Çözüm mimarisi: Machine Learning ile anomali algılama

Modern BT departmanları tarafından kullanılan hizmetler; operasyonel durum, sistem performansı, kullanım öngörüleri, iş ölçümleri, uyarılar ve daha pek çok konunun farklı yönlerden izlenmesine yönelik yüksek hacimde telemetri verisi üretir. Ancak, tüm bu verilerin toplanması ve bunlardan öngörüler elde edilmesi işlemleri çoğu zaman tam olarak otomatikleştirilmemiştir ve hataya açıktır. Bu nedenle, herhangi bir anda sistemin durumunun etkili ve doğru bir şekilde belirlenmesi zor olabilir.

Bu özelleştirilebilir anomali algılama çözümü, makine öğrenimi özellikleri kullanarak BT sistemlerinin yüksek kullanılabilirliğe sahip olmasını sağlar. Ayrıca, şirket içi ve bulut veri kaynaklarından veri alınarak anormal olayların, aşağı akış yönündeki izleme ve bilet oluşturma sistemlerine bildirildiği uçtan uca bir işlem hattı sunar.

Bu çözüm sayesinde BT altyapısına (CPU, bellek vb.), hizmetlere (zaman aşımları, SLA farklılıkları, kısmi kesintiler vb.) ve diğer ana performans göstergelerine (birikmiş siparişler, oturum açma ve ödeme yapma hataları vb.) ilişkin temel durum ölçümlerine göre sorunları hızla algılayıp düzeltebilirsiniz.

Azure'a Dağıt

Bu mimariyi Azure’a dağıtmak için aşağıdaki önceden oluşturulmuş şablonu kullanın

Azure'a Dağıt

Dağıtılmış çözümü görüntüle

GitHub’da göz at

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

Uygulama kılavuzu

Ürünler/Açıklamalar Belgeler

Event Hubs

Bu, işlem hattının giriş noktasıdır. Ham zaman serisi verileri burada alınır.

Stream Analytics

Stream Analytics, 5 dakikalık aralıklarla toplama işlemi gerçekleştirir ve ham veri noktalarını ölçüm adına göre toplar.

Depolama

Azure Depolama, Stream Analytics işi tarafından toplanan verileri depolar.

Data Factory

Data Factory, düzenli aralıklarla (varsayılan olarak 15 dakikada bir) Azure Depolama’daki veriler için Anomali Algılama API’sini çağırır. Sonuçlar bir SQL veritabanında depolanır.

SQL Veritabanı

SQL Veritabanı, ikili algılamalar ve algılama puanlarını içeren Anomali Algılama API’si sonuçlarını depolar. Ayrıca, ham veri noktalarıyla gönderilen isteğe bağlı meta verileri de depolayarak daha karmaşık raporlar hazırlanmasına olanak sağlar.

Machine Learning Studio

Anomali Algılama API’sini barındırır. API’nin durum bilgisi yoktur ve her API çağrısıyla geçmiş veri noktalarının gönderilmesi gerekir.

Service Bus

Algılanan anomaliler bir Service Bus konu başlığında yayımlanır ve dış izleme hizmetleri tarafından kullanılabilmeleri sağlanır.

Application Insights

Application Insights, işlem hattının izlenmesine olanak tanır.

Power BI

Power BI, ham verileri ve algılanan anomalileri gösteren panolar sunar.

İlgili çözüm mimarileri

Data Factory: Move data, orchestrate, schedule and monitor SQL Data Warehouse Machine Learning Machine Learning Power BI Event Hub Stream Analytics HDInsight Geography Data(Blob Storage) Vehicle Catalogue Diagnotic Events (Simulated)

Araç telematikleriyle tahmine dayalı öngörüler

Araba bayileri, otomobil üreticileri ve sigorta şirketlerinin araç durumu ve sürüş alışkanlıkları ile ilgili tahmine dayalı öngörüler elde etmek için Cortana Intelligence ve Microsoft Azure’dan nasıl yararlanabileceğini öğrenin.

Daha fazla bilgi edinin