Azure İzleyici'de AIOps ve aracılı işlemler

Azure İzleyici sorunları daha önce algılamanıza, verileri daha doğal bir şekilde keşfetmenize, işlemleri etkileyebilecek değişiklikleri anlamanıza ve algılanan sorunlarda daha iyi bağlamla eyleme geçmenize yardımcı olmak için AIOps, makine öğrenmesi ve aracı işlemleri kullanır. Mevcut yönelim, algılama, analitik, inceleme, açıklama ve rehberli takibi birbirine bağlayan katman olarak ajan tabanlı operasyonlara giderek daha fazla vurgu yapıyor.

Bu özellikler üç geniş yaklaşıma yayılmıştır:

  • Gözlemlenebilirlik Aracısı aracılığıyla gerçekleştirilen ve verileri keşfetmenize, sorunları araştırmanıza, nelerin değiştiğini açıklamanıza ve Azure İzleyici sinyaller arasında izlemenize yardımcı olan aracılık işlemleri.
  • Anomalileri algılayan, eğilimleri tahmin eden ve seçili operasyonel kararları otomatik hale getiren yerleşik AIOps ve makine öğrenmesi özellikleri.
  • Kendi analiz işlem hattınızı oluşturmak ve çalıştırmak istediğiniz gelişmiş senaryolar için Azure İzleyici Günlüklerinde özel makine öğrenmesi.

Bu makalede, Azure İzleyici'daki ajan tabanlı ve yerleşik AIOps özellikleri tanıtılmaktadır. Ardından, daha özel analize ihtiyacınız olduğunda Azure İzleyici Günlüklerinde özel makine öğrenmesi işlem hatları oluşturmayı açıklar.

Azure İzleyici'da aracılı işlemler

Azure İzleyici'deki aracılı işlemler, gözlemlenebilirlik iş akışının birden çok aşamasında çalışmanıza yardımcı olur:

  • Günlükler, ölçümler ve ilgili telemetri ile çalışmak için doğal dil kullanarak verileri keşfedin ve analiz edin.
  • sinyalleri Azure İzleyici veri kaynakları ve ilgili kaynak bağlamı arasında ilişkilendirerek sorunları araştırın.
  • Bulguları koruyun ve paylaşın; bunlar, süregelen inceleme ve iş birliği için operasyonel kayıtlar görevi gören Azure İzleyici sorunları aracılığıyla yapılır.
  • Platform, desteklenen senaryolar için daha fazla sistem odaklı araştırma ve izleme yönünde geliştikçe proaktif ve otonom iş akışlarını destekleyin.

Ajan tabanlı operasyonlar, geleneksel anomali algılama ve tahmin özelliklerini tamamlar. Yalnızca olağan dışı bir şey olduğunu belirlemek yerine, nelerin değiştiğini, sonucu hangi kanıtların desteklediğini ve bundan sonra ne yapılması gerekdiğini açıklamaya da yardımcı olur.

Yerleşik özellikler

Azure İzleyici yerleşik özellikleri, özel makine öğrenmesi modelleri oluşturmanıza gerek kalmadan sorunları algılamanıza, araştırmanıza ve yanıtlamanıza yardımcı olur.

Ajan tabanlı operasyonlar araştırma, açıklama ve yönlendirmeli takibe odaklanır. Geleneksel makine öğrenmesi özellikleri desen algılama, tahmin ve anomali belirlemeye odaklanır. Birlikte, tek başına her iki yaklaşımdan daha geniş bir operasyonel model sağlar.

