Rapport Afwijkingen

Opmerking

Deze mogelijkheid is beschikbaar als een Intune-invoegtoepassing. Zie Invoegtoepassingsmogelijkheden van Intune Suite gebruiken voor meer informatie.

Het rapport over afwijkingen in Geavanceerde analyse helpt IT-beheerders proactief apparaatstatusproblemen te identificeren voordat ze van invloed zijn op gebruikers. Het bewaakt op vastgelopen toepassingen, crashes en stopfout opnieuw opstarten, waardoor problemen zichtbaar zijn voordat ze ondersteuningskanalen bereiken.

De functie correleert implementatieobjecten en configuratiewijzigingen om het oplossen van problemen te versnellen en hoofdoorzaken voor te stellen. Apparaatcorrelatiegroepen onthullen patronen tussen betrokken apparaten en markeren anderen die risico lopen.

Voordat u begint

• Bekijk scores, basislijnen en inzichten in eindpuntanalyses om deze concepten te begrijpen.
• Controleer of uw omgeving voldoet aan alle vereisten.

Het rapport bekijken

1. Selecteer in het Microsoft Intune-beheercentrum De optieOverzichtvan eindpuntanalyses>>.
2. Selecteer het tabblad Afwijkingen , dat een overzicht biedt van de anomalieën die in uw organisatie zijn gedetecteerd.

• Gebruik sorteer- en filtermogelijkheden om de lijst met afwijkingen te verfijnen.
• Als u meer informatie over een specifieke anomalie wilt weergeven, selecteert u deze in de lijst. Bekijk details zoals de naam van de app, de betreffende apparaten, wanneer het probleem voor het eerst is gedetecteerd en voor het laatst is opgetreden, en eventuele apparaatgroepen die mogelijk bijdragen aan het probleem.
• Selecteer een correlatiegroep voor apparaten in de lijst om algemene factoren tussen apparaten te zien. Apparaten worden gecorreleerd door gedeelde kenmerken, zoals app-versie, stuurprogramma-update, besturingssysteemversie of apparaatmodel. U kunt het aantal apparaten bekijken dat momenteel wordt beïnvloed en de apparaten die risico lopen. De prevalentie geeft het percentage getroffen apparaten in een correlatiegroep weer.
• Selecteer Beïnvloede apparaten weergeven om een lijst met apparaten met belangrijke kenmerken weer te geven. Filter om apparaten in specifieke correlatiegroepen weer te geven of alle apparaten weer te geven die worden beïnvloed door de anomalie. In de tijdlijn van het apparaat worden ook aanvullende afwijkende gebeurtenissen weergegeven.

Anomaliedetectiegegevens controleren

Onderzoek gemarkeerde apparaatcorrelatiegroepen met behulp van de tijdlijn van het apparaat en resourcerapporten om de hoofdoorzaken te bepalen. Apparaatcorrelatiegroepen helpen bij het identificeren van hoofdoorzaken voor afwijkingen met hoge en gemiddelde ernst, evenals risicoapparaten die in de toekomst kunnen worden beïnvloed.

Aanbevolen procedures:

• Bekijk regelmatig het dashboard afwijkingen om inzicht te krijgen in de huidige basislijn en prioriteit te geven aan onderzoeken en oplossingen voor nieuwe problemen.
• Onderzoek nieuwe gerapporteerde problemen om veelvoorkomende factoren, zoals apparaathardware, te identificeren, zoals wordt weergegeven in geavanceerde analyses.
• Geef prioriteit aan afwijkingen die moeten worden onderzocht op basis van ernst en interne kennis, zoals toepassingskritiek.
• Gebruik het tijdlijnrapport van het apparaat om te controleren op patronen, zoals opnieuw opstarten van apparaten of updates die zijn gekoppeld aan afwijkingen.
• Werk met IT-teams om andere factoren te identificeren, zoals recente toepassingsupdates, die van invloed kunnen zijn op afwijkingen.
• Bekijk mogelijke herstelacties die zijn vermeld in het anomalierapport (bijvoorbeeld stuurprogramma- of toepassingsupdates).
• Integreer oplossingen in L1/L2-ondersteuning om teams op de hoogte te houden van actuele bekende problemen. Overweeg samen te werken met uw ITSM-team om bekende afwijkingen vast te leggen die worden onderzocht.
• Test herstelacties op een subset van apparaten en bewaak de resultaten voordat u naar meer apparaten uitrolt. Na herstel wordt proactief uitgerold naar apparaten die risico lopen.
• Bekijk anomalierapporten na grote updates of incidenten om te controleren op nieuwe problemen die moeten worden onderzocht en opgelost.
• Bekijk de statistische modellen die door anomaliedetectie worden gebruikt om meer inzicht te krijgen in detectie van detectie van afwijkingen.

Statistische modellen voor het bepalen van afwijkingen

Het analytische model detecteert apparaatcohorten die te maken hebben met afwijkende sets stopfout opnieuw opstarten en toepassingen die vastlopen of vastlopen die aandacht van de beheerder vereisen. Patronen die zijn geïdentificeerd op basis van sensortelemetrie- en diagnostische logboeken, bepalen deze apparaatcohorten.

• Heuristisch model op basis van drempelwaarden: met dit model worden een of meer drempelwaarden ingesteld voor het vastlopen van toepassingen, het vastlopen of het opnieuw opstarten van stopfouten. Apparaten worden gemarkeerd als afwijkend als ze de ingestelde drempelwaarde overschrijden. Het model is eenvoudig en effectief om prominente of statische problemen op te sporen. Drempelwaarden zijn momenteel vooraf bepaald en kunnen niet worden aangepast.
• Gekoppeld t-testmodel: gekoppelde t-tests vergelijken paren van waarnemingen in een gegevensset, op zoek naar statistisch significante verschillen tussen hun middelen. Vergelijk bijvoorbeeld stopfout opnieuw op hetzelfde apparaat voor en na een beleidswijziging, of app loopt vast na een update van het besturingssysteem.
• Z-scoremodel voor populatie: dit model berekent de standaarddeviatie en het gemiddelde van een gegevensset en gebruikt deze waarden om te bepalen welke gegevenspunten afwijkend zijn. De Z-score voor elk gegevenspunt geeft het aantal standaarddeviaties van het gemiddelde aan. Gegevenspunten buiten een bepaald bereik worden beschouwd als afwijkend. Dit model is heel geschikt voor het markeren van uitbijterapparaten of apps, maar vereist dat grote gegevenssets nauwkeurig zijn.
• Tijdreeks Z-scoremodel: deze variant van het Z-scoremodel is ontworpen voor het detecteren van afwijkingen in tijdreeksgegevens, reeksen van gegevenspunten die regelmatig worden verzameld, zoals Stop Error Restarts in de loop van de tijd. Standaarddeviatie en gemiddelde worden berekend voor een schuifvenster, zodat het model zich kan aanpassen aan tijdelijke patronen en wijzigingen in de gegevensdistributie.

Opmerking

Apparaatcohorten worden alleen geïdentificeerd voor afwijkingen met een gemiddelde en hoge ernst.