AnomalyDetectorClient الفصل
تكتشف واجهة برمجة تطبيقات Anomaly Detector الحالات الشاذة تلقائيا في بيانات السلاسل الزمنية. وهو يدعم نوعين من الوضع، أحدهما للاستخدام عديم الحالة، والآخر للاستخدام ذي الحالة. في الوضع عديم الحالة، هناك ثلاث وظائف. الكشف الكامل هو للكشف عن السلسلة بأكملها مع النموذج المدرب بواسطة السلسلة الزمنية، الكشف الأخير هو الكشف عن نقطة أخيرة مع نموذج مدرب بواسطة نقاط من قبل. ChangePoint Detect هو للكشف عن تغييرات الاتجاه في السلاسل الزمنية. في الوضع ذي الحالة، يمكن للمستخدم تخزين السلاسل الزمنية، وسيتم استخدام السلاسل الزمنية المخزنة للكشف عن الحالات الشاذة. ضمن هذا الوضع، لا يزال بإمكان المستخدم استخدام الوظائف الثلاث المذكورة أعلاه عن طريق إعطاء نطاق زمني فقط دون إعداد السلاسل الزمنية من جانب العميل. بالإضافة إلى الوظائف الثلاث المذكورة أعلاه، يوفر النموذج ذي الحالة أيضا خدمة الكشف والتسمية المستندة إلى المجموعة. من خلال الاستفادة من مستخدم خدمة التسمية يمكن أن يوفر تسميات لكل نتيجة كشف، سيتم استخدام هذه التسميات لإعادة مصادقة نماذج الكشف أو إعادة إنشائها. الكشف عن عدم التناسق هو نوع من الكشف المستند إلى المجموعة، سيعثر هذا الكشف على حالات عدم تناسق في مجموعة من السلاسل الزمنية. باستخدام خدمة كاشف الحالات الشاذة، يمكن لعملاء الأعمال اكتشاف الحوادث وإنشاء تدفق منطقي لتحليل السبب الجذري.
- توريث
-
azure.ai.anomalydetector._operations._operations.AnomalyDetectorClientOperationsMixinAnomalyDetectorClient
الدالمنشئ
AnomalyDetectorClient(endpoint: str, credential: AzureKeyCredential, **kwargs: Any)
المعلمات
- endpoint
- str
نقاط نهاية الخدمات المعرفية المدعومة (البروتوكول واسم المضيف، على سبيل المثال: https://westus2.api.cognitive.microsoft.com). مطلوب
- api_version
- str
إصدار واجهة برمجة التطبيقات. القيمة الافتراضية هي "v1.1". لاحظ أن تجاوز هذه القيمة الافتراضية قد يؤدي إلى سلوك غير مدعوم.
الأساليب
close | |
delete_multivariate_model |
حذف نموذج متعدد المتغيرات. حذف نموذج متعدد المتغيرات موجود وفقًا لـ modelId. |
detect_multivariate_batch_anomaly |
الكشف عن الحالات الشاذة متعددة المتغيرات. إرسال مهمة الكشف عن الحالات الخارجة عن المألوف متعددة المتغيرات باستخدام modelId للنموذج المدرب وبيانات الاستدلال، يجب أن يكون مخطط الإدخال هو نفسه مع طلب التدريب. سيتم إكمال الطلب بشكل غير متزامن وإرجاع resultId للاستعلام عن نتيجة الكشف. يجب أن يكون الطلب ارتباطا مصدر للإشارة إلى عنوان Uri لتخزين Azure يمكن الوصول إليه خارجيا، إما يشير إلى مجلد تخزين Azure blob، أو يشير إلى ملف CSV في تخزين Azure blob. |
detect_multivariate_last_anomaly |
الكشف عن الحالات الشاذة في النقطة الأخيرة من نص الطلب. أرسل مهمة الكشف عن الحالات الشاذة متعددة المتغيرات باستخدام modelId للنموذج المدرب وبيانات الاستدلال، ويجب وضع بيانات الاستدلال في نص الطلب بتنسيق JSON. سيكتمل الطلب بشكل متزامن ويعيد الكشف فورا في نص الاستجابة. |
detect_univariate_change_point |
الكشف عن نقطة التغيير للسلسلة بأكملها. تقييم درجة نقطة التغيير لكل نقطة سلسلة. |
detect_univariate_entire_series |
