Anomáliadegnózis a kiváltó okok elemzéséhez
Kusto lekérdezésnyelv (KQL) beépített anomáliadetektálási és előrejelzési függvényekkel rendelkezik a rendellenes viselkedés ellenőrzéséhez. Egy ilyen minta észlelése után futtatható egy alapvető okelemzés (RCA) az anomália mérséklése vagy megoldása érdekében.
A diagnosztikai folyamat összetett és hosszadalmas, és tartományi szakértők végzik el. A folyamat a következőket tartalmazza:
- Több adat beolvasása és összekapcsolása különböző forrásokból ugyanabban az időkeretben
- Értékek eloszlásának változásainak keresése több dimenzióban
- További változók diagramozása
- Egyéb technikák a tartomány ismeretén és az intuíción alapulnak
Mivel ezek a diagnosztikai forgatókönyvek gyakoriak, gépi tanulási beépülő modulok állnak rendelkezésre, amelyek megkönnyítik a diagnosztikai fázist, és lerövidítik az RCA időtartamát.
A következő Machine Learning beépülő modulok mindhároma fürtözési algoritmusokat implementál: autocluster
, basket
és diffpatterns
. A autocluster
és basket
beépülő modul egyetlen rekordhalmazt fürtöz, a diffpatterns
beépülő modul pedig a két rekordhalmaz közötti különbségeket.
Egyetlen rekordhalmaz fürtözése
A gyakori forgatókönyvek közé tartozik egy adott feltétel alapján kiválasztott adathalmaz, például:
- Rendellenes viselkedést megjelenítő időablak
- Magas hőmérsékletű eszközolvasások
- Hosszú időtartamú parancsok
- Leggyakoribb költségfelhasználók: Gyorsan és egyszerűen megtalálhatja az adatok gyakori mintáit (szegmenseit). A minták az adathalmaz olyan részhalmazai, amelyek rekordjai több dimenzión (kategorikus oszlopokon) osztoznak.
A következő lekérdezés tízperces intervallumokban készíti el és jeleníti meg a szolgáltatáskivételeket egy hét alatt:
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")
A szolgáltatáskivételek száma korrelál a teljes szolgáltatásforgalommal. A munkanapok napi mintája egyértelműen látható, hétfőtől péntekig. A szolgáltatáskivételek száma a nap közepén megnőtt, és az éjszaka folyamán csökken. A hétvégén alacsony értékek láthatók. A kivételkiugrások idősorozat-anomáliadetektálással észlelhetők.
Az adatok második csúcsa kedd délután következik be. Az alábbi lekérdezéssel tovább diagnosztizálható és ellenőrizhető, hogy éles kiugrásról van-e szó. A lekérdezés egyperces intervallumokban, nagyobb felbontásban, nyolc óra alatt újrarajzol egy diagramot a csúcs körül. Ezután tanulmányozhatja a határait.
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")
15:00 és 15:02 között keskeny kétperces csúcsot lát. A következő lekérdezésben számolja meg a kivételeket ebben a kétperces ablakban:
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
Darabszám |
---|
972 |
A következő lekérdezésben a 972-ből 20 kivételt láthat:
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 | Region | ScaleUnit | DeploymentId | Nyomkövetési pont | 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 |
Autocluster() használata egyrekordos fürtszolgáltatáshoz
Annak ellenére, hogy ezernél kevesebb kivétel van, továbbra is nehéz közös szegmenseket találni, mivel minden oszlopban több érték található. A beépülő modullal azonnal kinyerheti a autocluster()
gyakori szegmensek rövid listáját, és megkeresheti az érdekes fürtöket a csúcs két percén belül, ahogy az a következő lekérdezésben látható:
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()
Szegmensazonosító | Darabszám | Százalék | Region | 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 | Nyeu | su4 | be1d6d7ac9574cbc9a22cb8ee20f16fc |
A fenti eredményekből látható, hogy a legmeghatározóbb szegmens az összes kivételrekord 65,74%-át tartalmazza, és négy dimenzióval rendelkezik. A következő szegmens sokkal kevésbé gyakori. Csak a rekordok 9,67%-át tartalmazza, és három dimenzióval rendelkezik. A többi szegmens még kevésbé gyakori.
Az Autocluster egy saját fejlesztésű algoritmust használ több dimenzió bányászatához és érdekes szegmensek kinyeréhez. Az "érdekes" azt jelenti, hogy minden szegmens jelentős lefedettséggel rendelkezik mind a rekordhalmazról, mind a funkciókról. A szegmensek is eltérnek, ami azt jelenti, hogy mindegyik különbözik a többitől. Ezek közül a szegmensek közül egy vagy több releváns lehet az RCA-folyamat szempontjából. A szegmensek áttekintésének és értékelésének minimalizálása érdekében az autocluster csak egy kis szegmenslistát nyer ki.
