Anomalieerkennung in Real-Time Intelligence (Vorschau)

In diesem Artikel wird erläutert, wie Sie die Anomalieerkennung in Real-Time Intelligence einrichten, um ungewöhnliche Muster und Ausreißer in Ihren Eventhouse-Tabellen automatisch zu identifizieren. Das System bietet empfohlene Modelle und ermöglicht es Ihnen, eine kontinuierliche Überwachung mit automatisierten Aktionen einzurichten.

Wichtige Funktionen sind:

• Modellempfehlungen: Schlägt die besten Algorithmen und Parameter für Ihre Daten vor.
• Interaktive Anomaliesuche: Visualisieren Sie erkannte Anomalien, und passen Sie die Modellempfindlichkeit an.
• Kontinuierliche Überwachung: Einrichten der Anomalieerkennung in Echtzeit mit automatisierten Benachrichtigungen.
• Neuanalyse mit neuen Daten: Aktualisieren Sie Ihre Modelle, wenn neue Daten eintreffen, um die Genauigkeit zu verbessern.

Anomalieerkennung wird nativ auf Eventhouse-Tabellen ausgeführt, ohne Daten zu kopieren, und arbeitet für Echtzeitanalysen direkt auf Live-Datensätzen. Analyse und kontinuierliche Überwachung werden innerhalb von Eventhouse durchgeführt, wodurch die Datenbewegung minimiert wird.

Voraussetzungen

• Ein Arbeitsbereich mit einer Microsoft Fabric-fähigen Kapazität.

• Admin-, Mitglieds- oder Contributor-Rolle in einem Arbeitsbereich.

• Ein Eventhouse in Ihrem Arbeitsbereich mit einer KQL-Datenbank.

• Ein Python-Plug-In wurde auf demselben Eventhouse aktiviert.

  1. Um das Plugin zu aktivieren, gehe zu deinem Eventhouse.
  2. Wählen Sie auf der oberen Symbolleiste Plugins aus, und aktivieren Sie dann die Python-Spracherweiterung.
  3. Wählen Sie das Python 3.11.7 DL-Plug-In und dann "Fertig" aus.

  

• Erkennen Sie Anomalien in Real-Time Intelligenz, die in Ihrem Arbeitsbereich aktiviert ist.

  1. Um die Anomalieerkennung zu aktivieren, gehe zu deinem Arbeitsbereich.
  2. Upgrade auf eine kostenlose Microsoft Fabric-Testversion oder stelle sicher, dass dein Arbeitsbereich eine Microsoft Fabric-Lizenz hat.
  3. Wenden Sie sich entweder an Ihren Administrator, um den Schalter für die Vorschaufunktion zu aktivieren, oder wechseln Sie zum Admin-Portal und aktivieren Sie Anomalien in Real-Time Intelligence erkennen (Vorschau).

Einrichten der Anomalieerkennung

Erste Schritte

Sie können die Anomalieerkennung auf drei Arten starten:

Sehen Sie bestehende Anomalieerkennungskonfigurationen an

Bevor Sie einen neuen Anomaliedetektor erstellen, prüfen Sie, ob es für die gewählte Datenquelle bereits eine Anomalieerkennungskonfiguration gibt. Diese Ansicht gibt Ihnen einen schnellen Einblick darin, wie die Anomalieerkennung derzeit für diese Datenquelle eingerichtet ist. Es hilft Ihnen, doppelte Arbeit zu vermeiden und besser zu verstehen, wie andere die Daten nutzen.

1. Wählen Sie in Ihrer Liste der Datenquellen die Ellipse (...) für die Datenquelle aus, die Sie analysieren möchten, und wählen Sie dann den Vorhandenen Anomaliedetektor.

   

2. In Anomalien anzeigen können Sie alle bestehenden Anomalie-Erkennungskonfigurationen für die ausgewählte Datenquelle ansehen und die Details jeder einzelnen Quelle erkunden.

   1. Im linken Navigationsfenster wählen Sie eine Konfiguration aus, um die erkannten Anomalien zu erkunden, oder wählen Sie Öffnen , um sie im Vollbildmodus anzuzeigen.

   2. Wenn die bestehenden Konfigurationen nicht Ihren Anforderungen entsprechen, wählen Sie Neu, um eine neue Anomalieerkennungskonfiguration zu erstellen.

   

Diese Erfahrung hilft Ihnen, schnell von der Erkundung zur Handlung zu gelangen, ohne den Kontext Ihrer Datenquelle zu verlassen.

Konfigurieren von Eingabespalten für die Analyse

Geben Sie an, welche Spalten analysiert werden sollen, und wie Sie Ihre Daten gruppieren.

