Anomalieerkennung in Echtzeitdatenströmen

Mit der Cortana Intelligence IT Anomaly Insights-Lösung können IT-Abteilungen in großen Organisationen Fehler basierend auf zugrunde liegenden Integritätsmetriken aus folgenden Quellen schnell erkennen und beheben: IT-Infrastruktur (CPU, Arbeitsspeicher usw.), Dienste (Timeouts, Abweichungen von SLAs, Brownouts usw.) und andere Key Performance Indicators (Auftragsbestand, Fehler bei Anmeldung und Zahlung usw.). Diese Lösung bietet zudem eine einfache Jetzt ausprobieren-Funktion, auf der potenzielle Kunden den Nutzen der Lösung mit eigenen Daten testen können. Die Funktion „Bereitstellen“ ermöglicht einen schnellen Einstieg in die Lösung auf Azure, da sämtliche Komponenten in Ihrem Azure-Abonnement bereitgestellt werden und Sie die gesamte Lösung vollständig nach Bedarf anpassen können.

Beschreibung

Hinweis: Wenn Sie diese Lösung bereits bereitgestellt haben, klicken Sie hier, um sich Ihre Bereitstellung anzeigen zu lassen.

Vereinbaren Sie mit einem unserer Partner für Advanced Analytics einen Proof of Concept in Ihrer Umgebung: Neal Analytics, Empired

Geschätzte Bereitstellungszeit: 30 Minuten

Moderne Dienste generieren große Volumen an Telemetriedaten, um verschiedene Aspekte hinsichtlich betrieblicher Integrität, Systemleistung, Nutzungsinformationen, Geschäftsmetriken, Warnungen usw. nachzuverfolgen. Jedoch erfolgen Überwachung und Sammlung von Informationen aus diesen riesigen Datenmengen häufig nicht vollständig automatisiert und sind deshalb fehleranfällig (im Allgemeinen werden Regeln oder schwellenwertbasierte Warnungen verwendet). Dies macht es schwierig, die Integrität des Systems zu jedem Zeitpunkt effektiv und genau zu bestimmen.

Cortana Intelligence IT Anomaly Insights löst dieses Kundenproblem mit einer Lösung, die einfach zu verwenden ist und auf Cortana Intelligence Solutions (zur einfachen Bereitstellung von Azure-Diensten) und der Anomalieerkennungs-API von Azure Machine Learning (zur vollständig automatisierten Nachverfolgung von Verlaufs- und Echtzeitdaten) basiert. Damit können geschäftliche Entscheidungsträger den Wert von Daten innerhalb weniger Minuten einschätzen und die richtigen Schlüsse ziehen. Zudem können Kunden ihre eigenen Daten nutzen und die Lösung mithilfe schneller Proof of Concepts anpassen und erweitern, um sie auf ihr eigenes Szenario auszurichten. Diese Lösung bietet Organisationen die folgenden Möglichkeiten:

  • Sie können die hochmoderne Anomalieerkennungs-API von Azure Machine Learning verwenden, um Anomalien sowohl in Verlaufs- als auch in Echtzeitdaten zu erkennen und darauf zu reagieren. Bei anderen Lösungen muss sich ein Mitarbeiter um das Neukalibrieren von Schwellenwerten kümmern, um fehlende Anomalien zu erkennen und falsch positive Ergebnisse zu minimieren. Dies ist bei dieser Lösung nicht mehr erforderlich.
  • Sie können sehr schnell vom Potenzial der Lösung profitieren, indem sie sie ohne jegliche Vorabinvestition mit ihren eigenen Daten testen. Die Funktion „Jetzt ausprobieren“ bietet Benutzern die Möglichkeit, die richtigen Parameter hinsichtlich des Vertraulichkeitsgrads für den jeweils vorliegenden Anwendungsfall zu bestimmen.
  • Sie können eine End-to-End-Pipeline in ihr Abonnement bereitstellen, um Daten aus lokalen und cloudbasierten Datenquellen zu erfassen und anomale Ereignisse an Überwachungs und Ticketausstellungssysteme später im Workflow zu senden – all dies per Plug & Play und innerhalb weniger Minuten.

Jetzt ausprobieren-Funktion mit Power BI

Vorkonfiguriertes Lösungsdashboard für Einblicke in IT-Anomalien

Lösungsdiagramm

Weitere Informationen zur Lösungsarchitektur sowie genaue Anleitungen finden Sie auf GitHub.

