Fonctionnalité Machine Learning

Langage de requête Kusto (KQL) dispose de fonctions intégrées de détection et de prévision des anomalies pour case activée en cas de comportement anormal. Une fois qu’un tel modèle est détecté, une analyse de la cause racine (RCA) peut être exécutée pour atténuer ou résoudre l’anomalie.

Le processus de diagnostic est long et complexe, et effectué par des experts du domaine. Ce processus inclut les éléments suivants :

  • Récupération et jointure de données supplémentaires issues de sources différentes pour le même délai d’exécution
  • Recherche de changements dans la distribution des valeurs sur plusieurs dimensions
  • Création de graphiques de variables supplémentaires
  • Autres techniques basées sur les connaissances du domaine et l’intuition

Étant donné que ces scénarios de diagnostic sont courants, des plug-ins Machine Learning sont disponibles pour faciliter la phase de diagnostic et raccourcir la durée du RCA.

Les trois plug-ins Machine Learning suivants implémentent clustering algorithmes : autocluster, basketet diffpatterns. Les plug-ins autocluster et basket regroupent en cluster un jeu d’enregistrements unique, et le plug-in diffpatterns regroupe en cluster les différences entre deux jeux d’enregistrements.

Clustering d’un jeu d’enregistrements unique

Un scénario courant inclut un jeu de données sélectionné selon des critères spécifiques tels que :

  • Période montrant un comportement anormal
  • Mesures de températures élevées sur un appareil
  • Commandes longue durée
  • Utilisateurs dépensant le plus. Vous souhaitez disposer d’un moyen simple et rapide de rechercher des modèles (segments) courants dans les données. Les modèles sont un sous-ensemble du jeu de données dont les enregistrements partagent les mêmes valeurs sur plusieurs dimensions (colonnes catégorielles).

La requête suivante génère et affiche une série chronologique d’exceptions de service au cours d’une période d’une semaine, dans des emplacements de dix minutes :

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")

Graphique temporel des exceptions de service.

Le nombre d’exceptions de service se met en corrélation avec l’ensemble du trafic de service. Vous pouvez voir clairement le modèle quotidien pour les jours ouvrables (du lundi au vendredi). Il y a une augmentation du nombre d’exceptions de service à la mi-journée et une baisse pendant la nuit. Ces nombres restent faibles et stables pendant le week-end. Des pics d’exception peuvent être détectés à l’aide de la détection d’anomalie de série chronologique.

Le deuxième pic de données se produit le mardi après-midi. La requête suivante permet d’affiner le diagnostic et de vérifier s’il s’agit d’un pic pointu. La requête redessine le graphique autour du pic dans une résolution plus élevée de huit heures dans des emplacements d’une minute. Vous pouvez ensuite étudier ses bordures.

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")

Focus sur le pic du graphique temporel.

Vous pouvez observer un pic étroit de deux minutes entre 15h00 et 15h02. Dans la requête suivante, comptez les exceptions dans cette fenêtre de deux minutes :

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
Count
972

Dans la requête suivante, exemple de 20 exceptions sur 972 :

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 Région ScaleUnit DeploymentId Tracepoint 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-1b49d8ee7564
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

Utiliser autocluster() pour le clustering d’un jeu d’enregistrements unique

Même s’il existe moins d’un millier d’exceptions, il est toujours difficile de repérer les segments communs, car chaque colonne comporte plusieurs valeurs. Vous pouvez utiliser le plug-in autocluster() pour extraire instantanément une courte liste de segments communs et rechercher les clusters intéressants compris dans la période des deux minutes du pic, comme indiqué dans la requête suivante :

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 de segment Count Pourcentage Région ScaleUnit DeploymentId 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 weu su4 be1d6d7ac9574cbc9a22cb8ee20f16fc

Vous pouvez voir, dans les résultats ci-dessus, que le segment le plus dominant contient 65,74 % du total des enregistrements d’exceptions et qu’il partage quatre dimensions. Le segment suivant est beaucoup moins courant. Il contient seulement 9,67 % des enregistrements et partage trois dimensions. Les autres segments sont encore moins courants.