1. Fügen Sie im Konfigurationsbereich die Spalte "Wert" hinzu , die die numerischen Daten enthält, die Sie auf Anomalien überwachen möchten.

   

   Hinweis

   Stellen Sie sicher, dass die ausgewählte Spalte numerische Werte enthält, da nur numerische Daten für die Anomalieerkennung unterstützt werden.

2. Wählen Sie die Spalte "Gruppieren nach " aus, um anzugeben, wie Ihre Daten für die Analyse partitioniert werden sollen. Diese Spalte stellt in der Regel Entitäten wie Geräte, Speicherorte oder andere logische Gruppierungen dar.

   

3. Wählen Sie die Spalte "Zeitstempel " aus, die die Uhrzeit der Aufzeichnung jedes Datenpunkts darstellt. Diese Spalte ist entscheidend für die Anomalieerkennung von Zeitreihen und stellt eine genaue Analyse der Trends im Laufe der Zeit sicher.

   

4. Wählen Sie "Analyse ausführen" aus, um mit der automatisierten Modellauswertung zu beginnen.

Warten auf abschluss der Analyse

Das System analysiert Ihre Daten, um die besten Anomalieerkennungsmodelle zu finden.

Während der Analyse führt das System Folgendes aus:

• Probiert Ihre Tabellendaten für eine effiziente Verarbeitung ein
• Testet mehrere Anomalieerkennungsalgorithmen
• Wertet verschiedene Parameterkonfigurationen aus.
• Identifiziert die effektivsten Modelle für Ihre spezifischen Datenmuster

Überprüfen empfohlener Modelle und Anomalien

Überprüfen Sie nach Abschluss der Analyse die Ergebnisse, und untersuchen Sie die erkannten Anomalien.

1. Öffnen Sie die Anomalieerkennungsergebnisse, indem Sie die empfangene Benachrichtigung auswählen oder zur Tabelle zurückkehren und Anomalieergebnisse anzeigen auswählen.

2. Die Ergebnisseite bietet die folgenden Einblicke:

   • Eine Visualisierung Ihrer Daten mit eindeutig hervorgehobenen Anomalien.
   • Eine Liste der empfohlenen Algorithmen, die nach ihrer Effektivität für Ihre Daten bewertet werden.
   • Empfindlichkeitseinstellungen zum Anpassen der Erkennungsschwellenwerte.
   • Eine detaillierte Tabelle der erkannten Anomalien innerhalb des ausgewählten Zeitraums.

3. Verwenden Sie die Modellauswahl, um die Leistung verschiedener empfohlener Algorithmen zu vergleichen und wählen Sie das Modell aus, das Ihren Anforderungen am besten entspricht.

4. Passen Sie die Empfindlichkeitseinstellungen an, um die Ergebnisse der Anomalieerkennung zu verfeinern.

   • Zu den Optionen gehören niedrige, mittlere und hohe Konfidenzniveaus.
   • Experimentieren Sie mit diesen Einstellungen, um zwischen der Erkennung weiterer Anomalien und der Verringerung falsch positiver Ergebnisse zu gleichgewichten.

5. Interagieren Sie mit den visuellen Elementen und Tabellen, um tiefere Einblicke in die erkannten Anomalien zu erhalten und die Muster in Ihren Daten zu verstehen. Sie können den Anomalieanalysekontext auch in einem Fabric-Notizbuch öffnen, um Daten und erkannte Anomalien mithilfe von KQL, SQL, Python oder Spark weiter zu untersuchen und erweiterte Transformationen und maschinelles Lernen auf derselben Datengrundseite zu ermöglichen.

6. Speichern Sie den Anomaliedetektor, um Ihre Konfiguration zu erhalten und später erneut zu überprüfen.

7. Veröffentlichen Sie die erkannten Anomalien im Real-Time Hub, um die kontinuierliche Überwachung eingehender Echtzeitdaten unter Fabric-Governance zu ermöglichen, ohne den Datensatz zu duplizieren. Sie können auch nachgeschaltete Aktionen konfigurieren, z. B. das Senden von Warnungen an aktivator.

Indem Sie die Ergebnisse überprüfen und optimieren, können Sie sicherstellen, dass Ihr Anomalieerkennungssetup für Ihren spezifischen Anwendungsfall optimiert ist.

Neuananalysieren von Anomalieerkennungsmodellen mit neuen Daten

Halten Sie Ihre Anomalieerkennungsmodelle auf dem neuesten Stand, sobald neue Daten verfügbar sind.

