Dela via

Felsöka multivariat-API:et

  • Artikel

Viktigt!

Från och med den 20 september 2023 kan du inte skapa nya Avvikelseidentifiering resurser. Tjänsten Avvikelseidentifiering dras tillbaka den 1 oktober 2026.

Den här artikeln innehåller vägledning om hur du felsöker och åtgärdar vanliga felmeddelanden när du använder Azure AI-Avvikelseidentifiering multivariat-API.

Felkoder för flera koder

I följande tabeller listas felkoder för flera koder.

Vanliga fel

Felkod HTTP-felkod Felmeddelande Kommentar
SubscriptionNotInHeaders 400 apim-subscription-id hittades inte i rubriker. Lägg till ditt APIM-prenumerations-ID i rubriken. Ett exempelhuvud är {"apim-subscription-id": <Your Subscription ID>}.
FileNotExist 400 Filkällan <> finns inte. Kontrollera giltigheten för signaturen för delad blobåtkomst. Kontrollera att den inte har upphört att gälla.
InvalidBlobURL 400 Signaturen för delad blobåtkomst är inte en giltig signatur för delad åtkomst.
StorageWriteError 403 Det här felet kan orsakas av behörighetsproblem. Vår tjänst kan inte skriva data till bloben som krypterats av en kundhanterad nyckel. Ta antingen bort den kundhanterade nyckeln eller bevilja åtkomst till vår tjänst igen. Mer information finns i Konfigurera kundhanterade nycklar med Azure Key Vault för Azure AI-tjänster.
StorageReadError 403 Samma som StorageWriteError.
UnexpectedError 500 Kontakta oss med detaljerad felinformation. Du kan använda supportalternativen från Azure AI-tjänsters support och hjälpalternativ eller skicka ett e-postmeddelande till oss på AnomalyDetector@microsoft.com.

Träna en modell för multivariatavvikelseidentifiering

Felkod HTTP-felkod Felmeddelande Kommentar
TooManyModels 400 Den här prenumerationen har nått det maximala antalet modeller. Varje APIM-prenumerations-ID tillåts ha 300 aktiva modeller. Ta bort oanvända modeller innan du tränar en ny modell.
TooManyRunningModels 400 Den här prenumerationen har nått det maximala antalet modeller som körs. Varje APIM-prenumerations-ID tillåts träna fem modeller samtidigt. Träna en ny modell efter att tidigare modeller har slutfört sin utbildningsprocess.
InvalidJsonFormat 400 Ogiltigt JSON-format. Träningsbegäran är inte en giltig JSON.
InvalidAlignMode 400 Fältet 'alignMode' måste vara något av följande: 'Inner' eller 'Outer' . Kontrollera värdet 'alignMode'för , som ska vara antingen 'Inner' eller 'Outer' (skiftlägeskänsligt).
InvalidFillNAMethod 400 Fältet 'fillNAMethod' måste vara något av följande: 'Previous', 'Subsequent', 'Linear', 'Zero', , 'Fixed', 'NotFill'. Det kan inte vara 'NotFill' när 'alignMode' är 'Outer'. Kontrollera värdet 'fillNAMethod'för . Mer information finns i Metodtips för att använda Avvikelseidentifiering multivariat-API.
RequiredPaddingValue 400 Fältet 'paddingValue' krävs i begäran när 'fillNAMethod' är 'Fixed'. Du måste ange ett giltigt utfyllnadsvärde när 'fillNAMethod' är 'Fixed'. Mer information finns i Metodtips för att använda Avvikelseidentifiering multivariat-API.
RequiredSource 400 Fältet 'source' krävs i begäran. Din träningsbegäran har inte angett något värde för fältet 'source' . Ett exempel är {"source": <Your Blob SAS>}.
RequiredStartTime 400 Fältet 'startTime' krävs i begäran. Din träningsbegäran har inte angett något värde för fältet 'startTime' . Ett exempel är {"startTime": "2021-01-01T00:00:00Z"}.
InvalidTimestampFormat 400 Ogiltigt tidsstämpelformat. Formatet <timestamp> är inte ett giltigt format. Formatet för tidsstämpeln i begärandetexten är inte korrekt. Försök import pandas as pd; pd.to_datetime(timestamp) att verifiera.
RequiredEndTime 400 Fältet 'endTime' krävs i begäran. Din träningsbegäran har inte angett något värde för fältet 'startTime' . Ett exempel är {"endTime": "2021-01-01T00:00:00Z"}.
InvalidSlidingWindow 400 Fältet 'slidingWindow' måste vara ett heltal mellan 28 och 2880. Fältet 'slidingWindow' måste vara ett heltal mellan 28 och 2880 (inklusive).