Autocluster utilise un algorithme propriétaire pour explorer plusieurs dimensions et extraire des segments intéressants. « Intéressant » signifie que chaque segment couvre de manière importante le jeu d’enregistrements et le jeu de fonctionnalités. Les segments sont également divergents, ce qui signifie que chacun d’eux est différent des autres. Un ou plusieurs de ces segments peuvent être pertinents pour le processus d’analyse de la cause racine. Pour réduire le temps passé à examiner et évaluer les segments, autocluster extrait uniquement une petite liste de segments.

Utiliser basket() pour le clustering d’un jeu d’enregistrements unique

Vous pouvez également utiliser le plug-in basket() comme indiqué dans la requête suivante :

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 de segment Count Pourcentage Région ScaleUnit DeploymentId Tracepoint 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 weu su4 be1d6d7ac9574cbc9a22cb8ee20f16fc
10 92 9.46502057613169 10007007
11 90 9.25925925925926 10007006
12 57 5.8641975308642 00000000-0000-0000-0000-000000000000

Le plug-in basket implémente l’algorithme « Apriori » pour l’exploration de données d’un ensemble d’éléments. Il extrait tous les segments dont la couverture du jeu d’enregistrements est supérieure à un seuil (valeur par défaut : 5 %). Vous pouvez voir qu’un nombre plus important de segments ont été extraits avec des segments similaires, comme les segments 0, 1 ou 2, 3.

Les deux plug-ins sont puissants et simples d’utilisation. Leur inconvénient est qu’ils mettent en cluster un jeu d’enregistrements unique de manière non supervisée et sans étiquette. Il est difficile de savoir si les modèles extraits caractérisent le jeu d’enregistrements sélectionné, des enregistrements anormaux ou le jeu d’enregistrements global.

Mettre en cluster la différence entre deux jeux d’enregistrements

Le plug-in diffpatterns() permet de résoudre la limite de autocluster et basket. Diffpatterns prend deux jeux d’enregistrements et extrait les principaux segments qui diffèrent. Un jeu contient généralement le jeu d’enregistrements anormaux actuellement examiné. L’un est analysé par autocluster et basket. L’autre jeu contient le jeu d’enregistrements de référence : la base de référence.

Dans la requête suivante, diffpatterns recherche des clusters intéressants dans les deux minutes du pic, qui sont différents des clusters dans la ligne de base. La fenêtre de la base de référence est définie comme correspondant aux huit minutes précédant 15h00, moment du début du pic. Vous étendez par une colonne binaire (AB) et vous indiquez si un enregistrement spécifique appartient à la base de référence ou au jeu anormal. Diffpatterns implémente un algorithme d’apprentissage supervisé, où les deux libellés de classe ont été générés selon le rapport entre l’indicateur anormal et l’indicateur de référence (AB).

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 de segment CountA CountB PercentA PercentB PercentDiffAB Région ScaleUnit DeploymentId Tracepoint
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 weu su4 be1d6d7ac9574cbc9a22cb8ee20f16fc
6 57 204 5.86 16.56 10.69

Le segment le plus dominant est le même segment que celui extrait par autocluster. Sa couverture sur la fenêtre anormale de deux minutes est également de 65,74 %. Toutefois, sa couverture sur la fenêtre de base de référence de huit minutes est seulement de 1,7 %. La différence est de 64,04 %. Cette différence semble être liée au pic d’activité anormale. Pour vérifier cette hypothèse, la requête suivante divise le graphique d’origine en enregistrements appartenant à ce segment problématique et enregistre les autres segments.

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

Validation du segment diffpattern du graphique temporel.

Ce graphique permet de constater que le pic du mardi après-midi est survenu en raison d’exceptions issues de ce segment spécifique, découvertes à l’aide du plug-in diffpatterns.

Résumé

Les plug-ins Machine Learning sont utiles pour de nombreux scénarios. Les plug-ins autocluster et basket implémentent un algorithme d’apprentissage non supervisé et sont simples d’utilisation. Diffpatterns implémente un algorithme d’apprentissage supervisé et, bien que plus complexe, il est plus efficace pour l’extraction des segments de différenciation en vue d’une analyse de la cause racine.

Ces plug-ins sont utilisés de manière interactive dans des scénarios ad-hoc et dans des services de surveillance en temps réel quasi automatiques. La détection d’anomalie de série chronologique est suivie d’un processus de diagnostic. Ce processus est hautement optimisé pour répondre aux normes de performances nécessaires.