Deze browser wordt niet meer ondersteund.
Upgrade naar Microsoft Edge om te profiteren van de nieuwste functies, beveiligingsupdates en technische ondersteuning.
Azure Machine Learning maakt gebruik van integratie met Azure Monitor om metrische gegevens en logboeken voor online-eindpunten bij te houden en te bewaken. U kunt metrische gegevens weergeven in grafieken, metrische gegevens vergelijken tussen eindpunten en implementaties, metrische gegevens vastmaken aan dashboards van Azure Portal, waarschuwingen configureren, querylogboektabellen en pushlogboeken naar ondersteunde doelen pushen. U kunt Application Insights ook gebruiken om gebeurtenissen uit gebruikerscontainers te analyseren.
Metrische gegevens: Voor metrische gegevens op eindpuntniveau, zoals latentie van aanvragen, aanvragen per minuut, nieuwe verbindingen per seconde en netwerkbytes, kunt u inzoomen om gedetailleerde informatie weer te geven op implementatieniveau of statusniveau. U kunt ook inzoomen op metrische gegevens op implementatieniveau, zoals CPU-/GPU-gebruik en geheugen- of schijfgebruik op exemplaarniveau. In Monitor kunt u deze metrische gegevens bijhouden in grafieken en u kunt dashboards en waarschuwingen instellen voor verdere analyse.
Logboeken: U kunt metrische gegevens verzenden naar een Log Analytics-werkruimte, waar u de Kusto-querysyntaxis kunt gebruiken om query's uit te voeren op de logboeken. U kunt ook metrische gegevens verzenden naar Azure Storage-accounts of Azure Event Hubs voor verdere verwerking. Voor verkeer-, consolelogboeken (containerlogboeken) en gebeurtenissen met betrekking tot online-eindpunten kunt u speciale logboektabellen gebruiken. Kusto-query's ondersteunen complexe analysemogelijkheden en het samenvoegen van meerdere tabellen.
Application Insights: Gecureerde omgevingen omvatten integratie met Application Insights. U kunt deze integratie in- of uitschakelen wanneer u een online implementatie maakt. Wanneer u deze functie inschakelt, worden ingebouwde metrische gegevens en logboeken verzonden naar Application Insights. Vervolgens kunt u de ingebouwde functies van Application Insights gebruiken voor verdere analyse. Voorbeelden van deze functies zijn live metrische gegevens, de transactiezoekopdracht, de weergave fouten en de prestatieweergave.
In dit artikel ziet u het volgende:
In Azure Portal kunt u pagina's met metrische gegevens weergeven voor online-eindpunten en -implementaties.
Een eenvoudige manier om toegang te krijgen tot pagina's met metrische gegevens is via koppelingen die beschikbaar zijn in de Azure Machine Learning-studio gebruikersinterface. U vindt deze koppelingen op het tabblad Details van de pagina van een eindpunt. Deze koppelingen leiden naar de pagina met metrische gegevens in Azure Portal voor het eindpunt of de implementatie.
Voer de volgende stappen uit om toegang te krijgen tot de pagina's met metrische gegevens via koppelingen die beschikbaar zijn in de studio:
Ga in Azure Machine Learning-studio naar uw werkruimte.
Selecteer onder Assets eindpunten.
Selecteer de naam van een eindpunt.
Selecteer Onder Eindpuntkenmerken de optie Metrische gegevens weergeven.
De pagina met metrische gegevens van het eindpunt wordt geopend in Azure Portal.
Ga in Azure Machine Learning-studio op een eindpuntpagina naar de sectie voor een implementatie en selecteer vervolgens Metrische gegevens weergeven.
De pagina met metrische gegevens van de implementatie wordt geopend in Azure Portal.
Een andere manier om de pagina met metrische gegevens voor een eindpunt of implementatie weer te geven, is om rechtstreeks naar Azure Portal te gaan:
Ga naar de Azure Portal.
Ga naar het online-eindpunt of de implementatieresource.