Kosár() használata egyetlen rekordhalmaz-fürtözéshez
A beépülő modult az basket()
alábbi lekérdezésben látható módon is használhatja:
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()
SegmentId | Darabszám | Százalék | Region | ScaleUnit | Üzembehelyezési azonosító | Nyomkövetési pont | 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 | Nyeu | su4 | be1d6d7ac9574cbc9a22cb8ee20f16fc | ||
10 | 92 | 9.46502057613169 | 10007007 | ||||
11 | 90 | 9.25925925925926 | 10007006 | ||||
12 | 57 | 5.8641975308642 | 00000000-0000-0000-0000-000000000000 |
A Basket implementálja az "Apriori" algoritmust az elemkészletek bányászatához. Kinyeri az összes olyan szegmenst, amelynek a rekordhalmaz lefedettsége meghaladja a küszöbértéket (alapértelmezés szerint 5%). Láthatja, hogy további szegmensek lettek kinyerve hasonlókkal, például 0, 1 vagy 2, 3 szegmensekkel.
Mindkét beépülő modul hatékony és könnyen használható. A korlátozás az, hogy egyetlen rekordhalmazt nem felügyelt módon, címkék nélkül fürtöznek. Nem egyértelmű, hogy a kinyert minták a kijelölt rekordhalmazt, a rendellenes rekordokat vagy a globális rekordhalmazt jellemzik-e.
Két rekordhalmaz közötti különbség fürtözése
A diffpatterns()
beépülő modul legyőzi a és basket
a korlátozásátautocluster
. Diffpatterns
két rekordhalmazt vesz fel, és kinyeri a különböző fő szegmenseket. Az egyik készlet általában a vizsgált rendellenes rekordhalmazt tartalmazza. Az egyiket a és basket
a elemziautocluster
. A másik készlet tartalmazza a referenciarekord-készletet, az alapkonfigurációt.
Az alábbi lekérdezésben diffpatterns
érdekes fürtöket talál a csúcs két percén belül, amelyek eltérnek az alapkonfigurációban lévő fürtöktől. Az alapkonfigurációs ablak a csúcs kezdete előtt nyolc perccel, 15:00 előtt van megadva. Egy bináris oszlop (AB) segítségével kiterjeszthető, és megadhatja, hogy egy adott rekord az alapkonfigurációhoz vagy a rendellenes készlethez tartozik-e. Diffpatterns
egy felügyelt tanulási algoritmust implementál, amelyben a két osztálycímkét az anomáliás és az alapkonfiguráció jelzője (AB) hozta létre.
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')
SegmentId | CountA | Darabszám | PercentA | PercentB | PercentDiffAB | Region | ScaleUnit | Üzembehelyezési azonosító | Nyomkövetési pont |
---|---|---|---|---|---|---|---|---|---|
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 | Nyeu | su4 | be1d6d7ac9574cbc9a22cb8ee20f16fc | |
6 | 57 | 204 | 5.86 | 16.56 | 10.69 |
A legmeghatározóbb szegmens ugyanaz a szegmens, amelyet a következő kinyert autocluster
: . A kétperces rendellenes ablak lefedettsége szintén 65,74%. A nyolcperces alapkonfigurációs időszak lefedettsége azonban csak 1,7%. A különbség 64,04%. Ez a különbség a rendellenes kiugráshoz kapcsolódik. A feltételezés ellenőrzéséhez az alábbi lekérdezés felosztja az eredeti diagramot a problémás szegmenshez tartozó rekordokra és a többi szegmensből származó rekordokra.
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
Ez a diagram lehetővé teszi számunkra, hogy láthassuk, hogy a kedd délutáni csúcs az adott szegmens kivételei miatt történt, amelyet a diffpatterns
beépülő modullal észleltek.
Összefoglalás
A Machine Learning beépülő moduljai számos forgatókönyv esetén hasznosak. A autocluster
és basket
implementál egy nem felügyelt tanulási algoritmust, és könnyen használható. Diffpatterns
felügyelt tanulási algoritmust implementál, és bár összetettebb, hatékonyabb az RCA differenciálási szegmenseinek kinyerése szempontjából.
Ezeket a beépülő modulokat interaktív módon használják alkalmi forgatókönyvekben és automatikus, közel valós idejű monitorozási szolgáltatásokban. Az idősor-anomáliadetektálást egy diagnosztikai folyamat követi. A folyamat rendkívül optimalizált, hogy megfeleljen a szükséges teljesítményszabványoknak.
Visszajelzés
https://aka.ms/ContentUserFeedback.
Hamarosan elérhető: 2024-ben fokozatosan kivezetjük a GitHub-problémákat a tartalom visszajelzési mechanizmusaként, és lecseréljük egy új visszajelzési rendszerre. További információ:Visszajelzés küldése és megtekintése a következőhöz: