Diagnostic d’anomalie pour l’analyse de la cause racine

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 :

• Extraction et jointure de données à partir de différentes sources pour la même période
• Recherche de changements dans la distribution des valeurs sur plusieurs dimensions
• Graphique d’autres variables
• 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 :

Exécuter la requête

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")

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.

Exécuter la requête

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")

Vous voyez un petit pic de deux minutes de 15 :00 à 15 :02. Dans la requête suivante, comptez les exceptions dans cette fenêtre de deux minutes :

Exécuter la requête

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 :

Exécuter la requête

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 :

Exécuter la requête

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 totale 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 RCA. 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 :

Exécuter la requête

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).

Exécuter la requête

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.

Exécuter la requête

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

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.