الكشف عن الحالات الشاذة للسلسلة بأكملها على دفعة واحدة. تنشئ هذه العملية نموذجا بسلسلة بأكملها، ويتم الكشف عن كل نقطة بنفس النموذج. باستخدام هذا الأسلوب، يتم استخدام النقاط قبل وبعد نقطة معينة لتحديد ما إذا كانت حالة شاذة. يمكن أن يمنح الكشف بأكمله المستخدم الحالة العامة للسلسلة الزمنية. |
detect_univariate_last_point |
الكشف عن حالة الشذوذ لأحدث نقطة في السلسلة الزمنية. تنشئ هذه العملية نموذجا باستخدام النقاط التي أرسلتها إلى واجهة برمجة التطبيقات، واستنادا إلى جميع البيانات لتحديد ما إذا كانت النقطة الأخيرة شاذة. |
get_multivariate_batch_detection_result |
احصل على نتيجة الكشف عن الحالات الشاذة متعددة المتغيرات. للاستدلال غير المتزامن، احصل على نتيجة الكشف عن الحالات الشاذة متعددة المتغيرات استنادا إلى resultId الذي تم إرجاعه بواسطة BatchDetectAnomaly api. |
get_multivariate_model |
الحصول على نموذج متعدد المتغيرات. احصل على معلومات مفصلة عن النموذج متعدد المتغيرات، بما في ذلك حالة التدريب والمتغيرات المستخدمة في النموذج. |
list_multivariate_models |
سرد نماذج متعددة المتغيرات. سرد نماذج مورد. |
send_request |
تشغيل طلب الشبكة من خلال نهج العميل المتسلسلة.
لمزيد من المعلومات حول تدفق التعليمات البرمجية هذا، راجع https://aka.ms/azsdk/dpcodegen/python/send_request |
train_multivariate_model |
تدريب نموذج الكشف عن الحالات الخارجة عن المألوف متعدد المتغيرات. إنشاء نموذج الكشف عن الحالات الشاذة متعددة المتغيرات وتدريبه. يجب أن يتضمن الطلب معلمة مصدر للإشارة إلى عنوان URI لتخزين Azure blob يمكن الوصول إليه خارجيا. هناك نوعان من إدخال البيانات: عنوان URI يشير إلى مجلد تخزين Azure blob الذي يحتوي على ملفات CSV متعددة، ويحتوي كل ملف CSV على عمودين وطابع زمني ومتغير. نوع آخر من الإدخال هو URI المشار إليه إلى ملف CSV في تخزين Azure blob، والذي يحتوي على جميع المتغيرات وعمود الطابع الزمني. |
close
close() -> None
delete_multivariate_model
حذف نموذج متعدد المتغيرات.
حذف نموذج متعدد المتغيرات موجود وفقًا لـ modelId.
delete_multivariate_model(model_id: str, **kwargs: Any) -> None
المعلمات
المرتجعات
بلا
نوع الإرجاع
استثناءات
detect_multivariate_batch_anomaly
الكشف عن الحالات الشاذة متعددة المتغيرات.
إرسال مهمة الكشف عن الحالات الخارجة عن المألوف متعددة المتغيرات باستخدام modelId للنموذج المدرب وبيانات الاستدلال، يجب أن يكون مخطط الإدخال هو نفسه مع طلب التدريب. سيتم إكمال الطلب بشكل غير متزامن وإرجاع resultId للاستعلام عن نتيجة الكشف. يجب أن يكون الطلب ارتباطا مصدر للإشارة إلى عنوان Uri لتخزين Azure يمكن الوصول إليه خارجيا، إما يشير إلى مجلد تخزين Azure blob، أو يشير إلى ملف CSV في تخزين Azure blob.
detect_multivariate_batch_anomaly(model_id: str, options: MultivariateBatchDetectionOptions | MutableMapping[str, Any] | IO, **kwargs: Any) -> MultivariateDetectionResult
المعلمات
- options
- MultivariateBatchDetectionOptions أو <xref:JSON> أو IO
طلب الكشف عن الحالات الشاذة متعددة المتغيرات. هو أحد الأنواع التالية: model, JSON, IO مطلوبة.
- content_type
- str
نوع المحتوى لمعلمة النص الأساسي. القيم المعروفة هي: application/json. القيمة الافتراضية هي بلا.