Führen Sie die folgenden Schritte aus, um das Modell mit neuen Daten neu zuanalysieren:

1. Wechseln Sie zu Ihrem Anomalieerkennungselement.
2. Ändern Sie im Bearbeitungsbereich alle zuvor ausgefüllten Felder nach Bedarf.
3. Wählen Sie Run Analysis (Analyse ausführen) aus. Diese Aktion startet eine neue Analyse basierend auf ihren aktualisierten Eingaben.

Erkunden von Anomalieerkennungsereignissen und Festlegen von Warnungen

Nachdem Sie Ihre Anomalieerkennungsergebnisse veröffentlicht haben, können Sie die erkannten Anomalien im Real-Time Hub untersuchen und Warnungen einrichten, um Sie über zukünftige Anomalien zu informieren.

Anomalieereignisse können auch mit Fabric Daten-Agents verbunden werden, um automatisiertes Denken und Aktionen sowohl für Live- als auch für historische Ereignisdaten zu ermöglichen. Agents können Anomalieereignisse verarbeiten und nachgelagerte Workflows orchestrieren und so Activator-basierte Warnmeldungen ergänzen.

Anomalieergebnisse mit SQL-Endpunkt abfragen

Eventhouse stellt einen verwalteten SQL-Endpunkt bereit, der an das Eventhouse-Datenmodell und Fabric Governance ausgerichtet ist. Sie können Anomaliedetektorausgaben und zugehörige Tabellen oder Ansichten über SQL abfragen, um nachgeschaltete Analysen und Integrationen zu erhalten. Um die SQL-Endpunktverbindungsdetails zu finden, navigieren Sie zum Eventhouse-Element im Fabric Arbeitsbereich.

Weitere Informationen finden Sie unter:

• Untersuchen von Ereignissen zur Anomalieerkennung
• Festlegen von Warnungen für Anomalieerkennungsereignisse

Einschränkungen und Überlegungen

Seien Sie sich dieser Einschränkungen bewusst:

• Die Anomalieerkennung ist deaktiviert, wenn die Eingabetabelle nicht mit dem erforderlichen Schema übereinstimmt (numerische Wertspalte, Datetime-Spalte und Zeichenfolgenspalte).
• Ausreichende historische Daten verbessern Modellempfehlungen und Genauigkeit.
• Jeder Anomaliedetektor unterstützt nur eine einzige Modellkonfiguration.

Ausführen mehrerer Vorgänge im Anomaliedetektor

Wenn Sie mit dem Anomaliedetektor interagieren, führt Eventhouse Python-Abfragen im Hintergrund aus, um die Echtzeitanalyse zu unterstützen. Dazu zählen die Operationen:

• Ausführen einer Anomalieerkennung oder anderer Analysetypen.
• Wechseln zwischen empfohlenen Modellen.
• Ändern des Zeitfensters oder der IDs, die Sie betrachten.
• Kontinuierliche Überwachung eingehender Daten für Anomalien durch Festlegen von Warnungen.

Eventhouse unterstützt bis zu acht gleichzeitige Abfragen pro Eventhouse. Wenn Sie diesen Grenzwert überschreiten, wiederholt das System die Abfragen, aber es stellt keine zusätzlichen Abfragen in die Warteschlange, und sie könnten unbemerkt fehlschlagen. Fehlermeldungen, die mehr Klarheit bieten, befinden sich in der Entwicklung.

So vermeiden Sie Probleme:

• Zulassen, dass jede Abfrage abgeschlossen wird, bevor Sie eine neue Abfrage starten.
• Wenn die Leistung langsam oder nicht reagierend ist, verringern Sie die Anzahl gleichzeitiger Abfragen.

Weitere Informationen finden Sie unter Python-Plug-In.

Wartezeiten für die Aktivierung des Python-Plugins

Wenn du mit der Datenanalyse beginnst, aktiviert der Anomaliedetektor automatisch das Python-Plugin in deinem Eventhouse. Das Aktivieren des Plug-Ins kann bis zu einer Stunde dauern. Nach der Aktivierung wird die Analyse automatisch gestartet.

Weitere Informationen finden Sie unter "Python-Plug-In aktivieren" in Real-Time Intelligence.

Nächste Schritte

Nachdem Sie die Anomalieerkennung konfiguriert haben, können Sie:

• Untersuchen von Ereignissen zur Anomalieerkennung
• Festlegen von Warnungen für Anomalieerkennungsereignisse
• Einrichten des Aktivators für automatisierte Antworten
• Erfahren Sie mehr über die Anomalieerkennung von Multivariaten
• Erstellen von Warnungen aus einem KQL-Abfrageset

Verwandte Inhalte

• KQL-Abfragereferenz
• Echtzeit-Dashboard-Dokumentation
• Die Aktivator-Übersicht