Online-eindpunten en -implementaties zijn Azure Resource Manager-resources. U kunt ze vinden door naar hun resourcegroep te gaan en vervolgens te zoeken naar het machine learning-online-eindpunt en de online-implementatie van Machine Learning.
Selecteer op de resourcepagina onder Bewaking de optie Metrische gegevens.
De metrische gegevens die u ziet, zijn afhankelijk van de resource die u selecteert. Metrische gegevens voor online-eindpunten en onlineimplementaties hebben een ander bereik.
Zie Ondersteunde metrische gegevens voor Microsoft.MachineLearningServices/workspaces/onlineEndpoints voor informatie over metrische gegevens die beschikbaar zijn in het bereik van het online-eindpunt.
Bandbreedte wordt beperkt als quotumlimieten worden overschreden voor beheerde online-eindpunten. Zie Voor meer informatie over limieten voor online-eindpunten azure Machine Learning online-eindpunten en batcheindpunten in het artikel over quota en limieten in Azure Machine Learning. Om te bepalen of aanvragen worden beperkt:
ms-azureml-bandwidth-request-delay-ms en ms-azureml-bandwidth-response-delay-ms. De waarden van de velden zijn de vertragingen, in milliseconden, van de bandbreedtebeperking.Zie Problemen met bandbreedtelimiet voor meer informatie.
Zie Ondersteunde metrische gegevens voor Microsoft.MachineLearningServices/workspaces/onlineEndpoints/deployments voor meer informatie over metrische gegevens die beschikbaar zijn in het implementatiebereik.
In Monitor kunt u dashboards en waarschuwingen maken die zijn gebaseerd op metrische gegevens.
U kunt aangepaste dashboards maken, zodat u metrische gegevens uit meerdere bronnen in Azure Portal kunt visualiseren, inclusief de metrische gegevens voor uw online-eindpunt. Zie Dashboards van Log Analytics-gegevens maken en delen en aangepaste KPI-dashboards maken met Application Insights voor meer informatie over het maken van dashboards en het visualiseren van query's.
U kunt ook aangepaste waarschuwingen maken, zodat u meldingen ontvangt over belangrijke statusupdates voor uw online-eindpunt:
Ga in Azure Portal naar een pagina met metrische gegevens en selecteer vervolgens Nieuwe waarschuwingsregel.
Selecteer in het venster Een signaal selecteren het signaal waarvoor u een waarschuwing wilt maken en selecteer Vervolgens Toepassen.
Voer op de pagina Een waarschuwingsregel maken een drempelwaarde in en bewerk eventuele andere instellingen die u wilt aanpassen. Zie De voorwaarden voor waarschuwingsregels configureren voor meer informatie over instellingen voor waarschuwingsregels. Selecteer vervolgens Volgende: Acties.
Maak of selecteer een actiegroep in het venster Actiegroepen selecteren om op te geven wat er gebeurt wanneer uw waarschuwing wordt geactiveerd. Zie De details van de waarschuwingsregel configureren voor meer informatie.
Selecteer Controleren + Maken om het maken van uw waarschuwing te voltooien.
U kunt implementaties zo configureren dat deze automatisch worden geschaald op basis van metrische gegevens. Als u de functie voor automatische schaalaanpassing wilt inschakelen, kunt u de gebruikersinterface of code gebruiken.
De opties voor code zijn de Azure Machine Learning CLI en de Azure Machine Learning SDK voor Python. Wanneer u code gebruikt, configureert u de voorwaarden voor het activeren van automatisch schalen door de REST API-naam van metrische gegevens op te geven.
Zie Online-eindpunten automatisch schalen in Azure Machine Learning voor meer informatie.
Er zijn drie logboeken die u kunt inschakelen voor online-eindpunten:
AmlOnlineEndpointTrafficLog: Dit verkeerslogboek biedt een manier om de gegevens van aanvragen naar het eindpunt te controleren. Dit logboek is handig in de volgende gevallen:
ResponseCodeReason kolom in het logboek bevat de reden. Zie HTTPS-statuscodes in het artikel over het oplossen van problemen met online eindpunten voor beschrijvingen van statuscodes en redenen.ModelStatusCode en ModelStatusReason kolommen bevatten deze informatie.AmlOnlineEndpointConsoleLog: dit logboek bevat instructies die de containers als uitvoer naar de console schrijven. Dit logboek is handig in de volgende gevallen:
AmlOnlineEndpointEventLog: dit logboek bevat gebeurtenisgegevens over de levenscyclus van de container. Op dit moment bevat het logboek informatie over de volgende typen gebeurtenissen:
| Naam | Bericht |
|---|---|
| Uitstel | Back-off opnieuw opstarten mislukte container |
| Trok | Containerinstallatiekopieën '<IMAGE_NAME>' die al aanwezig zijn op de computer |
| Dodelijk | De statustest van de containerdeductieserver is mislukt, wordt opnieuw opgestart |
| Gemaakt | Containerinstallatiekopieën ophalen gemaakt |
| Gemaakt | Containerdeductieserver gemaakt |
| Gemaakt | Containermodelkoppeling gemaakt |
| LivenessProbeFailed | Livenesstest mislukt: <FAILURE_CONTENT> |
| ReadinessProbeFailed | Gereedheidstest is mislukt: <FAILURE_CONTENT> |
| Gestart | Containerinstallatiekopieën ophalen gestart |
| Gestart | Containerdeductieserver gestart |
| Gestart | Containermodelkoppeling gestart |
| Dodelijk | Containerdeductieserver stoppen |
| Dodelijk | Containermodelkoppeling stoppen |
Belangrijk
Logboekregistratie maakt gebruik van de Log Analytics-functie van Monitor. Als u momenteel geen Log Analytics-werkruimte hebt, kunt u er een maken door de stappen in Een werkruimte maken.
Ga in Azure Portal naar de resourcegroep die uw eindpunt bevat en selecteer vervolgens het eindpunt.
Selecteer diagnostische instellingen onder Bewaking en selecteer vervolgens Diagnostische instelling toevoegen.
Voer in het venster Diagnostische instelling de volgende gegevens in:
Selecteer Opslaan.
Belangrijk
Het kan een uur duren voordat de verbinding met de Log Analytics-werkruimte beschikbaar is. Wacht een uur voordat u verdergaat met de stappen in de volgende sectie.
Verzend scoreaanvragen naar het eindpunt om vermeldingen in de logboeken te maken.
Ga naar de Azure Portal. Gebruik een van de volgende opties om de logboeken te openen:
Sluit het venster Querys Hub dat standaard wordt geopend.
Dubbelklik onder Overige op AmlOnlineEndpointConsoleLog. Als u AmlOnlineEndpointConsoleLog niet ziet, voert u die waarde in het zoekveld in.
Selecteer Uitvoeren.
Er zijn voorbeeldquery's beschikbaar die u kunt gebruiken. Voer de volgende stappen uit om de query's weer te geven:
Selecteer query's op de pagina Logboeken.
Voer in het zoekvak het online-eindpunt in.
De volgende tabellen bevatten gedetailleerde informatie over de gegevens die in elk logboek zijn opgeslagen:
| Eigenschappen | Beschrijving |
|---|---|
| methode | De methode die de client aanvraagt. |
| Pad | Het pad dat de client aanvraagt. |
| SubscriptionId | De id van het machine learning-abonnement van het online-eindpunt. |
| AzureMLWorkspaceId | De machine learning-werkruimte-id van het online-eindpunt. |
| AzureMLWorkspaceName | De naam van de machine learning-werkruimte van het online-eindpunt. |
| EndpointName | De naam van het online-eindpunt. |
| DeploymentName | De naam van de online-implementatie. |
| Protocol | Het protocol van de aanvraag. |
| ResponseCode | De uiteindelijke antwoordcode die wordt geretourneerd naar de client. |
| ResponseCodeReason | De laatste reden van de antwoordcode die wordt geretourneerd naar de client. |
| ModelStatusCode | De antwoordstatuscode van het model. |
| ModelStatusReason | De reden van de reactiestatus van het model. |
| RequestPayloadSize | Het totale aantal bytes dat van de client is ontvangen. |
| ResponsePayloadSize | Het totale aantal bytes dat naar de client is verzonden. |
| UserAgent | De header van de gebruiker-agent van de aanvraag, inclusief opmerkingen, maar wordt afgekapt tot maximaal 70 tekens. |
| XRequestId | De aanvraag-id die Azure Machine Learning genereert voor interne tracering. |
| XMSClientRequestId | De tracerings-id die de client genereert. |
| TotalDurationMs | De duur in milliseconden van de begintijd van de aanvraag tot de tijd dat de laatste reactie-byte naar de client wordt verzonden. Als de client de verbinding verbreekt, wordt de duur van de begintijd naar de client verbroken. |
| RequestDurationMs | De duur in milliseconden van de begintijd van de aanvraag tot de tijd dat de laatste byte van de aanvraag van de client wordt ontvangen. |
| ResponseDurationMs | De duur in milliseconden van de begintijd van de aanvraag tot de tijd dat de eerste reactie-byte wordt gelezen uit het model. |
| RequestThrottlingDelayMs | De vertraging in milliseconden in de aanvraaggegevensoverdracht vanwege netwerkbeperking. |
| ResponseThrottlingDelayMs | De vertraging in milliseconden in de reactiegegevensoverdracht vanwege netwerkbeperking. |
| Eigenschappen | Beschrijving |
|---|---|
| TimeGenerated | Het UTC-tijdstempel van het tijdstip waarop het logboek wordt gegenereerd |
| OperationName | De bewerking die is gekoppeld aan de logboekrecord |
| InstanceId | De id van het exemplaar dat de logboekrecord genereert |
| DeploymentName | De naam van de implementatie die is gekoppeld aan de logboekrecord |
| ContainerName | De naam van de container waarin het logboek wordt gegenereerd |
| Bericht | De inhoud van het logboek |
| Eigenschappen | Beschrijving |
|---|---|
| TimeGenerated | Het UTC-tijdstempel van het tijdstip waarop het logboek wordt gegenereerd |
| OperationName | De bewerking die is gekoppeld aan de logboekrecord |
| InstanceId | De id van het exemplaar dat de logboekrecord genereert |
| DeploymentName | De naam van de implementatie die is gekoppeld aan de logboekrecord |
| Naam | De naam van de gebeurtenis |
| Bericht | De inhoud van de gebeurtenis |
Gecureerde omgevingen omvatten integratie met Application Insights. Via deze integratie worden ingebouwde metrische gegevens en logboeken verzonden naar Application Insights. Als gevolg hiervan kunt u ingebouwde Application Insights-functies gebruiken voor verdere analyse. Voorbeelden van deze functies zijn live metrische gegevens, de transactiezoekopdracht, de weergave fouten en de prestatieweergave.
Zie Application Insights-overzicht voor meer informatie.
U kunt integratie met Application Insights inschakelen wanneer u een online implementatie in de studio maakt. Selecteer Ingeschakeld op de pagina Implementatie onder Diagnostische gegevens van Application Insights.
Wanneer u Application Insights inschakelt, kunt u grafieken van activiteitenmonitoren op hoog niveau bekijken voor een beheerd online-eindpunt. Ga in de studio naar de pagina van het eindpunt en selecteer vervolgens het tabblad Bewaking .
Training
Leertraject
Use advance techniques in canvas apps to perform custom updates and optimization - Training
Use advance techniques in canvas apps to perform custom updates and optimization
Certificering
Microsoft 365 Gecertificeerd: Eindpuntbeheerder Associate - Certifications
Plan en voer een strategie voor eindpuntimplementatie uit met behulp van essentiële elementen van moderne beheer- en co-beheermethoden en Microsoft Intune-integratie.