Memecahkan masalah API multivariat

Artikel ini menyediakan panduan tentang cara memecahkan masalah dan meremediasi pesan kesalahan saat Anda menggunakan API multivariat Anomaly Detector Azure Cognitive Services.

Kode galat multivariat

Tabel berikut mencantumkan kode kesalahan multivariat.

Kesalahan umum

Kode kesalahan Kode galat HTTP Pesan kesalahan Komentar
SubscriptionNotInHeaders 400 apim-subscription-id tidak ditemukan di header. Tambahkan ID langganan APIM Anda di header. Contoh header adalah {"apim-subscription-id": <Your Subscription ID>}.
FileNotExist 400 <Sumber> file tidak ada. Periksa validitas tanda tangan akses bersama blob Anda. Pastikan itu belum kedaluwarsa.
InvalidBlobURL 400 Tanda tangan akses bersama blob Anda bukan tanda tangan akses bersama yang valid.
StorageWriteError 403 Kesalahan ini mungkin disebabkan oleh masalah izin. Layanan kami tidak diizinkan untuk menulis data ke blob yang dienkripsi oleh kunci yang dikelola pelanggan. Hapus kunci yang dikelola pelanggan atau berikan akses ke layanan kami lagi. Untuk informasi selengkapnya, lihat Mengonfigurasi kunci yang dikelola pelanggan dengan Azure Key Vault untuk Cognitive Services.
StorageReadError 403 Sama seperti StorageWriteError.
UnexpectedError 500 Hubungi kami dengan informasi kesalahan terperinci. Anda dapat mengambil opsi dukungan dari opsi dukungan dan bantuan Azure Cognitive Services atau mengirim email kepada kami di AnomalyDetector@microsoft.com.

Melatih model deteksi anomali multivariat

Kode kesalahan Kode galat HTTP Pesan kesalahan Komentar
TooManyModels 400 Langganan ini telah mencapai angka model maksimum. Setiap ID berlangganan APIM diperbolehkan memiliki 300 model aktif. Hapus model yang tidak digunakan sebelum Anda melatih model baru.
TooManyRunningModels 400 Langganan ini telah mencapai jumlah maksimum model yang berjalan. Setiap ID langganan APIM diizinkan untuk melatih lima model secara bersamaan. Latih model baru setelah model sebelumnya telah menyelesaikan proses pelatihan mereka.
InvalidJsonFormat 400 Format JSON tidak valid. Permintaan pelatihan bukanlah JSON yang valid.
InvalidAlignMode 400 Bidang 'alignMode' harus berupa salah satu dari yang berikut: 'Inner' atau 'Outer' . Periksa nilai 'alignMode', yang harus berupa 'Inner' atau 'Outer' (peka huruf besar/kecil).
InvalidFillNAMethod 400 Bidang 'fillNAMethod' harus berupa salah satu dari yang berikut: 'Previous', 'Subsequent', 'Linear', 'Zero', 'Fixed', 'NotFill'. Tidak bisa 'NotFill' saat 'alignMode' adalah 'Outer'. Periksa nilai 'fillNAMethod'. Untuk informasi selengkapnya, lihat Praktik terbaik untuk menggunakan API multivariat Anomaly Detector.
RequiredPaddingValue 400 Bidang 'paddingValue' diperlukan dalam permintaan ketika 'fillNAMethod' adalah 'Fixed'. Anda perlu memberikan nilai padding yang valid ketika 'fillNAMethod' adalah 'Fixed'. Untuk informasi selengkapnya, lihat Praktik terbaik untuk menggunakan API multivariat Anomaly Detector.
RequiredSource 400 Bidang 'source' diperlukan dalam permintaan. Permintaan pelatihan Anda belum menentukan nilai untuk bidang 'source'. Contohnya adalah {"source": <Your Blob SAS>}.
RequiredStartTime 400 Bidang 'startTime' diperlukan dalam permintaan. Permintaan pelatihan Anda belum menentukan nilai untuk bidang 'startTime'. Contohnya adalah {"startTime": "2021-01-01T00:00:00Z"}.
InvalidTimestampFormat 400 Format stempel waktu tidak valid. Format <timestamp> bukan format valid. Format stempel waktu dalam isi permintaan tidak benar. Coba import pandas as pd; pd.to_datetime(timestamp) untuk memverifikasi.
RequiredEndTime 400 Bidang 'endTime' diperlukan dalam permintaan. Permintaan pelatihan Anda belum menentukan nilai untuk bidang 'startTime'. Contohnya adalah {"endTime": "2021-01-01T00:00:00Z"}.
InvalidSlidingWindow 400 Bidang 'slidingWindow' harus berupa bilangan bulat antara 28 dan 2880. Bidang 'slidingWindow' harus berupa antara 28 dan 2880 (inklusif).

Mendapatkan model multivariat dengan ID model

Kode kesalahan Kode galat HTTP Pesan kesalahan Komentar
ModelNotExist 404 Model tidak ada. Model dengan ID model yang sesuai tidak ada. Periksa ID model di URL permintaan.

