Diagnostika anomálií pro analýzu původní příčiny

dotazovací jazyk Kusto (KQL) má integrované funkce pro detekci anomálií a prognózování, které kontrolují neobvyklé chování. Jakmile je takový vzor zjištěn, je možné spustit analýzu původní příčiny (RCA), která anomálii zmírní nebo vyřeší.

Proces diagnostiky je složitý a zdlouhavý a provádí ho odborníci na danou oblast. Tento proces zahrnuje:

• Načítání a spojování dalších dat z různých zdrojů ve stejném časovém rámci
• Hledání změn v rozdělení hodnot ve více dimenzích
• Graf dalších proměnných
• Další techniky založené na znalostech domény a intuitivně

Vzhledem k tomu, že tyto scénáře diagnostiky jsou běžné, jsou k dispozici moduly plug-in strojového učení, které usnadňují fázi diagnostiky a zkracují dobu trvání analýzy RCA.

Všechny tři následující moduly plug-in Machine Learning implementují algoritmy clusteringu: autocluster, basketa diffpatterns. Moduly autocluster plug-in a basket seskupují jednu sadu záznamů a diffpatterns moduly plug-in clusterují rozdíly mezi dvěma sadami záznamů.

Seskupování jedné sady záznamů

Mezi běžné scénáře patří datová sada vybraná podle konkrétních kritérií, například:

• Časové okno, které zobrazuje neobvyklé chování
• Odečty vysokoteplotní zařízení
• Příkazy s dlouhou dobou trvání
• Uživatelé s nejvyšší útratou: Chcete mít rychlý a snadný způsob, jak v datech najít běžné vzory (segmenty). Vzory jsou podmnožinou datové sady, jejíž záznamy sdílejí stejné hodnoty ve více dimenzích (sloupce kategorií).

Následující dotaz sestaví a zobrazí časovou řadu výjimek služeb za období týdne v desetiminutových intervalech:

Spuštění dotazu

let min_t = toscalar(demo_clustering1 | summarize min(PreciseTimeStamp));  
let max_t = toscalar(demo_clustering1 | summarize max(PreciseTimeStamp));  
demo_clustering1
| make-series num=count() on PreciseTimeStamp from min_t to max_t step 10m
| render timechart with(title="Service exceptions over a week, 10 minutes resolution")

Počet výjimek služby koreluje s celkovým provozem služby. Můžete jasně vidět denní vzor pro pracovní dny, od pondělí do pátku. V polovině dne dochází k nárůstu počtu výjimek služeb a poklesu počtu výjimek v noci. Nízké počty ploch jsou viditelné během víkendu. Špičky výjimek lze detekovat pomocí detekce anomálií časových řad.

K druhému nárůstu dat dochází v úterý odpoledne. Následující dotaz slouží k další diagnostice a ověření, jestli se jedná o ostrý nárůst. Dotaz překreslí graf kolem špičky ve vyšším rozlišení 8 hodin v minutových intervalech. Pak můžete studovat jeho hranice.

Spuštění dotazu

let min_t=datetime(2016-08-23 11:00);
demo_clustering1
| make-series num=count() on PreciseTimeStamp from min_t to min_t+8h step 1m
| render timechart with(title="Zoom on the 2nd spike, 1 minute resolution")

Od 15:00 do 15:02 uvidíte úzký dvouminutový nárůst. V následujícím dotazu spočítejte výjimky v tomto dvouminutovém intervalu:

Spuštění dotazu

let min_peak_t=datetime(2016-08-23 15:00);
let max_peak_t=datetime(2016-08-23 15:02);
demo_clustering1
| where PreciseTimeStamp between(min_peak_t..max_peak_t)
| count

Počet
972

V následujícím dotazu ukázka 20 výjimek z 972:

Spuštění dotazu

let min_peak_t=datetime(2016-08-23 15:00);
let max_peak_t=datetime(2016-08-23 15:02);
demo_clustering1
| where PreciseTimeStamp between(min_peak_t..max_peak_t)
| take 20

