AnomalyDetectorClient Klasse

Die Anomalieerkennung-API erkennt Anomalien automatisch in Zeitreihendaten. Es unterstützt zwei Arten von Modus, eine für zustandslose Verwendung, eine für zustandsbehaftete Verwendung. Im zustandslosen Modus gibt es drei Funktionen. Die gesamte Erkennung dient zum Erkennen der gesamten Datenreihe mit einem Modell, das von der Zeitreihe trainiert wird. Bei letzter Erkennung wird der letzte Punkt erkannt, wobei das Modell nach Punkten vortrainiert wurde. ChangePoint Detect dient zum Erkennen von Trendänderungen in Zeitreihen. Im zustandsbehafteten Modus kann der Benutzer Zeitreihen speichern. Die gespeicherte Zeitreihe wird für die Erkennung von Anomalien verwendet. In diesem Modus kann der Benutzer weiterhin die oben genannten drei Funktionen verwenden, indem er nur einen Zeitbereich angibt, ohne zeitreihenseitig vorzubereiten. Neben den oben genannten drei Funktionen bietet das zustandsbehaftete Modell auch einen gruppenbasierten Erkennungs- und Bezeichnungsdienst. Durch die Nutzung des Bezeichnungsdiensts können Benutzer Bezeichnungen für jedes Erkennungsergebnis bereitstellen. Diese Bezeichnungen werden zum Erneuten Optimieren oder Generieren von Erkennungsmodellen verwendet. Bei der Inkonsistenzerkennung handelt es sich um eine Art gruppenbasierte Erkennung, bei dieser Erkennung werden Inkonsistenzen in einer Reihe von Zeitreihen gefunden. Mithilfe des Anomalieerkennungsdiensts können Geschäftskunden Vorfälle erkennen und einen Logikfluss für die Ursachenanalyse einrichten.

Vererbung

azure.ai.anomalydetector._operations._operations.AnomalyDetectorClientOperationsMixin

AnomalyDetectorClient

Konstruktor

AnomalyDetectorClient(endpoint: str, credential: AzureKeyCredential, **kwargs: Any)

Parameter

endpoint

str

Erforderlich

Unterstützte Cognitive Services-Endpunkte (Protokoll und Hostname, z. B. ). https://westus2.api.cognitive.microsoft.com Erforderlich.

credential

AzureKeyCredential

Erforderlich

Anmeldeinformationen, die für den Client zum Herstellen einer Verbindung mit Azure erforderlich sind. Erforderlich.

api_version

str

API-Version. Der Standardwert ist "v1.1". Beachten Sie, dass das Überschreiben dieses Standardwerts zu einem nicht unterstützten Verhalten führen kann.