Membuat daftar model multivariat

Kode kesalahan Kode galat HTTP Pesan kesalahan Komentar
InvalidRequestParameterError 400 Nilai tidak valid untuk $skip atau $top. Periksa apakah nilai untuk dua parameter bersifat numerik. Nilai $skip dan $top digunakan untuk membuat daftar model dengan penomoran halaman. Karena API hanya mengembalikan 10 model yang paling baru diperbarui, Anda dapat menggunakan $skip dan $top untuk mendapatkan model yang diperbarui sebelumnya.

Deteksi anomali dengan model terlatih

Kode kesalahan Kode galat HTTP Pesan kesalahan Komentar
ModelNotExist 404 Model tidak ada. Model yang digunakan untuk inferensi tidak ada. Periksa ID model di URL permintaan.
ModelFailed 400 Model gagal dilatih. Model ini tidak berhasil dilatih. Dapatkan informasi terperinci dengan mendapatkan model dengan ID model.
ModelNotReady 400 Model belum siap. Model belum siap. Tunggu beberapa saat sampai proses pelatihan selesai.
InvalidFileSize 413 File <file> melebihi batas ukuran file (<batas ukuran> byte). Ukuran data inferensi melebihi batas atas, yang saat ini 2 GB. Gunakan lebih sedikit data untuk inferensi.

Mendapatkan hasil deteksi

Kode kesalahan Kode galat HTTP Pesan kesalahan Komentar
ResultNotExist 404 Hasil tidak ada. Hasil per permintaan tidak ada. Inferensi belum selesai atau hasilnya telah kedaluwarsa. Waktu kedaluwarsa adalah tujuh hari.

Kesalahan pemrosesan data

Kode kesalahan berikut tidak memiliki kode kesalahan HTTP terkait.

Kode kesalahan Pesan kesalahan Komentar
NoVariablesFound Tidak ada variabel yang ditemukan. Periksa apakah file Anda diatur sesuai petunjuk. Tidak ada file CSV yang dapat ditemukan dari sumber data. Kesalahan ini biasanya disebabkan oleh organisasi file yang salah. Lihat data sampel untuk struktur yang diinginkan.
DuplicatedVariables Ada beberapa variabel dengan nama yang sama. Ada nama variabel duplikat.
FileNotExist File <filename> tidak ada. Kesalahan ini biasanya terjadi selama inferensi. Variabel telah muncul dalam data pelatihan tetapi hilang dalam data inferensi.
RedundantFile File <filename> redundan. Kesalahan ini biasanya terjadi selama inferensi. Variabel tidak ada dalam data pelatihan tetapi muncul dalam data inferensi.
FileSizeTooLarge Ukuran file <filename> terlalu besar. Ukuran file CSV tunggal <filename> melebihi batas. Berlatihlah dengan lebih sedikit data.
ReadingFileError Kesalahan terjadi saat membaca <filename>. <pesan kesalahan> Gagal membaca file <filename>. Untuk informasi selengkapnya, lihat <pesan kesalahan> atau verifikasi dengan pd.read_csv(filename) di lingkungan lokal.
FileColumnsNotExist Stempel waktu atau nilai kolom di file <filename> tidak ada. Setiap file CSV harus memiliki dua kolom dengan nama stempel waktu dan nilai (peka huruf besar/kecil).
VariableParseError Kesalahan <error message> penguraian variabel <variable>. Tidak dapat memproses <variabel> karena kesalahan runtime. Untuk informasi selengkapnya, lihat <pesan kesalahan> atau hubungi kami dengan <pesan kesalahan>.
MergeDataFailed Gagal menggabungkan data. Periksa format data. Penggabungan data gagal. Kesalahan ini mungkin terjadi karena format data yang salah atau organisasi file yang salah. Lihat data sampel untuk struktur file saat ini.
ColumnNotFound Kolom <column> tidak dapat ditemukan dalam data gabungan. Kolom hilang setelah digabungkan. Memverifikasi data.
NumColumnsMismatch Jumlah kolom data gabungan tidak sesuai dengan jumlah variabel. Memverifikasi data.
TooManyData Terlalu banyak poin data. Angka maksimum adalah 1000000 per variabel. Kurangi ukuran data input.
NoData Tidak ada data yang efektif. Tidak ada data untuk melatih/inferensi setelah diproses. Periksa waktu mulai dan waktu akhir.
DataExceedsLimit. Panjang data yang stempel waktunya antara startTime dan endTime melebihi batas(<limit>). Ukuran data setelah diproses melebihi batas. Saat ini, tidak ada batasan pada data yang diproses.
NotEnoughInput Tidak memiliki data yang cukup. Panjang data adalah <panjang data>, tetapi panjang minimum harus lebih besar dari jendela geser, yaitu <ukuran jendela geser>. Jumlah minimum poin data untuk inferensi adalah ukuran jendela geser. Cobalah untuk memberikan lebih banyak data untuk inferensi.