AIOps und agentenbasierte Abläufe in Azure Monitor

Azure Monitor verwendet AIOps-, Machine Learning- und agentische Vorgänge, um Ihnen zu helfen, Probleme früher zu erkennen, Daten natürlicher zu untersuchen, Änderungen zu verstehen, die sich auf Vorgänge auswirken könnten, und Maßnahmen zu erkannten Problemen mit besserem Kontext zu ergreifen. Die aktuelle Richtung betont zunehmend agentische Vorgänge als Ebene, die Erkennung, Analyse, Untersuchung, Erklärung und geführte Nachverfolgung verbindet.

Diese Funktionen umfassen drei allgemeine Ansätze:

  • Agentische Vorgänge über den Observability Agent, der Ihnen hilft, Daten zu untersuchen, Probleme zu untersuchen, zu erklären, was sich geändert hat, und über Azure Monitor Signale nachzuverfolgen.
  • Integrierte AIOps- und Machine-Learning-Funktionen, die Anomalien erkennen, Trends prognostizieren und ausgewählte betriebliche Entscheidungen automatisieren.
  • Benutzerdefiniertes maschinelles Lernen in Azure Monitor Protokollen für erweiterte Szenarien, in denen Sie Ihre eigene Analysepipeline erstellen und ausführen möchten.

In diesem Artikel werden die agentischen und integrierten AIOps-Funktionen in Azure Monitor vorgestellt. Anschließend wird erläutert, wie Sie benutzerdefinierte Machine Learning-Pipelines für Azure Monitor Protokolle erstellen, wenn Sie eine speziellere Analyse benötigen.

Agentische Vorgänge in Azure Monitor

Agentische Vorgänge in Azure Monitor helfen Ihnen, über mehrere Phasen des Observability-Workflows zu arbeiten:

  • Untersuchen und analysieren Sie Daten mithilfe natürlicher Sprache, um mit Protokollen, Metriken und verwandten Telemetriedaten zu arbeiten.
  • Untersuchen Sie Probleme, indem Sie Signale über Azure Monitor Datenquellen und den zugehörigen Ressourcenkontext hinweg korrelieren.
  • Erhalten und teilen Sie Erkenntnisse durch Azure Monitor Probleme, die als operative Artefakte für laufende Untersuchungen und Zusammenarbeit fungieren.
  • Unterstützen Sie proaktive und autonome Workflows , da sich die Plattform zu einer stärker systemgesteuerten Untersuchung und Nachverfolgung für unterstützte Szenarien entwickelt.

Agentische Vorgänge ergänzen herkömmliche Anomalieerkennungs- und Prognosefunktionen. Anstatt nur zu identifizieren, dass etwas Ungewöhnliches passiert ist, helfen sie auch zu erklären, was sich geändert hat, welche Beweise die Schlussfolgerung unterstützen und was als Nächstes zu tun ist.

Integrierte Funktionen

Azure Monitor integrierten Funktionen helfen Ihnen, Probleme zu erkennen, zu untersuchen und zu beantworten, ohne dass Sie benutzerdefinierte Machine Learning-Modelle erstellen müssen.

Agentische Operationen konzentrieren sich auf Untersuchung, Erklärung und geführte Nachverfolgung. Herkömmliche Machine Learning-Features konzentrieren sich auf Mustererkennung, Prognose und Anomalieidentifikation. Gemeinsam bieten sie ein breiteres operatives Modell als beide Ansätze.