PreciseTimeStamp	Oblast	ScaleUnit	Id nasazení	Trasovací bod	Servicehost
2016-08-23 15:00:08.7302460	scus	su5	9dbd1b161d5b4779a73cf19a7836ebd6	100005	00000000-0000-0000-0000-000000000000
2016-08-23 15:00:09.9496584	scus	su5	9dbd1b161d5b4779a73cf19a7836ebd6	10007006	8d257da1-7a1c-44f5-9acd-f9e02ff507fd
2016-08-23 15:00:10.5911748	scus	su5	9dbd1b161d5b4779a73cf19a7836ebd6	100005	00000000-0000-0000-0000-000000000000
2016-08-23 15:00:12.2957912	scus	su5	9dbd1b161d5b4779a73cf19a7836ebd6	10007007	f855fcef-ebfe-405d-aaf8-9c5e2e43d862
2016-08-23 15:00:18.5955357	scus	su5	9dbd1b161d5b4779a73cf19a7836ebd6	10007006	9d390e07-417d-42eb-bebd-793965189a28
2016-08-23 15:00:20.7444854	scus	su5	9dbd1b161d5b4779a73cf19a7836ebd6	10007006	6e54c1c8-42d3-4e4e-8b79-9bb076ca71f1
2016-08-23 15:00:23.8694999	eus2	su2	89e2f62a73bb4efd8f545aeae40d7e51	36109	19422243-19b9-4d85-9ca6-bc961861d287
2016-08-23 15:00:26.4271786	ncus	su1	e24ef436e02b4823ac5d5b1465a9401e	36109	3271bae4-1c5b-4f73-98ef-cc117e9be914
2016-08-23 15:00:27.8958124	scus	su3	90d3d2fc7ecc430c9621ece335651a01	904498	8cf38575-fca9-48ca-bd7c-21196f6d6765
2016-08-23 15:00:32.9884969	scus	Su3	90d3d2fc7ecc430c9621ece335651a01	10007007	d5c7c825-9d46-4ab7-a0c1-8e2ac1d83ddb
2016-08-23 15:00:34.5061623	scus	su5	9dbd1b161d5b4779a73cf19a7836ebd6	1002110	55a71811-5ec4-497a-a058-140fb0d611ad
2016-08-23 15:00:37.4490273	scus	Su3	90d3d2fc7ecc430c9621ece335651a01	10007006	f2ee8254-173c-477d-a1de-4902150ea50d
2016-08-23 15:00:41.2431223	scus	Su3	90d3d2fc7ecc430c9621ece335651a01	103200	8cf38575-fca9-48ca-bd7c-21196f6d6765
2016-08-23 15:00:47.2983975	ncus	su1	e24ef436e02b4823ac5d5b1465a9401e	423690590	00000000-0000-0000-0000-000000000000
2016-08-23 15:00:50.5932834	scus	su5	9dbd1b161d5b4779a73cf19a7836ebd6	10007006	2a41b552-aa19-4987-8cdd-410a3af016ac
2016-08-23 15:00:50.8259021	scus	su5	9dbd1b161d5b4779a73cf19a7836ebd6	1002110	0d56b8e3-470d-4213-91da-97405f8d005e
2016-08-23 15:00:53.2490731	scus	su5	9dbd1b161d5b4779a73cf19a7836ebd6	36109	55a71811-5ec4-497a-a058-140fb0d611ad
2016-08-23 15:00:57.0000946	eus2	su2	89e2f62a73bb4efd8f545aeae40d7e51	64038	cb55739e-4afe-46a3-970f-1b49d8eee7564
2016-08-23 15:00:58.2222707	scus	su5	9dbd1b161d5b4779a73cf19a7836ebd6	10007007	8215dcf6-2de0-42bd-9c90-181c70486c9c
2016-08-23 15:00:59.9382620	scus	Su3	90d3d2fc7ecc430c9621ece335651a01	10007006	451e3c4c-0808-4566-a64d-84d85cf30978

Použití autocluster() pro clustering s jednou sadou záznamů

I když existuje méně než tisíc výjimek, je stále těžké najít běžné segmenty, protože v každém sloupci je více hodnot. Pomocí modulu plug-in můžete autocluster() okamžitě extrahovat krátký seznam běžných segmentů a najít zajímavé clustery během dvou minut špičky, jak je vidět v následujícím dotazu:

Spuštění dotazu

let min_peak_t=datetime(2016-08-23 15:00);
let max_peak_t=datetime(2016-08-23 15:02);
demo_clustering1
| where PreciseTimeStamp between(min_peak_t..max_peak_t)
| evaluate autocluster()

