Rapport d’anomalies

Le rapport des anomalies dans les Analyses avancées permet aux administrateurs informatiques d’identifier de manière proactive les problèmes d’intégrité des appareils avant qu’ils n’affectent les utilisateurs. Il surveille les blocages, les pannes et les redémarrages d’erreurs d’arrêt des applications, offrant ainsi une visibilité sur les problèmes avant qu’ils n’atteignent les canaux de support.

La fonctionnalité met en corrélation les objets de déploiement et les modifications de configuration pour accélérer le dépannage et suggérer des causes premières. Les groupes de corrélation d’appareils révèlent des modèles parmi les appareils affectés et signalent les autres qui sont à risque.

Avant de commencer

• Passez en revue les scores, les bases de référence et les insights dans l’analyse des points de terminaison pour comprendre ces concepts.
• Vérifiez que votre environnement répond à toutes les conditions préalables.

Passer en revue le rapport

1. Dans le Centre d’administration Microsoft Intune, sélectionnezPrésentationde l’analyse de> point de terminaison des rapports>.
2. Sélectionnez l’onglet Anomalies, qui fournit une vue d’ensemble des anomalies détectées dans votre organisation.

• Utilisez les fonctionnalités de tri et de filtrage pour affiner la liste des anomalies.
• Pour afficher plus d’informations sur une anomalie spécifique, sélectionnez-la dans la liste. Passez en revue les détails tels que le nom de l’application, les appareils affectés, la première détection et la dernière survenue du problème, ainsi que tous les groupes d’appareils susceptibles de contribuer au problème.
• Sélectionnez un groupe de corrélations d’appareils dans la liste pour voir les facteurs communs entre les appareils. Les appareils sont corrélés par des attributs partagés tels que la version de l’application, la mise à jour du pilote, la version du système d’exploitation ou le modèle d’appareil. Vous pouvez afficher le nombre d’appareils actuellement affectés et ceux à risque. Le taux de prévalence indique le pourcentage d’appareils affectés dans un groupe de corrélation.
• Sélectionnez Afficher les appareils concernés pour afficher la liste des appareils avec des attributs clés. Filtrez pour afficher les appareils dans des groupes de corrélation spécifiques ou afficher tous les appareils affectés par l’anomalie. La chronologie de l’appareil affiche également des événements anormaux supplémentaires.

Examiner les données de détection d’anomalie

Examinez les groupes de corrélation d’appareils marqués à l’aide de la chronologie de l’appareil et des rapports de ressources pour déterminer les causes premières. Les groupes de corrélation d’appareils permettent d’identifier les causes profondes des anomalies de gravité élevée et moyenne, ainsi que les appareils à risque qui peuvent être affectés à l’avenir.

Meilleures pratiques :

• Examinez régulièrement le tableau de bord des anomalies pour comprendre la base de référence actuelle et hiérarchiser les investigations et les résolutions des nouveaux problèmes.
• Examinez les nouveaux problèmes signalés pour identifier les facteurs courants, tels que le matériel de l’appareil, comme indiqué dans l’analytique avancée.
• Hiérarchisez les anomalies à examiner en fonction de la gravité et des connaissances internes, telles que l’importance de l’application.
• Utilisez le rapport de chronologie d’appareil pour case activée des modèles, tels que le redémarrage de l’appareil ou les mises à jour liées à des anomalies.
• Collaborez avec les équipes informatiques pour identifier d’autres facteurs, tels que les mises à jour récentes des applications, susceptibles d’avoir un impact sur les anomalies.
• Examinez les actions correctives possibles indiquées dans le rapport d’anomalie (par exemple, les mises à jour de pilotes ou d’applications).
• Intégrez les résolutions au support L1/L2 pour tenir les équipes informées des problèmes connus actuels. Envisagez de travailler avec votre équipe ITSM pour enregistrer les anomalies connues faisant l’objet d’une enquête.
• Testez les actions de correction sur un sous-ensemble d’appareils et surveillez les résultats avant de les déployer sur d’autres appareils. Après la correction, déployez de manière proactive sur les appareils à risque.
• Examinez les rapports d’anomalies après des mises à jour majeures ou des incidents pour vérifier la présence de nouveaux problèmes nécessitant une investigation et une résolution dans le cadre de la mise à jour et de la case activée.
• Pour mieux comprendre les méthodes de détection, examinez les modèles statistiques utilisés par la détection d’anomalies.

Modèles statistiques pour déterminer les anomalies

Le modèle analytique détecte les cohortes d’appareils confrontées à des ensembles anormaux d’erreurs d’arrêt, de redémarrages et de blocages ou incidents d’application nécessitant l’attention de l’administrateur. Les modèles identifiés à partir de la télémétrie du capteur et des journaux de diagnostics déterminent ces cohortes d’appareils.

• Modèle heuristique basé sur un seuil : ce modèle définit une ou plusieurs valeurs seuil pour les blocages, les pannes ou les redémarrages d’erreurs d’arrêt. Les appareils sont marqués comme étant anormaux s’ils ne respectent pas le seuil défini. Le modèle est simple et efficace pour mettre en évidence des problèmes importants ou statiques. Les seuils sont actuellement prédéterminés et ne peuvent pas être personnalisés.
• Modèle de tests t appariés : Les tests t appariés comparent des paires d’observations dans un ensemble de données, à la recherche de différences statistiquement significatives entre leurs moyennes. Par exemple, la comparaison des redémarrages d’erreur d’arrêt sur le même appareil avant et après un changement de stratégie, ou du blocage d’une application après une mise à jour du système d’exploitation.
• Modèle de score Z de la population : ce modèle calcule l’écart-type et la moyenne d’un ensemble de données, puis utilise ces valeurs pour déterminer quels points de données sont anormaux. Le score Z pour chaque point de données représente le nombre d’écarts-types par rapport à la moyenne. Les points de données en dehors d’une certaine plage sont considérés comme anormaux. Ce modèle est bien adapté pour mettre en évidence des appareils ou des applications aberrants, mais nécessite des jeux de données volumineux pour être précis.
• Modèle de score Z de série chronologique : cette variante du modèle de score Z est conçue pour détecter les anomalies dans les données de série chronologique, c’est-à-dire les séquences de points de données collectées à intervalles réguliers, telles que les redémarrages d’erreurs d’arrêt au fil du temps. Standard écart et la moyenne sont calculés pour une fenêtre glissante, ce qui permet au modèle de s’adapter aux modèles temporels et aux changements de distribution des données.

Remarque

Les cohortes d’appareils ne sont identifiées que pour les anomalies de gravité moyenne et élevée.