Überwachungsszenario Capability Description
Protokollüberwachung Erkenntnisse zu Log Analytics-Arbeitsbereichen Bietet eine einheitliche Ansicht Ihrer Log Analytics-Arbeitsbereiche und maschinelles Lernen verwendet, um Erfassungsanomalien zu erkennen.
Kusto-Abfragesprache (KQL)-Zeitreihenanalyse und Funktionen für maschinelles Lernen Benutzerfreundliche Tools zum Generieren von Zeitreihendaten, zum Erkennen von Anomalien, zur Prognose und zur Durchführung von Ursachenanalysen direkt in Azure Monitor-Protokollen, ohne dass Sie fundierte Kenntnisse über Data Science und Programmiersprachen benötigen.
Microsoft Copilot in Azure Hilft Ihnen bei der Verwendung von Log Analytics, um Daten zu analysieren und Probleme zu beheben. Generiert Beispiel-KQL-Abfragen basierend auf Eingabeaufforderungen, z. B. „Liegen Fehler in Containerprotokollen vor?“.
Observability Agent Hilft Ihnen, Protokolle, Metriken und zugehörige Telemetrie mithilfe natürlicher Sprache und iterativer Nachverfolgungsfragen auf der aktuellen Produktoberfläche zu erkunden.
Überwachung der Anwendungsleistung Intelligente Ansicht der Anwendungsübersicht Kartiert Abhängigkeiten zwischen Diensten und hilft Ihnen, Leistungsengpässe oder Ausfallpunkte in allen Komponenten Ihrer verteilten Anwendung auszumachen.
Intelligente Erkennung Analysiert die Telemetriedaten, die Ihre Anwendung an Application Insights sendet, warnt bei Leistungsproblemen und Fehleranomalien und identifiziert potenzielle Ursachen für Anwendungsleistungsprobleme.
Metrikwarnmeldungen Dynamische Schwellenwerte für Metrikwarnungen Lernt Metrikmuster, legt Warnungsschwellenwerte basierend auf Verlaufsdaten automatisch fest und identifiziert Anomalien, die auf Dienstprobleme hinweisen können.
VM-Skalierungsgruppen Vorhersagbare Autoskalierung Prognostiziert die gesamten CPU-Anforderungen einer VM-Skalierungsgruppe basierend auf historischen CPU-Auslastungsmustern und wird automatisch hochskaliert, um diese Anforderungen zu erfüllen.
Untersuchen und Diagnostizieren Observability Agent Verwendet Azure Monitor Signale und betriebliche Gründe, um Probleme zu untersuchen, Ergebnisse zu korrelieren und zu erläutern, was in Protokollen, Metriken, Ablaufverfolgungen, Warnungen und zugehörigem Ressourcenkontext passiert ist.
Azure Monitor Probleme Behält Untersuchungsergebnisse als betriebsbereite Artefakte bei, sodass Teams Ergebnisse überprüfen, die Analyse fortsetzen und im Laufe der Zeit zusammenarbeiten können.
Proaktive und autonome Vorgänge Proaktive Verhaltensweisen des Observability-Agenten Erweitert das agentische Modell auf mehr systemgesteuerte Untersuchungs- und Problembehandlung für unterstützte Szenarien, da diese Funktionen verfügbar werden.

Benutzerdefiniertes maschinelles Lernen in Azure Monitor Logs

Verwenden Sie die integrierten Zeitreihenanalysen und Machine Learning-Funktionen, Operatoren und Plug-Ins der Kusto-Abfragesprache, um Erkenntnisse über Dienstintegrität, Nutzung, Kapazität und andere Trends zu gewinnen, Vorhersagen zu generieren und Anomalien in Azure Monitor-Protokollen zu erkennen.

Um mehr Flexibilität zu erlangen und Ihre Fähigkeit zum Analysieren und Reagieren auf Daten zu erweitern, können Sie auch Ihre eigene Machine Learning-Pipeline für Daten in Azure Monitor-Protokollen implementieren.

In dieser Tabelle werden die Vorteile und Einschränkungen der Verwendung der integrierten Machine-Learning-Funktionen von KQL und das Erstellen einer eigenen Machine Learning-Pipeline sowie Links zu Tutorials verglichen, die die Implementierung der einzelnen Funktionen veranschaulichen:

Integrierte KQL Machine Learning-Funktionen Erstellen Ihrer eigenen Machine Learning-Pipeline
Szenario ✅ Anomalieerkennung, Grundursache und Zeitreihenanalyse
✅ Anomalieerkennung, Grundursache und Zeitreihenanalyse
✅ Erstellen einer benutzerdefinierten Machine Learning-Pipeline
Vorteile 🔹Sie können sehr schnell loslegen.
🔹Keine Data Science-Kenntnisse und Programmierkenntnisse erforderlich.
🔹 Optimale Leistung und Kosteneinsparungen.		 🔹Unterstützt größere Skalierungen.
🔹Ermöglicht erweiterte, komplexere Szenarien.
🔹Flexibilität bei der Auswahl von Bibliotheken, Modellen, Parametern.
Dienstgrenzwerte und Datenvolumes Azure-Portal oder Abfrage-API-Protokollabfragelimits abhängig davon, ob Sie im Portal arbeiten oder die API verwenden, z. B. über ein Notebook. 🔹 Abfrage-API-Protokollabfragelimits, wenn Sie Daten in Azure Monitor-Protokollen als Teil Ihrer Machine Learning-Pipeline abfragen. Andernfalls gibt es keine Azure-Diensteinschränkungen.
🔹Kann größere Datenvolumes unterstützen.
Integration Keine erforderlich. Ausführung mithilfe von Log Analytics im Azure-Portal oder über ein integriertes Jupyter Notebook. Erfordert die Integration in ein Tool, z. B. Jupyter Notebook. In der Regel würden Sie auch in andere Azure-Dienste wie Azure Synapse Analytics integrieren.
Leistung Optimale Leistung unter Verwendung der Azure Data Explorer-Plattform, die verteilt in hoher Skalierung ausgeführt wird. Führt eine geringe Latenz beim Abfragen oder Exportieren von Daten ein, je nachdem, wie Sie Ihre Machine Learning-Pipeline implementieren.
Modelltyp Lineares Regressionsmodell und andere Modelle, die von KQL-Zeitreihenfunktionen mit einer Reihe konfigurierbarer Parameter unterstützt werden. Vollständig anpassbares Machine Learning-Modell oder Anomalieerkennungsmethode.
Kosten Keine zusätzlichen Kosten: Je nachdem, wie Sie Ihre Machine Learning-Pipeline implementieren, fallen möglicherweise Gebühren für den Export von Daten, die Erfassung bewerteter Daten in Azure Monitor-Protokolle und die Verwendung anderer Azure-Dienste an.
Tutorial Erkennen und Analysieren von Anomalien mit den KQL-Funktionen für maschinelles Lernen in Azure Monitor Analysieren von Daten in Azure Monitor-Protokollen mithilfe eines Notebooks