المرتجعات
MultivariateDetectionResult. MultivariateDetectionResult متوافق مع MutableMapping
نوع الإرجاع
استثناءات
detect_multivariate_last_anomaly
الكشف عن الحالات الشاذة في النقطة الأخيرة من نص الطلب.
أرسل مهمة الكشف عن الحالات الشاذة متعددة المتغيرات باستخدام modelId للنموذج المدرب وبيانات الاستدلال، ويجب وضع بيانات الاستدلال في نص الطلب بتنسيق JSON. سيكتمل الطلب بشكل متزامن ويعيد الكشف فورا في نص الاستجابة.
detect_multivariate_last_anomaly(model_id: str, options: MultivariateLastDetectionOptions | MutableMapping[str, Any] | IO, **kwargs: Any) -> MultivariateLastDetectionResult
المعلمات
- options
- MultivariateLastDetectionOptions أو <xref:JSON> أو IO
طلب الكشف الأخير. هو أحد الأنواع التالية: model, JSON, IO مطلوبة.
- content_type
- str
نوع المحتوى لمعلمة النص الأساسي. القيم المعروفة هي: application/json. القيمة الافتراضية هي بلا.
المرتجعات
MultivariateLastDetectionResult. MultivariateLastDetectionResult متوافق مع MutableMapping
نوع الإرجاع
استثناءات
detect_univariate_change_point
الكشف عن نقطة التغيير للسلسلة بأكملها.
تقييم درجة نقطة التغيير لكل نقطة سلسلة.
detect_univariate_change_point(options: UnivariateChangePointDetectionOptions | MutableMapping[str, Any] | IO, **kwargs: Any) -> UnivariateChangePointDetectionResult
المعلمات
- options
- UnivariateChangePointDetectionOptions أو <xref:JSON> أو IO
طريقة الكشف عن الحالات الخارجة عن المألوف أحادي المتغيرات. هو أحد الأنواع التالية: model, JSON, IO مطلوبة.
- content_type
- str
نوع المحتوى لمعلمة النص الأساسي. القيم المعروفة هي: application/json. القيمة الافتراضية هي بلا.
المرتجعات
UnivariateChangePointDetectionResult. UnivariateChangePointDetectionResult متوافق مع MutableMapping
نوع الإرجاع
استثناءات
detect_univariate_entire_series
الكشف عن الحالات الشاذة للسلسلة بأكملها على دفعة واحدة.
تنشئ هذه العملية نموذجا بسلسلة بأكملها، ويتم الكشف عن كل نقطة بنفس النموذج. باستخدام هذا الأسلوب، يتم استخدام النقاط قبل وبعد نقطة معينة لتحديد ما إذا كانت حالة شاذة. يمكن أن يمنح الكشف بأكمله المستخدم الحالة العامة للسلسلة الزمنية.
detect_univariate_entire_series(options: UnivariateDetectionOptions | MutableMapping[str, Any] | IO, **kwargs: Any) -> UnivariateEntireDetectionResult
المعلمات
- options
- UnivariateDetectionOptions أو <xref:JSON> أو IO
طريقة الكشف عن الحالات الخارجة عن المألوف أحادي المتغيرات. هو أحد الأنواع التالية: model, JSON, IO مطلوبة.
- content_type
- str
نوع المحتوى لمعلمة النص الأساسي. القيم المعروفة هي: application/json. القيمة الافتراضية هي بلا.
المرتجعات
UnivariateEntireDetectionResult. UnivariateEntireDetectionResult متوافق مع MutableMapping
نوع الإرجاع
استثناءات
detect_univariate_last_point
الكشف عن حالة الشذوذ لأحدث نقطة في السلسلة الزمنية.
تنشئ هذه العملية نموذجا باستخدام النقاط التي أرسلتها إلى واجهة برمجة التطبيقات، واستنادا إلى جميع البيانات لتحديد ما إذا كانت النقطة الأخيرة شاذة.
detect_univariate_last_point(options: UnivariateDetectionOptions | MutableMapping[str, Any] | IO, **kwargs: Any) -> UnivariateLastDetectionResult
المعلمات
- options
- UnivariateDetectionOptions أو <xref:JSON> أو IO
طريقة الكشف عن الحالات الخارجة عن المألوف أحادي المتغيرات. هو أحد الأنواع التالية: model, JSON, IO مطلوبة.
