Rapport över avvikelser

Obs!

Den här funktionen är tillgänglig som ett Intune tillägg. Mer information finns i Använda Intune Suite-tilläggsfunktioner.

Rapporten om avvikelser i Advanced Analytics hjälper IT-administratörer att proaktivt identifiera problem med enhetens hälsotillstånd innan de påverkar användarna. Den övervakar programlåsningar, krascher och omstarter av stoppfel, vilket ger insyn i problem innan de når supportkanalerna.

Funktionen korrelerar distributionsobjekt och konfigurationsändringar för att påskynda felsökningen och föreslå rotorsaker. Enhetskorrelationsgrupper visar mönster bland berörda enheter och flaggar andra som är i riskzonen.

Innan du börjar

• Granska Poäng, baslinjer och insikter i slutpunktsanalys för att förstå dessa begrepp.
• Kontrollera att din miljö uppfyller alla krav.

Granska rapporten

1. I Microsoft Intune administrationscenter väljer duÖversikt överslutpunktsanalys> för rapporter>.
2. Välj fliken Avvikelser , som ger en översikt över de avvikelser som har identifierats i din organisation.

• Använd sorterings- och filtreringsfunktioner för att förfina listan över avvikelser.
• Om du vill visa mer information om en specifik avvikelse väljer du den i listan. Granska information som appnamn, berörda enheter, när problemet först upptäcktes och senast inträffade och eventuella enhetsgrupper som kan bidra till problemet.
• Välj en enhet korrelationsgrupp i listan för att se vanliga faktorer mellan enheter. Enheter korreleras med delade attribut som appversion, drivrutinsuppdatering, OS-version eller enhetsmodell. Du kan visa antalet enheter som för närvarande påverkas och vilka som är i riskzonen. Prevalensfrekvensen visar procentandelen av berörda enheter i en korrelationsgrupp.
• Välj Visa berörda enheter för att visa en lista över enheter med nyckelattribut. Filtrera för att visa enheter i specifika korrelationsgrupper eller visa alla enheter som påverkas av avvikelsen. Enhetens tidslinje visar även ytterligare avvikande händelser.

Granska avvikelseidentifieringsdata

Undersök flaggade enhetskorrelationsgrupper med hjälp av enhetens tidslinje och resursrapporter för att fastställa rotorsaker. Enhetskorrelationsgrupper hjälper till att identifiera rotorsaker till avvikelser med hög och medelhög allvarlighetsgrad, samt riskenheter som kan påverkas i framtiden.

Metodtips:

• Granska regelbundet instrumentpanelen för avvikelser för att förstå den aktuella baslinjen och prioritera undersökningar och lösningar för nya problem.
• Undersök nya rapporterade problem för att identifiera vanliga faktorer, till exempel enhetsmaskinvara, som du ser i avancerad analys.
• Prioritera avvikelser för att undersöka baserat på allvarlighetsgrad och intern kunskap, till exempel programkritiskhet.
• Använd rapporten för enhetens tidslinje för att söka efter mönster, till exempel omstarter av enheter eller uppdateringar som är kopplade till avvikelser.
• Arbeta med IT-team för att identifiera andra faktorer, till exempel de senaste programuppdateringarna, som kan påverka avvikelser.
• Granska möjliga åtgärder som anges i avvikelserapporten (till exempel drivrutins- eller programuppdateringar).
• Integrera lösningar i L1/L2-stöd för att hålla teamen medvetna om aktuella kända problem. Överväg att arbeta med ITSM-teamet för att registrera kända avvikelser under utredning.
• Testa reparationsåtgärder på en delmängd av enheter och övervaka resultat innan du distribuerar till fler enheter. Efter reparationen distribuerar du proaktivt till riskenheter.
• Granska rapporter om avvikelser efter större uppdateringar eller incidenter för att söka efter nya problem som behöver undersökas och lösas.
• Om du vill förstå identifieringsmetoderna bättre kan du granska de statistiska modeller som används av avvikelseidentifiering.

Statistiska modeller för att fastställa avvikelser

Analysmodellen identifierar enhetskohorter som står inför avvikande uppsättningar av omstarter av stoppfel och programmet låser sig eller kraschar som behöver administratörsuppmärksamhet. Mönster som identifieras från sensortelemetri- och diagnostikloggar bestämmer dessa enhetskohorter.

• Tröskelbaserad heuristikmodell: Den här modellen anger ett eller flera tröskelvärden för programlåsningar, krascher eller omstarter av stoppfel. Enheter flaggas som avvikande om de överskrider det angivna tröskelvärdet. Modellen är enkel och effektiv för att visa framträdande eller statiska problem. Tröskelvärden är för närvarande fördefinierade och kan inte anpassas.
• Parad t-testmodell: Parade t-tester jämför par av observationer i en datamängd och letar efter statistiskt signifikanta skillnader mellan deras medel. Du kan till exempel jämföra omstarter av stoppfel på samma enhet före och efter en principändring, eller så kraschar appen efter en OS-uppdatering.
• Population Z-poängmodell: Den här modellen beräknar standardavvikelsen och medelvärdet för en datamängd och använder sedan dessa värden för att avgöra vilka datapunkter som är avvikande. Z-poängen för varje datapunkt representerar antalet standardavvikelser från medelvärdet. Datapunkter utanför ett visst intervall anses vara avvikande. Den här modellen passar bra för att markera avvikande enheter eller appar, men kräver att stora datauppsättningar är korrekta.
• Tidsserie Z-poängmodell: Den här varianten av Z-poängmodellen är utformad för att identifiera avvikelser i tidsseriedata – sekvenser av datapunkter som samlas in med jämna mellanrum, till exempel Omstarter av stoppfel över tid. Standardavvikelse och medelvärde beräknas för ett skjutfönster, vilket gör att modellen kan anpassa sig till temporala mönster och ändringar i datadistributionen.

Obs!

Enhetskohorter identifieras endast för avvikelser med medelhög och hög allvarlighetsgrad.