Erstellen einer benutzerdefinierten Machine Learning-Pipeline

Erstellen Sie Ihre eigene Machine Learning-Pipeline für Daten in Azure Monitor-Protokollen, um neue AIOps-Funktionen einzuführen und erweiterte Szenarien zu unterstützen, z. B.:

  • Suche nach Sicherheitsangriffen mit komplexeren Modellen als denen von KQL.
  • Erkennen von Leistungsproblemen und Beheben von Fehlern in einer Webanwendung.
  • Erstellen von mehrstufigen Flows, Ausführen von Code in jedem Schritt basierend auf den Ergebnissen des vorherigen Schritts.
  • Automatisieren der Analyse von Azure Monitor-Protokolldaten und Bereitstellen von Erkenntnissen aus mehreren Bereichen, einschließlich Infrastrukturintegrität und Kundenverhalten.
  • Korrelieren von Daten in Azure Monitor-Protokollen mit Daten aus anderen Quellen.

Es gibt zwei Ansätze, um Daten in Azure Monitor-Protokollen für Ihre Machine Learning-Pipeline verfügbar zu machen:

In dieser Tabelle werden die Vorteile und Einschränkungen der Ansätze zum Abrufen von Daten für Ihre Machine Learning-Pipeline verglichen:

Abfragen von Daten in Azure Monitor-Protokollen Daten exportieren
Vorteile 🔹Sie können schnell loslegen.
🔹Erfordert nur grundlegende Data Science- und Programmierkenntnisse.
🔹Minimale Latenz und Kosteneinsparungen.		 🔹Unterstützt größere Skalierungen.
🔹Keine Abfrageeinschränkungen.
Daten exportiert? No Yes
Dienstbeschränkungen Abfrage-API-Protokollabfragelimits und Benutzerabfragedrosselung. Sie können die Einschränkungen der Abfrage-API bis zu einem bestimmten Grad überwinden, indem Sie größere Abfragen in Blöcke aufteilen. Keine aus Azure Monitor.
Datenvolumes Analysieren Sie mehrere GB an Daten oder einige Millionen Datensätze pro Stunde. Unterstützt große Datenmengen.
Machine Learning-Bibliothek Für kleine bis mittelgroße Datasets verwenden Sie in der Regel Machine Learning-Bibliotheken mit einem Knoten, z. B. Scikit Learn. Für große Datasets verwenden Sie in der Regel Big Data-Machine Learning-Bibliotheken wie SynapseML.
Latency Minimal. Führt eine geringe Latenz beim Exportieren von Daten ein.
Kosten Keine zusätzlichen Gebühren in Azure Monitor.
Kosten für Azure Synapse Analytics, Azure Machine Learning oder einen anderen Dienst, falls verwendet.		 Kosten für Datenexport und externe Speicherung.
Kosten für Azure Synapse Analytics, Azure Machine Learning oder einen anderen Dienst, falls verwendet.

Tip

Erstellen Sie eine Hybridpipeline, um von den besten Eigenschaften beider Implementierungsansätze zu profitieren. Ein gängiger Hybridansatz besteht darin, Daten für das Modelltraining zu exportieren, das große Datenmengen umfasst, und den Ansatz der Abfragedaten in Azure Monitor-Protokollen zu verwenden, um Daten zu untersuchen und neue Daten zu erfassen, um Latenz und Kosten zu reduzieren.