Methoden

close
delete_multivariate_model	Löschen Sie das multivariate Modell. Löschen Sie ein bestehendes multivariates Modell entsprechend der „modelId“.
detect_multivariate_batch_anomaly	Erkennen sie eine multivariate Anomalie. Übermitteln Sie multivariate Anomalieerkennungsaufgabe mit der modelId der trainierten Modell- und Rückschlussdaten. Das Eingabeschema sollte mit der Trainingsanforderung identisch sein. Die Anforderung wird asynchron abgeschlossen und gibt eine resultId zurück, um das Erkennungsergebnis abzufragen. Die Anforderung sollte ein Quelllink sein, um einen extern zugänglichen Azure Storage-URI anzugeben, der entweder auf einen Azure Blob Storage-Ordner verweist oder auf eine CSV-Datei in Azure Blob Storage verweist.
detect_multivariate_last_anomaly	Erkennen sie Anomalien am letzten Punkt des Anforderungstexts. Übermitteln Sie multivariate Anomalieerkennungsaufgabe mit der modelId der trainierten Modell- und Rückschlussdaten, und die Rückschlussdaten sollten in einem JSON-Format in den Anforderungstext eingefügt werden. Die Anforderung wird synchron abgeschlossen und gibt die Erkennung sofort im Antworttext zurück.
detect_univariate_change_point	Erkennen sie den Änderungspunkt für die gesamte Reihe. Bewerten Sie die Änderungspunktbewertung jedes Reihenpunkts.
detect_univariate_entire_series	Erkennen sie Anomalien für die gesamte Reihe im Batch. Dieser Vorgang generiert ein Modell mit einer ganzen Reihe, wobei jeder Punkt mit demselben Modell erkannt wird. Bei dieser Methode werden Punkte vor und nach einem bestimmten Punkt verwendet, um zu ermitteln, ob es sich um eine Anomalie handelt. Die gesamte Erkennung kann dem Benutzer eine gesamt status der Zeitreihe geben.
detect_univariate_last_point	Erkennen Sie Anomalien status der neuesten Zeitpunktreihen. Dieser Vorgang generiert ein Modell unter Verwendung der Punkte, die Sie an die API gesendet haben, und basierend auf allen Daten, um zu bestimmen, ob der letzte Punkt anomale Punkte ist.
get_multivariate_batch_detection_result	Abrufen des Multivariate-Anomalieerkennungsergebnisses. Rufen Sie für asynchrone Rückschlüsse multivariate Anomalieerkennungsergebnisse basierend auf resultId ab, die von der BatchDetectAnomaly-API zurückgegeben wird.
get_multivariate_model	Rufen Sie ein multivariates Modell ab. Ruft ausführliche Informationen zum multivariaten Modell ab, einschließlich Trainingsstatus und der im Modell verwendeten Variablen.
list_multivariate_models	Listen Sie multivariate Modelle auf. Auflisten von Modellen einer Ressource.
send_request	Führt die Netzwerkanforderung über die verketteten Richtlinien des Clients aus. >>> 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> Weitere Informationen zu diesem Codeflow finden Sie unter https://aka.ms/azsdk/dpcodegen/python/send_request
train_multivariate_model	Trainieren eines multivariaten Anomalieerkennungsmodells. Erstellt und trainiert ein Modell für die Erkennung multivariater Anomalien. Die Anforderung muss einen Quellparameter enthalten, um einen extern zugänglichen Azure Blob Storage-URI anzugeben. Es gibt zwei Arten von Dateneingaben: Ein URI, der auf einen Azure Blob Storage-Ordner verweist, der mehrere CSV-Dateien enthält, und jede CSV-Datei enthält zwei Spalten: Timestamp und Variable. Eine andere Art von Eingabe ist ein URI, der auf eine CSV-Datei in Azure Blob Storage verweist, die alle Variablen und eine Zeitstempelspalte enthält.

close

close() -> None

delete_multivariate_model

Löschen Sie das multivariate Modell.

Löschen Sie ein bestehendes multivariates Modell entsprechend der „modelId“.

delete_multivariate_model(model_id: str, **kwargs: Any) -> None

Parameter

model_id

str

Erforderlich

Modellbezeichner. Erforderlich.

Gibt zurück

Keine

Rückgabetyp

None

Ausnahmen

HttpResponseError

detect_multivariate_batch_anomaly

Erkennen sie eine multivariate Anomalie.

Übermitteln Sie multivariate Anomalieerkennungsaufgabe mit der modelId der trainierten Modell- und Rückschlussdaten. Das Eingabeschema sollte mit der Trainingsanforderung identisch sein. Die Anforderung wird asynchron abgeschlossen und gibt eine resultId zurück, um das Erkennungsergebnis abzufragen. Die Anforderung sollte ein Quelllink sein, um einen extern zugänglichen Azure Storage-URI anzugeben, der entweder auf einen Azure Blob Storage-Ordner verweist oder auf eine CSV-Datei in Azure Blob Storage verweist.

detect_multivariate_batch_anomaly(model_id: str, options: MultivariateBatchDetectionOptions | MutableMapping[str, Any] | IO, **kwargs: Any) -> MultivariateDetectionResult

Parameter

model_id

str

Erforderlich

Modellbezeichner. Erforderlich.

options

MultivariateBatchDetectionOptions oder <xref:JSON> oder IO

Erforderlich

Anforderung der Erkennung multivariater Anomalien. Ist einer der folgenden Typen: Modell, JSON, E/A erforderlich.

content_type

str

Textparameter Content-Type. Bekannte Werte sind: application/json. Der Standardwert ist Keine.

Gibt zurück

MultivariateDetectionResult. MultivariateDetectionResult ist mit MutableMapping kompatibel.

Rückgabetyp

MultivariateDetectionResult

Ausnahmen

HttpResponseError

detect_multivariate_last_anomaly

Erkennen sie Anomalien am letzten Punkt des Anforderungstexts.

Übermitteln Sie multivariate Anomalieerkennungsaufgabe mit der modelId der trainierten Modell- und Rückschlussdaten, und die Rückschlussdaten sollten in einem JSON-Format in den Anforderungstext eingefügt werden. Die Anforderung wird synchron abgeschlossen und gibt die Erkennung sofort im Antworttext zurück.

detect_multivariate_last_anomaly(model_id: str, options: MultivariateLastDetectionOptions | MutableMapping[str, Any] | IO, **kwargs: Any) -> MultivariateLastDetectionResult

Parameter

model_id

str

Erforderlich

Modellbezeichner. Erforderlich.

options

MultivariateLastDetectionOptions oder <xref:JSON> oder IO

Erforderlich

Anforderung der letzten Erkennung. Ist einer der folgenden Typen: Modell, JSON, E/A erforderlich.

content_type

str

Textparameter Content-Type. Bekannte Werte sind: application/json. Der Standardwert ist Keine.

Gibt zurück

MultivariateLastDetectionResult. MultivariateLastDetectionResult ist mit MutableMapping kompatibel.

Rückgabetyp

MultivariateLastDetectionResult

Ausnahmen

HttpResponseError

detect_univariate_change_point

Erkennen sie den Änderungspunkt für die gesamte Reihe.

Bewerten Sie die Änderungspunktbewertung jedes Reihenpunkts.

detect_univariate_change_point(options: UnivariateChangePointDetectionOptions | MutableMapping[str, Any] | IO, **kwargs: Any) -> UnivariateChangePointDetectionResult

Parameter

options

UnivariateChangePointDetectionOptions oder <xref:JSON> oder IO

Erforderlich

Methode der univariaten Anomalieerkennung. Ist einer der folgenden Typen: Modell, JSON, E/A erforderlich.

content_type

str

Textparameter Content-Type. Bekannte Werte sind: application/json. Der Standardwert ist Keine.

Gibt zurück

UnivariateChangePointDetectionResult. UnivariateChangePointDetectionResult ist mit MutableMapping kompatibel.

Rückgabetyp

UnivariateChangePointDetectionResult

Ausnahmen

HttpResponseError

detect_univariate_entire_series

Erkennen sie Anomalien für die gesamte Reihe im Batch.

Dieser Vorgang generiert ein Modell mit einer ganzen Reihe, wobei jeder Punkt mit demselben Modell erkannt wird. Bei dieser Methode werden Punkte vor und nach einem bestimmten Punkt verwendet, um zu ermitteln, ob es sich um eine Anomalie handelt. Die gesamte Erkennung kann dem Benutzer eine gesamt status der Zeitreihe geben.

detect_univariate_entire_series(options: UnivariateDetectionOptions | MutableMapping[str, Any] | IO, **kwargs: Any) -> UnivariateEntireDetectionResult

Parameter

options

UnivariateDetectionOptions oder <xref:JSON> oder IO

Erforderlich

Methode der univariaten Anomalieerkennung. Ist einer der folgenden Typen: Modell, JSON, E/A erforderlich.

content_type

str

Textparameter Content-Type. Bekannte Werte sind: application/json. Der Standardwert ist Keine.

Gibt zurück

UnivariateEntireDetectionResult. UnivariateEntireDetectionResult ist mit MutableMapping kompatibel.

Rückgabetyp

UnivariateEntireDetectionResult

Ausnahmen

HttpResponseError

detect_univariate_last_point

Erkennen Sie Anomalien status der neuesten Zeitpunktreihen.

Dieser Vorgang generiert ein Modell unter Verwendung der Punkte, die Sie an die API gesendet haben, und basierend auf allen Daten, um zu bestimmen, ob der letzte Punkt anomale Punkte ist.

detect_univariate_last_point(options: UnivariateDetectionOptions | MutableMapping[str, Any] | IO, **kwargs: Any) -> UnivariateLastDetectionResult

Parameter

options

UnivariateDetectionOptions oder <xref:JSON> oder IO

Erforderlich

Methode der univariaten Anomalieerkennung. Ist einer der folgenden Typen: Modell, JSON, E/A erforderlich.

content_type

str

Textparameter Content-Type. Bekannte Werte sind: application/json. Der Standardwert ist Keine.

Gibt zurück

UnivariateLastDetectionResult. UnivariateLastDetectionResult ist mit MutableMapping kompatibel.

Rückgabetyp

UnivariateLastDetectionResult

Ausnahmen

HttpResponseError

get_multivariate_batch_detection_result

Abrufen des Multivariate-Anomalieerkennungsergebnisses.

Rufen Sie für asynchrone Rückschlüsse multivariate Anomalieerkennungsergebnisse basierend auf resultId ab, die von der BatchDetectAnomaly-API zurückgegeben wird.

get_multivariate_batch_detection_result(result_id: str, **kwargs: Any) -> MultivariateDetectionResult

Parameter

result_id

str

Erforderlich

ID eines Batcherkennungsergebnisses. Erforderlich.

Gibt zurück

MultivariateDetectionResult. MultivariateDetectionResult ist mit MutableMapping kompatibel.

Rückgabetyp

MultivariateDetectionResult

Ausnahmen

HttpResponseError

get_multivariate_model

Rufen Sie ein multivariates Modell ab.

Ruft ausführliche Informationen zum multivariaten Modell ab, einschließlich Trainingsstatus und der im Modell verwendeten Variablen.

get_multivariate_model(model_id: str, **kwargs: Any) -> AnomalyDetectionModel

Parameter

model_id

str

Erforderlich

Modellbezeichner. Erforderlich.

Gibt zurück

AnomalyDetectionModel. Das AnomalyDetectionModel ist mit MutableMapping kompatibel.

Rückgabetyp

AnomalyDetectionModel

Ausnahmen

HttpResponseError

list_multivariate_models

Listen Sie multivariate Modelle auf.

Auflisten von Modellen einer Ressource.

list_multivariate_models(*, skip: int | None = None, top: int | None = None, **kwargs: Any) -> Iterable[AnomalyDetectionModel]

Parameter

skip

int

Skip gibt an, wie viele Modelle übersprungen werden. Der Standardwert ist Keine.

top

int

Oben gibt an, wie viele Modelle abgerufen werden. Der Standardwert ist Keine.

Gibt zurück

Ein Iterator wie instance von AnomalyDetectionModel. Das AnomalyDetectionModel ist mit MutableMapping kompatibel.

Rückgabetyp

ItemPaged[AnomalyDetectionModel]

Ausnahmen

HttpResponseError

send_request

Führt die Netzwerkanforderung über die verketteten Richtlinien des Clients aus.

>>> 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>

Weitere Informationen zu diesem Codeflow finden Sie unter https://aka.ms/azsdk/dpcodegen/python/send_request

send_request(request: HttpRequest, **kwargs: Any) -> HttpResponse

Parameter

request

HttpRequest

Erforderlich

Die Netzwerkanforderung, die Sie ausführen möchten. Erforderlich.

stream

bool

Gibt an, ob die Antwortnutzlast gestreamt wird. Der Standardwert lautet „False“.

Gibt zurück

Die Antwort Ihres Netzwerkaufrufs. Führt keine Fehlerbehandlung für Ihre Antwort durch.

Rückgabetyp

HttpResponse

train_multivariate_model

Trainieren eines multivariaten Anomalieerkennungsmodells.

Erstellt und trainiert ein Modell für die Erkennung multivariater Anomalien. Die Anforderung muss einen Quellparameter enthalten, um einen extern zugänglichen Azure Blob Storage-URI anzugeben. Es gibt zwei Arten von Dateneingaben: Ein URI, der auf einen Azure Blob Storage-Ordner verweist, der mehrere CSV-Dateien enthält, und jede CSV-Datei enthält zwei Spalten: Timestamp und Variable. Eine andere Art von Eingabe ist ein URI, der auf eine CSV-Datei in Azure Blob Storage verweist, die alle Variablen und eine Zeitstempelspalte enthält.

train_multivariate_model(model_info: ModelInfo | MutableMapping[str, Any] | IO, **kwargs: Any) -> AnomalyDetectionModel

Parameter

model_info

ModelInfo oder <xref:JSON> oder IO

Erforderlich

Modellinformationen. Ist einer der folgenden Typen: Model, JSON, E/A Erforderlich.

content_type

str

Body-Parameter Content-Type. Bekannte Werte sind: application/json. Der Standardwert ist Keine.

Gibt zurück

AnomalyDetectionModel. Das AnomalyDetectionModel ist mit MutableMapping kompatibel.

Rückgabetyp

AnomalyDetectionModel

Ausnahmen

HttpResponseError