Navigation überspringen

Lösungsarchitektur: Anomalieerkennung mit Machine Learning

Die IT-Anomalieerkennung von Microsoft Azure kann bei der Automatisierung und Staffelung der Anomalieerkennung für IT-Abteilungen helfen, damit Probleme schnell erkannt und behoben werden können.

Diese Lösung basiert auf diesen verwalteten Azure-Diensten: Event Hubs, Stream Analytics, Storage, Data Factory, Azure SQL-Datenbank, Machine Learning Studio, Service Bus, Application Insights und der Power BI. Diese Dienste werden in einer Hochverfügbarkeitsumgebung ausgeführt, gepatcht und unterstützt, sodass Sie sich auf die Lösung konzentrieren können, anstatt auf die Umgebung, in der sie ausgeführt wird.

Anomaly detection with machine learningMicrosoft Azure’s IT Anomaly Insights can help automate and scale anomaly detection for IT departments to quickly detect and fix issues.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)MetadataSave ML outputScore each datasetPublish anomalies detectedPower BI Azure SQL DB(Anomaly detection results)Data FactoryTime series data

Implementierungsleitfaden

Produkte/Beschreibung Dokumentation

Event Hubs

Dies ist der Einstiegspunkt der Pipeline, wo die TimeSeries-Rohdaten erfasst werden.

Stream Analytics

Stream Analytics führt die Aggregation in Intervallen von fünf Minuten aus und aggregiert Rohdatenpunkte nach Metriknamen.

Storage

Azure Storage speichert die durch den Stream Analytics-Auftrag aggregierten Daten.

Data Factory

Data Factory ruft die Anomalieerkennungs-API regelmäßig auf den Daten in Azure Storage auf (in der Standardeinstellung alle 15 Minuten). Die Ergebnisse werden in einer SQL-Datenbank gespeichert.

Azure SQL-Datenbank

Die SQL-Datenbank speichert die Ergebnisse der Anomalieerkennungs-API, einschließlich binärer Erkennung und Erkennungsbewertungen. Es werden ebenso die optionalen Metadaten gespeichert, die mit den Rohdatenpunkten gesendet werden, damit eine kompliziertere Berichterstellung möglich ist.

Machine Learning Studio

Die Anomalieerkennungs-API wird davon gehostet. Beachten Sie, dass die API selbst zustandslos ist und historische Datenpunkte benötigt, um in jedem API-Aufruf übermittelt werden zu können.

Service Bus

Erkannte Anomalien werden in einem Service Bus-Thema veröffentlicht, um den Verbrauch durch externe Überwachungsdienste zuzulassen.

Application Insights

Application Insights lässt die Überwachung der Pipeline zu.

Power BI

Power BI stellt Dashboards bereit, die die Rohdaten sowie die erkannten Anomalien zeigen.

Weitere Informationen

Zugehörige Lösungsarchitekturen