Ez a cikk egy anomáliadetektálási folyamat közel valós idejű implementálásának architektúráját mutatja be.
Architektúra
Töltse le az architektúra Visio-fájlját.
Adatfolyam
- Az idősoros adatok több forrásból is származhatnak, például az Azure Database for MySQL-ből, a Blob Storage-ból, az Event Hubsból, az Azure Cosmos DB-ből, az SQL Database-ből és az Azure Database for PostgreSQL-ből.
- Az adatok különböző tárolási forrásokból származó számítási adatokba kerülnek, amelyeket anomáliadetektor figyelnek.
- A Databricks segít a nyers adatok összesítésében, mintájában és kiszámításában, hogy időt generáljon az észlelt eredmények alapján. A Databricks képes stream- és statikus adatok feldolgozására. A Stream Analytics és az Azure Synapse a követelmények alapján alternatív megoldások lehetnek.
- Az anomáliadetektor API észleli az anomáliákat, és visszaadja az eredményeket a számításhoz.
- Az anomáliával kapcsolatos metaadatok várólistára kerülnek.
- Az alkalmazás Elemzések választja ki az üzenetet az üzenetsorból az anomáliával kapcsolatos metaadatok alapján, és riasztást küld az anomáliáról.
- Az eredmények tárolása az Azure Data Lake Service Gen2-ben történik.
- A webalkalmazások és a Power BI képes megjeleníteni az anomáliadetektálás eredményeit.
Összetevők
Az architektúra implementálásához használt főbb technológiák:
- Service Bus: Megbízható felhőbeli üzenetkezelés szolgáltatásként (MaaS) és egyszerű hibrid integráció.
- Azure Databricks: Gyors, egyszerű és együttműködésen alapuló Apache Spark-alapú elemzési szolgáltatás.
- Power BI: Interaktív adatvizualizációs BI-eszközök.
- Tárfiókok: Tartós, magas rendelkezésre állású és nagymértékben skálázható felhőalapú tároló.
- Cognitive Services: Felhőalapú szolgáltatások REST API-kkal és ügyfélkódtár-SDK-kkal, amelyekkel kognitív intelligenciát építhet az alkalmazásokba.
- Logic Apps: Kiszolgáló nélküli platform olyan vállalati munkafolyamatok létrehozásához, amelyek alkalmazásokat, adatokat és szolgáltatásokat integrálnak. Ebben az architektúrában a logikai alkalmazásokat HTTP-kérések aktiválják.
- Azure Data Lake Storage Gen2: Az Azure Data Lake Storage Gen2 fájlrendszer-szemantikát, fájlszintű biztonságot és skálázást biztosít.
- Alkalmazás Elemzések: Az alkalmazás Elemzések az Azure Monitor szolgáltatása, amely bővíthető alkalmazásteljesítmény-kezelést (APM) és monitorozást biztosít az élő webalkalmazásokhoz.
Alternatívák
- Event Hubs with Kafka: A saját Kafka-fürt futtatásának alternatívája. Ez az Event Hubs-szolgáltatás olyan végpontot biztosít, amely kompatibilis a Kafka API-kkal.
- Azure Synapse Analytics: A nagyvállalati adatraktározást és big data-elemzést ötvöző elemzési szolgáltatás.
- Azure Machine Tanulás: Egyéni gépi tanulási/ anomáliadetektálási modellek létrehozása, betanítása, üzembe helyezése és kezelése felhőalapú környezetben.
Forgatókönyv részletei
Az Azure Cognitive Services anomáliadetektor API lehetővé teszi az idősoradatok rendellenességeinek monitorozását és észlelését anélkül, hogy ismernie kellene a gépi tanulást. Az API algoritmusai az iparágtól, forgatókönyvtől és adatmennyiségtől függetlenül automatikusan azonosítják és alkalmazzák a legjobban illeszkedő modelleket az idősor adataira. Meghatározzák az anomáliadetektálás, a várt értékek és a rendellenes adatpontok határait.
Lehetséges használati esetek
Az anomáliadetektált területek némelyike segít a monitorozásban:
- Banki csalás (pénzügyi ágazat)
- Szerkezeti hibák (feldolgozóipar)
- Egészségügyi problémák (egészségügyi ágazat)
Megfontolások
Ezek a szempontok implementálják az Azure Well-Architected Framework alappilléreit, amely a számítási feladatok minőségének javítására használható vezérelvek halmaza. További információ: Microsoft Azure Well-Architected Framework.
Méretezhetőség
Az ebben a példaforgatókönyvben használt összetevők többsége olyan felügyelt szolgáltatások, amelyek automatikusan skálázódnak.
A méretezhető megoldások tervezésével kapcsolatos általános útmutatásért tekintse meg az Azure Architecture Center teljesítményhatékonysági ellenőrzőlistát .
Biztonság
A biztonság biztosítékokat nyújt a szándékos támadások és az értékes adatokkal és rendszerekkel való visszaélés ellen. További információ: A biztonsági pillér áttekintése.
Az Azure-erőforrások felügyelt identitásai a fiókon belüli, majd az Azure Functionshez rendelt egyéb erőforrásokhoz való hozzáférést biztosítják. Engedélyezze ezeknek az identitásoknak, hogy csak a szükséges erőforrásokhoz férjenek hozzá, hogy semmi extra ne legyen kitéve a függvényeknek (és potenciálisan az ügyfeleknek).
A biztonságos megoldások tervezésével kapcsolatos általános útmutatásért tekintse meg az Azure biztonsági dokumentációját.
Tartósság
Ebben a forgatókönyvben az összes összetevő felügyelt, így regionális szinten automatikusan rugalmasak.
A rugalmas megoldások tervezésével kapcsolatos általános útmutatásért lásd : Rugalmas alkalmazások tervezése az Azure-hoz.
Költségoptimalizálás
A költségoptimalizálás a szükségtelen kiadások csökkentésének és a működési hatékonyság javításának módjairól szól. További információ: A költségoptimalizálási pillér áttekintése.
A forgatókönyv futtatásának költségeinek megismeréséhez tekintse meg az előre kitöltött kalkulátort az összes szolgáltatással. Annak megtekintéséhez, hogy az adott használati eset díjszabása hogyan változna, módosítsa a megfelelő változókat a várt forgalomnak/adatmennyiségeknek megfelelően.
Három mintaköltségprofilt adtunk meg a forgalom mennyisége alapján (feltételezzük, hogy az összes kép mérete 100 kb):
- Példakalkulátor: ez a díjszabási példa egy kalkulátor, amely az architektúra összes szolgáltatásával rendelkezik, kivéve a Power BI-t és az egyéni riasztási megoldást.
Közreműködők
Ezt a cikket a Microsoft tartja karban. Eredetileg a következő közreműködők írták.
Fő szerző:
- Ashish Chauhan | Vezető felhőmegoldás-tervező
A nem nyilvános LinkedIn-profilok megtekintéséhez jelentkezzen be a LinkedInbe.
Következő lépések
- anomáliadetektor API dokumentációja
- Interaktív bemutató
- Az adatok rendellenességeinek észlelése és vizualizációja a anomáliadetektor API-val – Bemutató a Jupyter Notebookon
- A rendellenességek azonosítása az adatok IoT Hubon keresztül egy beépített ML-modellbe való átirányításával az Azure Stream Analyticsben
- Recept: Prediktív karbantartás a Cognitive Services for Big Data használatával
- A Service Bus dokumentációja
- Az Azure Databricks dokumentációja
- A Power BI dokumentációja
- Tárolási dokumentáció