použití určit správnou sadu parametrů citlivosti.
  • Nasadit do svého předplatného kompletní kanál pro příjem dat z místních a cloudových zdrojů dat a hlášení anomálních událostí do podřízených systémů monitorování a vytváření tiketů, a to během několika minut způsobem „zapoj a spusť“.

Zkušební prostředí s Power BI

Řídicí panel předkonfigurovaného řešení přehledů anomálií IT

Diagram řešení

Architekturu řešení a podrobné pokyny najdete na GitHubu.

Jak je znázorněno v diagramu řešení níže, fronta centra událostí Azure může přijímat datové proudy metrik v reálném čase z místních i cloudových systémů. Tyto události (neboli datové body časových řad) se zpracovávají v Azure Stream Analytics, kde se agregují v pětiminutovém intervalu. Každá časová řada se do rozhraní API pro detekci anomálií Azure odesílá ke zpracování v 15minutovém rytmu. Výsledky z rozhraní API se pak společně s příslušnými rozměry zadanými při vstupu uloží do databáze SQL Azure. Detekované anomálie se také publikují ve službě Azure Service Bus, aby je mohly využívat podřízené systémy vytváření tiketů. Řešení také poskytuje návod k nastavení řídicího panelu Power BI, aby bylo možné anomálie rychle vizualizovat pro účely analýzy původní příčiny.

Rozhraní API pro detekci anomálií

Ve zkušebním prostředí i v nasazeném řešení se využívá rozhraní API pro detekci anomálií. To pomáhá detekovat různé typy anomálních vzorů ve vašich datech časových řad. Každému datovému bodu v časové řadě přiřazuje hodnocení anomálie, které je možné využít ke generování výstrah, monitorování prostřednictvím řídicích panelů nebo propojení se systémy vytváření tiketů. Rozhraní API pro detekci anomálií dokáže v datech časových řad detekovat následující typy anomálií:

  • Špičky a poklesy: Například při monitorování počtu chyb přihlášení ke službě nebo počtu rezervací na webu elektronického obchodování můžou neobvyklé špičky nebo poklesy značit útok na zabezpečení nebo přerušení služby.
  • Pozitivní a negativní trendy: Například při monitorování využití paměti ve výpočetním prostředí je zmenšování velikosti volné paměti indikátorem potenciálního nevrácení paměti. Při monitorování délky fronty služby zase může trvale rostoucí trend značit problém se základním softwarem.
  • Změny úrovní a změny dynamických rozsahů hodnot: Například může být zajímavé monitorovat změny úrovní latence služby nebo nižší úrovně výjimek po upgradu služby.

Právní omezení

© 2017 Microsoft Corporation. Všechna práva vyhrazena. Tyto informace se poskytují „tak, jak jsou“ a mohou se bez předchozího upozornění změnit. Společnost Microsoft neposkytuje s ohledem na uvedené informace žádné záruky, ať už výslovné, nebo implikované. K vytvoření řešení byla použita data třetích stran. Zodpovídáte za respektování práv ostatních, včetně pořízení náležitých licencí pro vytváření podobných datových sad a jejich dodržování.

Související architektury řešení

Prediktivní údržba

Toto řešení prediktivní údržby monitoruje letadlo a predikuje zbývající životnost součástek motoru.

Kontrola kvality

Systémy kontroly kvality umožňují podnikům předcházet chybám v celém procesu doručování zboží nebo služeb zákazníkům. Sestavení takového systému, který shromažďuje data a identifikuje potenciální problémy v kanálu, může přinést nesmírné výhody. Například v digitální výrobě je kontrola kvality na celé montážní lince nezbytná. Identifikace zpomalení a potenciálních selhání dříve, než k nim dojde, a nikoli až po jejich zjištění, může společnostem pomoct snížit náklady související s vadnými výrobky a opakovanou prací při současném zvýšení produktivity.