Id segmentu	Počet	Procento	Oblast	Jednotka škálování	Id nasazení	Servicehost
0	639	65.7407407407407	Eau	Su7	b5d1d4df547d4a04ac15885617edba57	e7f60c5d-4944-42b3-922a-92e98a8e7dec
1	94	9.67078189300411	scus	su5	9dbd1b161d5b4779a73cf19a7836ebd6
2	82	8.43621399176955	ncus	su1	e24ef436e02b4823ac5d5b1465a9401e
3	68	6.99588477366255	scus	su3	90d3d2fc7ecc430c9621ece335651a01
4	55	5.65843621399177	Zeu	su4	be1d6d7ac9574cbc9a22cb8ee20f16fc

Z výše uvedených výsledků můžete vidět, že nejvíce dominantní segment obsahuje 65,74 % z celkového počtu záznamů výjimek a sdílí čtyři dimenze. Další segment je mnohem méně běžný. Obsahuje pouze 9,67 % záznamů a má tři rozměry. Ostatní segmenty jsou ještě méně časté.

Autocluster používá proprietární algoritmus pro dolování více dimenzí a extrakci zajímavých segmentů. "Zajímavé" znamená, že každý segment má významné pokrytí jak sady záznamů, tak sady funkcí. Segmenty jsou také rozbíhající, což znamená, že každý z nich se liší od ostatních. Jeden nebo více těchto segmentů může být pro proces ANALÝZY RCA relevantní. Pokud chcete minimalizovat kontrolu a hodnocení segmentů, autocluster extrahuje jenom malý seznam segmentů.

Použití basket() pro clustering s jednou sadou záznamů

Můžete také použít modul plug-in basket() , jak je vidět v následujícím dotazu:

Spuštění dotazu

let min_peak_t=datetime(2016-08-23 15:00);
let max_peak_t=datetime(2016-08-23 15:02);
demo_clustering1
| where PreciseTimeStamp between(min_peak_t..max_peak_t)
| evaluate basket()

Id segmentu	Počet	Procento	Oblast	ScaleUnit	Id nasazení	Trasovací bod	Servicehost
0	639	65.7407407407407	Eau	su7	b5d1d4df547d4a04ac15885617edba57		e7f60c5d-4944-42b3-922a-92e98a8e7dec
1	642	66.0493827160494	Eau	su7	b5d1d4df547d4a04ac15885617edba57
2	324	33.3333333333333	Eau	su7	b5d1d4df547d4a04ac15885617edba57	0	e7f60c5d-4944-42b3-922a-92e98a8e7dec
3	315	32.4074074074074	Eau	su7	b5d1d4df547d4a04ac15885617edba57	16108	e7f60c5d-4944-42b3-922a-92e98a8e7dec
4	328	33.7448559670782				0
5	94	9.67078189300411	scus	su5	9dbd1b161d5b4779a73cf19a7836ebd6
6	82	8.43621399176955	ncus	su1	e24ef436e02b4823ac5d5b1465a9401e
7	68	6.99588477366255	scus	su3	90d3d2fc7ecc430c9621ece335651a01
8	167	17.1810699588477	scus
9	55	5.65843621399177	Zeu	su4	be1d6d7ac9574cbc9a22cb8ee20f16fc
10	92	9.46502057613169				10007007
11	90	9.25925925925926				10007006
12	57	5.8641975308642					00000000-0000-0000-0000-000000000000

Košík implementuje algoritmus "Apriori" pro dolování sad položek. Extrahuje všechny segmenty, jejichž pokrytí sady záznamů překračuje prahovou hodnotu (výchozí hodnota je 5 %). Můžete vidět, že se extrahovaly další segmenty s podobnými segmenty, například segmenty 0, 1 nebo 2, 3.

Oba moduly plug-in jsou výkonné a snadno použitelné. Jejich omezení spočívá v tom, že bez dohledu seskupí jednu sadu záznamů bez popisků. Není jasné, jestli extrahované vzory charakterizují vybranou sadu záznamů, neobvyklé záznamy nebo globální sadu záznamů.

