Hopp over navigasjon

Avvikspåvisning i sanntids datastrømmer

Cortana Intelligence IT Anomaly Insights-løsningen hjelper IT-avdelinger i store organisasjoner med å raskt oppdage og rette opp problemer basert på underliggende tilstandsmål fra IT-infrastruktur (CPU, minne osv.), tjenester (tidsavbrudd, SLA-variasjoner, spenningsfall osv.) og andre sentrale ytelsesindikatorer (gjenstående arbeidsordrer, feil i forbindelse med pålogging og betaling osv.), på en automatisert og skalerbare måte. Denne løsningen tilbyr også en enkelt «Prøv nå»-opplevelser som kan testes ut på tilpassede data for å vise verdiskapningen som tilbys av løsningen. «Distribuer»-opplevelsen lar deg komme raskt i gang med løsningen på Azure ved å distribuerer de fullstendige løsningskomponentene inn i Azure-abonnementet ditt og gir deg full kontroll for tilpasning ved behov.

Beskrivelse

Merk: Hvis du allerede har distribuert denne løsningen, kan du klikke her for å vise distribusjonen.

Kom i kontakt med en av våre partnere for avansert analyse for å arrangere en konseptgodkjenning i miljøet ditt: Neal Analytics, Empired

Estimert klargjøringstid: 30 minutter

Moderne tjenester genererer i dag store mengder telemetridata for å spore forskjellige aspekter ved driftsmessig tilstand, systemytelse, bruksinnsikter, forretningsmål, varsling og mye mer. Men overvåkning og innsamling av innsikt fra disse store datavolumene av IT-avdelinger er ofte ikke helautomatisert og utsatt for feil (ofte blir det brukt regler eller grensebaserte varsler), noe som gjør det vanskelig å sjekke systemets tilstand på en effektiv måte for et gitt tidspunkt.

Cortana Intelligence IT Anomaly Insights løser dette for kunden ved å levere en enkelt implementerbar løsning som er basert på Cortana Intelligence Solutions (for enkel distribusjon av Azure-tjenester) og Azure Machine Learning API for avvikspåvisning (for heladministrert sporing av historiske og sanntidsdata), som gjør det enkelt for forretningsbeslutningstakere å evaluere og realisere verdiskapning på noen få minutter, samtidig som kunder ta benytte deres egne data, tilpasse og utvide løsningen slik at den passer deres egne scenarier via raske konseptgodkjenninger. Med denne løsninger kan organisatorer:

  • Benytte den avanserte maskinlærings-API-en for avvikspåvisning for å lære og reagere på avvik fra både historiske data og sanntidsdata. Dette eliminerer mennesker i løkken, som vanligvis behøves for kalibrering av grensene som benyttes for å påvise avvik og redusere antallet falske positiver.
  • Realiser raskt potensialet til løsningen ved å teste den med deres egne data uten behov for forhåndsinvestering. «Prøv nå»-opplevelsen gir også brukere mulighet til å avgjøre det rette settet med sensitivitetsparametre for det aktuelle brukstilfellet.
  • Distribuere et fullstendig datasamlebånd i abonnementene deres for å importere data fra kilder lokalt og i skyen og rapportere avvikshendelser til nedstrømsovervåkning og sakssystemer som plug-and-play på noen få minutter.

Prøv deg-opplevelse med PowerBI

Forhåndskonfigurert løsningsdashbord for IT-avviksinnsikt

Løsningsdiagram

Se løsningsarkitekturen og detaljerte instruksjoner på GitHub.

Som beskrevet i løsningsdiagrammet nedenfor, kan sanntids målestrømmer fra både lokale og skybaserte systemer pumpes inn i Azure Event Hub-køen. Disse hendelsene (eller tidsserier av datapunkter) behandles av Azure Stream Analytics hvor de aggregeres i femminutters intervaller. Hver tidsserie sendes til Azure-API for avvikspåvisning for vurdering i en 15-minutters frekvens. Resultatene fra API-en i sammen med dimensjonene deres som kom ved inntaket lagres deretter i Azure SQL Database. De påviste avvikene publiseres også i Azure Service Bus, slik at de kan benyttes av nedstrøms-sakssystemene. Løsningen gir også instruksjoner for å konfigurere PowerBI-dashbord slik at avvikene raskt kan visualiseres for årsaksanalyse.

API for avvikspåvisning

API-en for avvikspåvisning brukes i «prøv nå»-opplevelsen og den distribuerte løsningen. Den hjelper med å påvise forskjellige former for avviksmønstre i tidsseriedatene dine. Den tilordner en avviksscore for hvert datapunkt i tidsserien som kan brukes for å generere varsler, overvåking igjennom dashbord eller tilkobling til sakssystemer. API-en for avvikspåvisning kan oppdage følgende avvikstyper på tidsseriedata:

  • Topper og bunner: For eksempel ved overvåkning av antallet påloggingsfeil til en tjeneste eller antallet utsjekkinger på et nettsted for e-handel, uvanlige topper og bunner kan indikere sikkerhetsangrep eller tjenesteavbrudd.
  • Positive og negative trender: Ved overvåkning av minnebruk i databehandling, for eksempel, reduksjon av ledig minne er en indikasjon på en potensiell minnelekkasje, under overvåkning av en tjenestekølengde, kan en stadig økning indikere et underliggende programvareproblem.
  • Nivåendringer og endringer i dynamiske intervallverdier: For eksempel kan det være interessant å overvåke nivåendringer i forsinkelser for en tjenester etter en tjenesteoppgradering eller lavere unntaksnivåer etter en oppgradering.

Ansvarsfraskrivelse

©2017 Microsoft Corporation. Med enerett. Denne informasjonen gis «som den er» og kan endres uten varsel. Microsoft gir ingen garantier, uttrykkelig eller underforstått, i forbindelse med informasjonen som oppgis her. Tredjepartsdata ble benyttet for å generere løsningen. Du er ansvarlig for å respektere andres rettigheter, inkludert anskaffelse og overhold av relevante lisenser for å opprette lignende datasett.

Relaterte løsningsarkitekturer

Prediktivt vedlikehold

Denne prediktive vedlikeholdsløsningen overvåker fly og forutser den gjenværende brukstiden for komponenter i flymotorer.

Kvalitetssikring

Kvalitetssikringssystemer gir bedrifter mulighet til å forhindre defekter i prosessene for vare- eller tjenesteleveranser til kunder. Utvikling av et slikt system som samler inn data og identifiserer potensielle problemer langs et datasamlebånd kan gi veldig store fordeler. I digital produksjon for eksempel, er kvalitetssikring på tvers av samlebåndet avgjørende. Identifisering av forsinkelser og mulige feil før de oppstår i stedet for etter at de oppdages kan hjelpe bedrifter med å redusere kostnader for forkastelser og omarbeiding samtidig som produktiviteten forbedres.