Løsningsarkitektur: Avviksregistrering med maskinlæring

Tjenestene som brukes av moderne IT-avdelinger, genererer store mengder telemetridata for å spore forskjellige aspekter ved driftsmessig tilstand, systemytelse, bruksinnsikter, forretningsmål, varsling og mye mer. Ofte vil imidlertid overvåking og innsamling av innsikter fra alle disse dataene, ikke skje helautomatisk og være utsatt for feil, noe som gjør det vanskelig å sjekke systemets tilstand på en effektiv måte for et gitt tidspunkt.

Denne tilpassbare løsningen for avviksregistrering bruker maskinlæring til å sikre høy tilgjengelighet for IT-systemer, og har også et ende-til-ende-datasamlebånd som importerer data fra lokale og skybaserte kilder samt rapporterer om avvikshendelser til nedstrøms service- og overvåkingssystemer.

Med denne løsningen vil du 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.).

Distribuer til Azure

Bruk den følgende forhåndsbygde malen til å distribuere denne arkitekturen til Azure

Distribuer til Azure

Se gjennom 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

Implementeringsveiledning

Produkter Dokumentasjon

Event Hubs

Dette er inngangspunktet for datasamlebåndet, hvor rådataene for tidsserien importeres.

Stream Analytics

Stream Analytics utfører aggregasjoner hvert 5. minutt, og aggregerer rådatapoeng etter metrisk navn.

Storage

Azure Storage lagrer data som samles opp av Stream Analytics-jobben.

Data Factory

Data Factory kaller jevnlig API-en for avviksregistrering (som standard hvert 15 minutt) for dataene i Azure Storage. Resultatene lagres i en SQL-database.

SQL Database

SQL Database lagrer resultatene fra API-en for Anomaly Detection (avviksregistrering), inkludert binære registreringer og registreringspoengsummer. Den lagrer også valgfrie metadata som sendes sammen med rådatapoengene for å muliggjøre mer kompleks rapportering.

Machine Learning Studio

Her driftes Anomaly Detection-API-en. Legg merke til at selve API-en er tilstandsløs og trenger innsending av historiske datapunkter for hvert API-kall.

Service Bus

Registrerte avvik publiseres i et Service Bus-emne slik at de kan forbrukes av eksterne overvåkingstjenester.

Application Insights

Application Insights brukes til å overvåke datasamlebåndet.

strøm~~POS=TRUNC BI

Power BI har instrumentbord som viser rådataene i tillegg til registrerte avvik.

Relaterte løsningsarkitekturer