- content_type
- str
نوع المحتوى لمعلمة النص الأساسي. القيم المعروفة هي: application/json. القيمة الافتراضية هي بلا.
المرتجعات
UnivariateLastDetectionResult. UnivariateLastDetectionResult متوافق مع MutableMapping
نوع الإرجاع
استثناءات
get_multivariate_batch_detection_result
احصل على نتيجة الكشف عن الحالات الشاذة متعددة المتغيرات.
للاستدلال غير المتزامن، احصل على نتيجة الكشف عن الحالات الشاذة متعددة المتغيرات استنادا إلى resultId الذي تم إرجاعه بواسطة BatchDetectAnomaly api.
get_multivariate_batch_detection_result(result_id: str, **kwargs: Any) -> MultivariateDetectionResult
المعلمات
المرتجعات
MultivariateDetectionResult. MultivariateDetectionResult متوافق مع MutableMapping
نوع الإرجاع
استثناءات
get_multivariate_model
الحصول على نموذج متعدد المتغيرات.
احصل على معلومات مفصلة عن النموذج متعدد المتغيرات، بما في ذلك حالة التدريب والمتغيرات المستخدمة في النموذج.
get_multivariate_model(model_id: str, **kwargs: Any) -> AnomalyDetectionModel
المعلمات
المرتجعات
AnomalyDetectionModel. يتوافق AnomalyDetectionModel مع MutableMapping
نوع الإرجاع
استثناءات
list_multivariate_models
سرد نماذج متعددة المتغيرات.
سرد نماذج مورد.
list_multivariate_models(*, skip: int | None = None, top: int | None = None, **kwargs: Any) -> Iterable[AnomalyDetectionModel]
المعلمات
- skip
- int
يشير Skip إلى عدد النماذج التي سيتم تخطيها. القيمة الافتراضية هي بلا.
- top
- int
يشير الجزء العلوي إلى عدد النماذج التي سيتم جلبها. القيمة الافتراضية هي بلا.
المرتجعات
مكرر مثل مثيل AnomalyDetectionModel. يتوافق AnomalyDetectionModel مع MutableMapping
نوع الإرجاع
استثناءات
send_request
تشغيل طلب الشبكة من خلال نهج العميل المتسلسلة.
>>> from azure.core.rest import HttpRequest
>>> request = HttpRequest("GET", "https://www.example.org/")
<HttpRequest [GET], url: 'https://www.example.org/'>
>>> response = client.send_request(request)
<HttpResponse: 200 OK>
لمزيد من المعلومات حول تدفق التعليمات البرمجية هذا، راجع https://aka.ms/azsdk/dpcodegen/python/send_request
send_request(request: HttpRequest, **kwargs: Any) -> HttpResponse
المعلمات
- stream
- bool
ما إذا كان سيتم دفق حمولة الاستجابة. الإعدادات الافتراضية معينة على False.
المرتجعات
استجابة مكالمة الشبكة. لا يقوم بمعالجة الأخطاء في استجابتك.
نوع الإرجاع
train_multivariate_model
تدريب نموذج الكشف عن الحالات الخارجة عن المألوف متعدد المتغيرات.
إنشاء نموذج الكشف عن الحالات الشاذة متعددة المتغيرات وتدريبه. يجب أن يتضمن الطلب معلمة مصدر للإشارة إلى عنوان URI لتخزين Azure blob يمكن الوصول إليه خارجيا. هناك نوعان من إدخال البيانات: عنوان URI يشير إلى مجلد تخزين Azure blob الذي يحتوي على ملفات CSV متعددة، ويحتوي كل ملف CSV على عمودين وطابع زمني ومتغير. نوع آخر من الإدخال هو URI المشار إليه إلى ملف CSV في تخزين Azure blob، والذي يحتوي على جميع المتغيرات وعمود الطابع الزمني.
train_multivariate_model(model_info: ModelInfo | MutableMapping[str, Any] | IO, **kwargs: Any) -> AnomalyDetectionModel
المعلمات
معلومات النموذج. هو أحد الأنواع التالية: model, JSON, IO مطلوبة.
- content_type
- str
نوع المحتوى لمعلمة النص الأساسي. القيم المعروفة هي: application/json. القيمة الافتراضية هي بلا.
المرتجعات
AnomalyDetectionModel. يتوافق AnomalyDetectionModel مع MutableMapping
نوع الإرجاع
استثناءات
Azure SDK for Python