Hämta en multivariatmodell med ett modell-ID

Felkod HTTP-felkod Felmeddelande Kommentar
ModelNotExist 404 Modellen finns inte. Modellen med motsvarande modell-ID finns inte. Kontrollera modell-ID:t i begärande-URL:en.

Lista modeller med flera variat

Felkod HTTP-felkod Felmeddelande Kommentar
InvalidRequestParameterError 400 Ogiltiga värden för $skip eller $top. Kontrollera om värdena för de två parametrarna är numeriska. Värdena $skip och $top används för att lista modellerna med sidnumrering. Eftersom API:et bara returnerar de 10 senast uppdaterade modellerna kan du använda $skip och $top för att få modeller uppdaterade tidigare.

Avvikelseidentifiering med en tränad modell

Felkod HTTP-felkod Felmeddelande Kommentar
ModelNotExist 404 Modellen finns inte. Den modell som används för slutsatsdragning finns inte. Kontrollera modell-ID:t i begärande-URL:en.
ModelFailed 400 Det gick inte att träna modellen. Modellen har inte tränats. Få detaljerad information genom att hämta modellen med modell-ID.
ModelNotReady 400 Modellen är inte klar än. Modellen är inte redo än. Vänta ett tag tills träningsprocessen är klar.
InvalidFileSize 413 Filfilen><överskrider filstorleksgränsen (<byte för storleksgräns>). Storleken på slutsatsdragningsdata överskrider den övre gränsen, som för närvarande är 2 GB. Använd mindre data för slutsatsdragning.

Hämta identifieringsresultat

Felkod HTTP-felkod Felmeddelande Kommentar
ResultNotExist 404 Resultatet finns inte. Resultatet per begäran finns inte. Antingen har slutsatsdragningen inte slutförts eller så har resultatet upphört att gälla. Förfallotiden är sju dagar.

Databearbetningsfel

Följande felkoder har inte associerade HTTP-felkoder.

Felkod Felmeddelande Kommentar
NoVariablesFound Inga variabler hittades. Kontrollera att filerna är ordnade enligt instruktioner. Det gick inte att hitta några CSV-filer från datakällan. Det här felet orsakas vanligtvis av felaktig organisation av filer. Se exempeldata för önskad struktur.
DuplicatedVariables Det finns flera variabler med samma namn. Det finns duplicerade variabelnamn.
FileNotExist Filfilnamnet <> finns inte. Det här felet inträffar vanligtvis under slutsatsdragningen. Variabeln har dykt upp i träningsdata men saknas i slutsatsdragningsdata.
RedundantFile Filfilnamnet <> är redundant. Det här felet inträffar vanligtvis under slutsatsdragningen. Variabeln fanns inte i träningsdata men visades i slutsatsdragningsdata.
FileSizeTooLarge Filnamnsstorleken <> är för stor. Storleken på det enskilda CSV-filnamnet <> överskrider gränsen. Träna med mindre data.
ReadingFileError Fel uppstod vid läsning av <filnamn>. <Felmeddelanden> Det gick inte att läsa filnamnet<>. Mer information finns i felmeddelandena <> eller verifiera med pd.read_csv(filename) i en lokal miljö.
FileColumnsNotExist Tidsstämpeln eller värdet för kolumner i filfilnamnet <> finns inte. Varje CSV-fil måste ha två kolumner med namntidsstämpeln och värdet (skiftlägeskänsligt).
VariableParseError Felmeddelande <för variabelvariabelparse<>>. Det går inte att bearbeta variabeln <> på grund av körningsfel. Mer information finns i felmeddelandet <> eller kontakta oss med felmeddelandet<>.
MergeDataFailed Det gick inte att sammanfoga data. Kontrollera dataformatet. Datasammanfogning misslyckades. Det här felet kan bero på fel dataformat eller felaktig organisation av filer. Se exempeldata för den aktuella filstrukturen.
ColumnNotFound Det går inte att hitta kolumnkolumnen <> i de sammanfogade data. En kolumn saknas efter sammanslagning. Verify the data.
NumColumnsMismatch Antalet kolumner med sammanfogade data matchar inte antalet variabler. Verify the data.
TooManyData För många datapunkter. Maximalt antal är 1000000 per variabel. Minska storleken på indata.
NoData Det finns inga effektiva data. Det finns inga data att träna/dra slutsatser efter bearbetningen. Kontrollera starttid och sluttid.
DataExceedsLimit. Längden på data vars tidsstämpel är mellan startTime och endTime överskrider gräns(<gräns>). Datastorleken efter bearbetningen överskrider gränsen. För närvarande finns det ingen gräns för bearbetade data.
NotEnoughInput Inte tillräckligt med data. Datalängden är <datalängd>, men den minsta längden bör vara större än skjutfönster, vilket är <skjutfönsterstorlek>. Det minsta antalet datapunkter för slutsatsdragning är storleken på skjutfönstret. Försök att ange mer data för slutsatsdragning.