Seskupování rozdílu mezi dvěma sadami záznamů

Modul diffpatterns() plug-in překonává omezení a basketautocluster . Diffpatterns vezme dvě sady záznamů a extrahuje hlavní segmenty, které se liší. Jedna sada obvykle obsahuje neobvyklou sadu záznamů, která se zkoumá. Jeden je analyzován pomocí autocluster a basket. Druhá sada obsahuje referenční sadu záznamů, směrný plán.

V následujícím dotazu diffpatterns najde zajímavé clustery během dvou minut špičky, které se liší od clusterů v rámci směrného plánu. Okno směrného plánu je definováno jako osm minut před 15:00, kdy začal špička. Rozšíříte o binární sloupec (AB) a určíte, jestli konkrétní záznam patří ke směrnému plánu nebo k neobvyklé množině. Diffpatterns implementuje algoritmus učení pod dohledem, kde byly dva popisky tříd generovány anomálií a příznakem standardního plánu (AB).

Spuštění dotazu

let min_peak_t=datetime(2016-08-23 15:00);
let max_peak_t=datetime(2016-08-23 15:02);
let min_baseline_t=datetime(2016-08-23 14:50);
let max_baseline_t=datetime(2016-08-23 14:58); // Leave a gap between the baseline and the spike to avoid the transition zone.
let splitime=(max_baseline_t+min_peak_t)/2.0;
demo_clustering1
| where (PreciseTimeStamp between(min_baseline_t..max_baseline_t)) or
        (PreciseTimeStamp between(min_peak_t..max_peak_t))
| extend AB=iff(PreciseTimeStamp > splitime, 'Anomaly', 'Baseline')
| evaluate diffpatterns(AB, 'Anomaly', 'Baseline')

Id segmentu	CountA	Počet B	PercentA	PercentB	PercentDiffAB	Oblast	ScaleUnit	Id nasazení	Trasovací bod
0	639	21	65.74	1.7	64.04	Eau	su7	b5d1d4df547d4a04ac15885617edba57
1	167	544	17.18	44.16	26.97	scus
2	92	356	9.47	28.9	19.43				10007007
3	90	336	9.26	27.27	18.01				10007006
4	82	318	8.44	25.81	17.38	ncus	su1	e24ef436e02b4823ac5d5b1465a9401e
5	55	252	5.66	20.45	14.8	Zeu	su4	be1d6d7ac9574cbc9a22cb8ee20f16fc
6	57	204	5.86	16.56	10.69

Nejvíce dominantní segment je stejný segment, který byl extrahován nástrojem autocluster. Jeho pokrytí ve dvouminutovém intervalu je také 65,74 %. Jeho pokrytí v osmiminutovém intervalu směrného plánu je však pouze 1,7 %. Rozdíl je 64,04 %. Zdá se, že tento rozdíl souvisí s anomální špičkou. Pro ověření tohoto předpokladu rozdělí následující dotaz původní graf na záznamy, které patří do tohoto problematického segmentu, a záznamy z ostatních segmentů.

Spuštění dotazu

let min_t = toscalar(demo_clustering1 | summarize min(PreciseTimeStamp));  
let max_t = toscalar(demo_clustering1 | summarize max(PreciseTimeStamp));  
demo_clustering1
| extend seg = iff(Region == "eau" and ScaleUnit == "su7" and DeploymentId == "b5d1d4df547d4a04ac15885617edba57"
and ServiceHost == "e7f60c5d-4944-42b3-922a-92e98a8e7dec", "Problem", "Normal")
| make-series num=count() on PreciseTimeStamp from min_t to max_t step 10m by seg
| render timechart

Tento graf nám umožňuje vidět, že špička v úterý odpoledne byla způsobená výjimkami z tohoto konkrétního segmentu, které byly zjištěny pomocí modulu plug-in diffpatterns .

Souhrn

Moduly plug-in služby Machine Learning jsou užitečné pro mnoho scénářů. Implementujte autocluster a basket implementujte algoritmus učení bez dohledu a snadno se používají. Diffpatterns implementuje algoritmus učení pod dohledem, a i když je složitější, je výkonnější pro extrakci segmentů diferenciace pro ANALÝZU RCA.

Tyto moduly plug-in se používají interaktivně v ad hoc scénářích a v automatických monitorovacích službách téměř v reálném čase. Po detekci anomálií časových řad následuje proces diagnostiky. Proces je vysoce optimalizovaný tak, aby splňoval nezbytné standardy výkonu.