Løsningsarkitektur: Registrering af afvigelser med Machine Learning

Moderne it-afdelinger bruger tjenester, som genererer store mængder telemetridata, til sporing af forskellige aspekter af driftstilstand, systemydeevne, indsigt om brug, forretningsparametre, vigtige beskeder og meget andet. Overvågning og indsamling af indsigt på baggrund af alle disse data er dog ofte ikke fuldt automatiseret og fejlbehæftet, så det er vanskeligt at bestemme systemets tilstand effektivt og præcist på et givet tidspunkt.

Denne fleksible løsning til registrering af afvigelser bruger maskinlæring til at sikre høj tilgængelighed for it-systemer, og den har en komplet pipeline, som overfører data fra datakilder i det lokale miljø og cloudbaserede datakilder og rapporterer uregelmæssige hændelser til overvågnings- og billetteringssystemer downstream.

Med denne løsning kan du hurtigt registrere og løse problemer baseret på underliggende sundhedsmålepunkter fra it-infrastrukturen (CPU, hukommelse osv.), tjenester (timeouts, SLA-variationer, brownouts osv.) og andre KPI'er (ordrebeholdning, mislykkede logonforsøg og betalinger osv.).

Installér på Azure

Brug følgende forhåndsbyggede skabelon til at installere denne arkitektur på Azure

Installér på Azure

Få vist den udrullede løsning

Søg på GitHub

Machine Learning(Anomaly Detection) Service Bus topics(Publish/subscribe capabilities) Visual Studio Application Insights(Monitoring and telemetry) Event Hub(Event queue) Table Storage(Big Data store) Stream Analytics(Realtime analytics) Metadata Save ML output Score each dataset Publish anomalies detected Power BI Azure SQL DB(Anomaly detection results) Data Factory Time series data

Implementeringsvejledning

Produkter/beskrivelse Dokumentation

Event Hubs

Dette er det indgangspunkt i pipelinen, hvor der registreres rå tidsdata.

Stream Analytics

Stream Analytics aggregerer rådatapunkter efter metriknavn med fem minutters mellemrum.

Storage

De data, der samles i forbindelse med Stream Analytics-jobbet, lagres i Microsoft Azure Storage.

Data Factory

Data Factory kalder API'en for registrering af afgivelser med jævne mellemrum (hvert 15. minut som standard) på de data, som findes i Microsoft Azure Storage. Resultaterne lagres i en SQL Database.

SQL Database

Resultaterne fra API'en for registrering af afvigelser lagres i SQL Database sammen med binære registreringer og registreringsscorer. Der lagres også valgfrie metadata, som sendes sammen med rådatapunkterne for at muliggøre mere kompleks rapportering.

Machine Learning Studio

Her findes API'en for registrering af afvigelser. Bemærk, at selve API'en er tilstandsløs og kræver historiske datapunkter for at kunne sendes i API-kald.

Service Bus

Registrerede afvigelser udgives under et Service Bus-emne, så de kan bruges af eksterne overvågningstjenester.

Application Insights

Application Insights gør det muligt at overvåge pipelinen.

Power BI

Power BI har dashboards til visning af rådata og registrerede afvigelser.

Få mere at vide

Relaterede løsningsarkitekturer