Implementieren des Machine Learning-Lebenszyklus

Das Einrichten einer Machine Learning-Pipeline umfasst in der Regel alle oder einige der unten beschriebenen Schritte.

Es gibt verschiedene Azure- und Open Source Machine Learning-Bibliotheken, mit denen Sie Ihre Machine Learning-Pipeline implementieren können, einschließlich Scikit Learn, PyTorch, Tensorflow, Spark MLlib und SynapseML.

Diese Tabelle beschreibt jeden Schritt und enthält allgemeine Anleitungen und einige Beispiele für die Implementierung dieser Schritte basierend auf den Implementierungsansätzen, die unter Erstellen einer eigenen Machine Learning-Pipeline für Daten in Azure Monitor-Protokollen beschrieben sind:

Step Description Abfragen von Daten in Azure Monitor-Protokollen Daten exportieren
Durchsuchen von Daten Untersuchen und verstehen Sie die von Ihnen gesammelten Daten. Die einfachste Möglichkeit, Ihre Daten zu untersuchen, ist die Verwendung von Log Analytics, das eine Vielzahl von Tools zum Untersuchen und Visualisieren von Daten in der Azure-Portal bietet. Sie können auch Daten in Azure Monitor-Protokollen mithilfe eines Notebooks analysieren. Um Protokolle außerhalb von Azure Monitor zu analysieren, exportieren Sie Daten aus Ihrem Log Analytics-Arbeitsbereich, und richten Sie die Umgebung in dem von Ihnen ausgewählten Dienst ein.
Ein Beispiel zum Untersuchen von Protokollen außerhalb von Azure Monitor finden Sie unter Analysieren von Daten, die mithilfe von Synapse aus Log Analytics exportiert wurden.
Erstellen und Trainieren eines Machine Learning-Modells Modelltraining ist ein iterativer Prozess. Forscher oder Data Scientists entwickeln ein Modell, indem sie die Trainingsdaten abrufen und bereinigen, Features entwickeln, verschiedene Modelle ausprobieren und Parameter optimieren und diesen Zyklus wiederholen, bis das Modell genau und robust ist. Für kleine bis mittelgroße Datasets verwenden Sie in der Regel Machine Learning-Bibliotheken mit einem Knoten, z. B. Scikit Learn.
Ein Beispiel für das Trainieren eines Machine Learning-Modells für Daten in Azure Monitor-Protokollen mithilfe der Scikit Learn-Bibliothek finden Sie in diesem Beispiel-Notebook: Erkennen von Anomalien in Azure Monitor-Protokollen mithilfe von Machine Learning-Techniken.		 Für große Datasets verwenden Sie in der Regel Big Data-Machine Learning-Bibliotheken wie SynapseML.
Bereitstellen und Bewerten eines Modells Bewertung ist der Prozess, bei dem ein Machine Learning-Modell auf neue Daten angewendet wird, um Vorhersagen zu erhalten. Die Bewertung muss in der Regel im großen Stil mit minimaler Latenz erfolgen. Verwenden Sie zum Abfragen neuer Daten in Azure Monitor-Protokollen die Azure Monitor Query-Clientbibliothek.
Ein Beispiel für die Bewertung von Daten mit Open Source-Tools finden Sie in diesem Beispiel-Notebook: Erkennen von Anomalien in Azure Monitor-Protokollen mithilfe von Machine Learning-Techniken.
Ausführen der Pipeline nach Zeitplan Automatisieren Sie Ihre Pipeline, um Ihr Modell regelmäßig auf aktuelle Daten zu trainieren. Planen Sie Ihre Machine Learning-Pipeline mit Azure Synapse Analytics oder Azure Machine Learning. Sehen Sie sich die Beispiele in der Spalte Abfragedaten in Azure Monitor-Protokollen an.

Wenn Sie bewertete Ergebnisse in einem Log Analytics-Arbeitsbereich erfassen, können Sie die Daten verwenden, um erweiterte Erkenntnisse zu erhalten und Warnungen und Dashboards zu erstellen. Ein Beispiel für die Erfassung bewerteter Ergebnisse mithilfe der Azure Monitor-Erfassungsclientbibliothek finden Sie unter Erfassen von Anomalien in einer benutzerdefinierten Tabelle in Ihrem Log Analytics-Arbeitsbereich.

Nächste Schritte

Weitere Informationen zu:

  • Zuletzt aktualisiert um