Wie im Lösungsdiagramm unten gezeigt, können Echtzeitmetrikströme sowohl aus lokalen als auch aus cloudbasierten Systemen in die Azure Event Hub-Warteschlange gesendet werden. Diese Ereignisse (oder Zeitreihen-Datenpunkte) werden von Azure Stream Analytics verarbeitet, wo sie alle fünf Minuten aggregiert werden. Jede Zeitreihe wird im 15-Minuten-Rhythmus zur Auswertung an die Azure-Anomalieerkennungs-API gesendet. Die Ergebnisse aus der API werden dann mit ihren während der Eingabe bereitgestellten Dimensionen in Azure-SQL-Datenbank gespeichert. Die erkannten Anomalien werden auch in Azure Service Bus veröffentlicht, sodass sie von den Ticketausstellungssystemen später im Workflow verwendet werden können. Die Lösung bietet zudem Anleitungen zum Einrichten eines Power BI-Dashboards, damit die Anomalien zur Ursachenanalyse schnell visualisiert werden können.

Anomalieerkennungs-API

Die Anomalieerkennungs-API wird in den Funktionen „Jetzt ausprobieren“ und in der bereitgestellten Lösung verwendet. Mit ihr lassen sich verschiedene Arten von Anomaliemustern in Ihren Zeitreihendaten erkennen. Die API weist jedem Datenpunkt in der Zeitreihe eine Anomaliebewertung zu, die zum Generieren von Warnungen, zum Überwachen mithilfe von Dashboards oder zum Herstellen einer Verbindung zu Ihren Ticketausstellungssystemen verwendet werden kann. Die Anomalieerkennungs-API kann die folgenden Arten von Anomalien in Zeitreihendaten erkennen:

  • Höchst- und Tiefstwerte: Beim Überwachen der Anzahl von Anmeldefehlern bei einem Dienst oder der Anzahl von Einkaufsvorgängen in einer E-Commerce-Website können ungewöhnliche Höchst- und Tiefstwerte auf Sicherheitsangriffe oder Dienstunterbrechungen hinweisen.
  • Positive und negative Trends: Beim Überwachen der Arbeitsspeichernutzung durch Computingvorgänge kann ein Schrumpfen des freien Arbeitsspeicherplatzes auf einen potenziellen Arbeitsspeicherverlust hinweisen. Beim Überwachen der Länge einer Dienstwarteschlange kann ein permanenter Aufwärtstrend ein Hinweis auf ein Problem in der zugrunde liegenden Software sein.
  • Änderungen bei Niveaus und im dynamischen Wertebereich: Änderungen des Latenzniveaus eines Diensts oder eine geringere Anzahl von Ausnahmen nach einem Dienstupgrade können ein interessanter Aspekt für die Überwachung sein.

Haftungsausschluss

©2017 Microsoft Corporation. Alle Rechte vorbehalten. Alle Informationen werden im vorliegenden Zustand bereitgestellt und können sich ohne Vorankündigung ändern. Microsoft leistet weder ausdrücklich noch stillschweigend Gewähr hinsichtlich der hier zur Verfügung gestellten Informationen. Zur Erstellung der Lösung wurden Drittanbieterdaten verwendet. Sie sind dafür verantwortlich, die Rechte Dritter zu berücksichtigen. Hierzu zählen u.a. das Beschaffen relevanter Lizenzen, die zur Erstellung ähnlicher Datensätze benötigt werden, und das Erfüllen der jeweiligen Lizenzbedingungen.

Zugehörige Lösungsarchitekturen

Predictive Maintenance

Die vorliegende Predictive Maintenance-Lösung überwacht Flugzeuge und prognostiziert die verbleibende Lebensdauer von Triebwerkskomponenten.

Qualitätssicherung

Mithilfe von Qualitätssicherungssystemen können Unternehmen Fehler in allen Prozessen der Herstellung und Bereitstellung von Waren oder Dienstleistungen für Kunden vermeiden. Ein solches System, das Daten sammelt und potenzielle Probleme in einer Pipeline identifiziert, kann erhebliche Vorteile bieten. Bei der digitalen Fertigung z.B. ist die Qualitätssicherung in der gesamten Montagelinie zwingend erforderlich. Wenn Unternehmen Verzögerungen und mögliche Ausfälle ermitteln können, bevor diese eintreten und nicht erst, nachdem sie entdeckt wurden, können sie die Kosten für Ausschuss und Nachbearbeitung senken und gleichzeitig die Produktivität erhöhen.