İzleme senaryosu Kapasite Description
Kayıt izleme Log Analytics Çalışma Alanı İçgörüleri Log Analytics çalışma alanlarınızın birleşik bir görünümünü sağlar ve veri alış anomalilerini tespit etmek için makine öğrenimini kullanır.
Kusto Sorgu Dili (KQL) zaman serisi analizi ve makine öğrenmesi işlevleri Veri bilimi ve programlama dilleri hakkında ayrıntılı bilgi sahibi olmak zorunda kalmadan doğrudan Azure İzleyici Günlüklerinde zaman serisi verileri oluşturmak, anomalileri algılamak, tahmin etmek ve kök neden analizi gerçekleştirmek için kullanımı kolay araçlar.
Azure'da Microsoft Copilot Verileri çözümlemek ve sorunları gidermek için Log Analytics'i kullanmanıza yardımcı olur. "Kapsayıcı günlüklerinde hata var mı?" gibi istemlere göre örnek KQL sorguları oluşturur.
Gözlemlenebilirlik Aracısı Geçerli ürün yüzeyindeki doğal dil ve yinelemeli takip sorularını kullanarak günlükleri, ölçümleri ve ilgili telemetri verilerini keşfetmenize yardımcı olur.
Uygulama performansı izleme Uygulama Haritası Akıllı görünümü Hizmetler arasındaki bağımlılıkları eşler ve dağıtılmış uygulamanızın tüm bileşenlerinde performans sorunlarını veya hata etkin noktalarını belirlemenize yardımcı olur.
Akıllı algılama Uygulamanızın Application Insights'a gönderdiği telemetri verilerini, performans sorunları ve hata anomalileriyle ilgili uyarıları analiz eder ve uygulama performansı sorunlarının olası kök nedenlerini tanımlar.
Ölçüm uyarıları Ölçüm uyarısı için dinamik eşikler Ölçüm desenlerini öğrenir, geçmiş verilere göre uyarı eşiklerini otomatik olarak ayarlar ve hizmet sorunlarını gösterebilecek anomalileri tanımlar.
Sanal makineler için ölçek kümeleri Tahmine dayalı otomatik ölçeklendirme Geçmiş CPU kullanım desenlerine göre bir sanal makine ölçek kümesinin genel CPU gereksinimlerini tahmin eder ve bu gereksinimleri karşılamak için ölçeği otomatik olarak genişleter.
Araştırma ve tanılama Gözlemlenebilirlik Aracısı Sorunları araştırmak, bulguları ilişkilendirmek ve günlükler, ölçümler, izlemeler, uyarılar ve ilgili kaynak bağlamında neler olduğunu açıklamak için Azure İzleyici sinyalleri ve operasyonel mantığı kullanır.
Azure İzleyici sorunları Ekiplerin bulguları gözden geçirebilmesi, analize devam edebilmesi ve zaman içinde işbirliği yapabilmesi için araştırma sonuçlarını operasyonel yapıtlar olarak korur.
Proaktif ve otonom operasyonlar Gözlemlenebilirlik Aracısı proaktif davranışları Bu özellikler kullanılabilir hale geldikçe, aracı modeli daha sistem odaklı araştırma ve desteklenen senaryolar için sorun işlemeye doğru genişletir.

Azure İzleyici Günlüklerinde özel makine öğrenmesi

Hizmet durumu, kullanım, kapasite ve diğer eğilimler hakkında içgörüler elde etmek ve Azure İzleyici Günlüklerinde tahminler oluşturup anomalilerialgılamak için Kusto Sorgu Dili yerleşik zaman serisi analizini ve makine öğrenmesi işlevlerini, işleçlerini ve eklentilerini kullanın.

Daha fazla esneklik elde etmek ve verileri analiz edip üzerinde işlem yapma becerinizi genişletmek için Azure İzleyici Günlüklerindeki verilere kendi makine öğrenmesi işlem hattınızı da uygulayabilirsiniz.

Bu tablo, KQL'in yerleşik makine öğrenmesi özelliklerini kullanmanın ve kendi makine öğrenmesi işlem hattınızı oluşturmanın avantajlarını ve sınırlamalarını karşılaştırır ve her birini nasıl uygulayabileceğinizi gösteren öğreticilere bağlantılar sağlar:

Yerleşik KQL makine öğrenmesi özellikleri Kendi makine öğrenmesi işlem hattınızı oluşturma
Senaryo ✅ Anomali algılama, kök neden ve zaman serisi analizi
✅ Anomali algılama, kök neden ve zaman serisi analizi
✅ Özel makine öğrenmesi işlem hattı oluşturma
Avantajlar 🔹Çok hızlı bir şekilde başlamanızı sağlar.
🔹Veri bilimi bilgisi ve programlama becerisi gerekmez.
🔹 En iyi performans ve maliyet tasarrufu.		 🔹Daha büyük ölçekleri destekler.
🔹Gelişmiş, daha karmaşık senaryoları etkinleştirir.
🔹Kitaplıkları, modelleri ve parametreleri seçme esnekliği.
Hizmet sınırları ve veri hacimleri Azure portalı veya Sorgu API'si günlük sorgusu sınırları , örneğin bir not defterinden portalda çalışıyor olmanıza veya API'yi kullanmanıza bağlı olarak. 🔹 Azure İzleyici Günlüklerindeki verileri makine öğrenmesi işlem hattınızın bir parçası olarak sorgularsanız API günlüğü sorgu sınırlarını sorgulayın. Aksi takdirde Azure hizmet sınırı yoktur.
🔹Daha büyük veri hacimlerini destekleyebilir.
Entegrasyon Gerekli değil. Azure portalında veya tümleşik bir Jupyter Notebook'tan Log Analytics kullanarak komutunu çalıştırın. Jupyter Notebook gibi bir araçla tümleştirme gerektirir. Genellikle diğer Azure hizmetleriyle, örneğin Azure Synapse Analytics ile siz de tümleştirirsiniz.
Performans Azure Veri Gezgini platformunu kullanarak yüksek ölçeklerde dağıtılmış bir şekilde çalışan en iyi performans. Makine öğrenmesi işlem hattınızı nasıl uyguladığınıza bağlı olarak verileri sorgularken veya dışarı aktarırken az miktarda gecikme süresi sunar.
Model türü Doğrusal regresyon modeli ve KQL zaman serisi tarafından desteklenen diğer modeller, yapılandırılabilir parametreler kümesiyle çalışır. Tamamen özelleştirilebilir makine öğrenmesi modeli veya anomali algılama yöntemi.
Cost Ekstra ücret alınmaz. Makine öğrenmesi işlem hattınızı nasıl uyguladığınıza bağlı olarak, verileri dışarı aktarma, puanlanan verileri Azure İzleyici Günlüklerine alma ve diğer Azure hizmetlerinin kullanımı için ücret ödemeniz gerekebilir.
Kılavuz Azure İzleyici'de KQL makine öğrenmesi özelliklerini kullanarak anomalileri algılama ve analiz etme Not defteri kullanarak Azure İzleyici Günlüklerindeki verileri analiz etme

Özel makine öğrenmesi işlem hattı oluşturma

Yeni AIOps özelliklerini tanıtmak ve aşağıdakiler gibi gelişmiş senaryoları desteklemek için Azure İzleyici Günlüklerindeki veriler üzerinde kendi makine öğrenmesi işlem hattınızı oluşturun:

  • KQL'den daha sofistike modellerle güvenlik saldırılarını izleme.
  • Bir web uygulamasında performans sorunlarını algılama ve hataları giderme.
  • Çok adımlı akışlar oluşturma, önceki adımın sonuçlarına göre her adımda kod çalıştırma.
  • Azure İzleyici Günlük verilerinin analizini otomatikleştirme ve altyapı durumu ve müşteri davranışı dahil olmak üzere birden çok alan hakkında içgörüler sağlama.
  • Azure İzleyici Günlüklerindeki verileri diğer kaynaklardan alınan verilerle ilişkilendirme.

Azure İzleyici Günlüklerindeki verileri makine öğrenmesi işlem hattınızda kullanılabilir hale getirmek için iki yaklaşım vardır:

Bu tabloda, makine öğrenmesi işlem hattınız için veri alma yaklaşımlarının avantajları ve sınırlamaları karşılaştırır:

Azure İzleyici Günlüklerinde verileri sorgulama Verileri dışarı aktarma
Avantajlar 🔹Hızlı bir şekilde başlamanızı sağlar.
🔹Yalnızca temel veri bilimi ve programlama becerileri gerektirir.
🔹Minimum gecikme süresi ve maliyet tasarrufu.		 🔹Daha büyük ölçekleri destekler.
🔹Sorgu sınırlaması yok.
Veriler dışarı aktarıldı mı? Hayır Evet
Hizmet sınırları Sorgu API'si sorgu sınırları ve kullanıcı sorgusu sınırlama. Daha büyük sorguları öbeklere bölerek belirli bir ölçüde için Sorgu API'si sınırlarını aşabilirsiniz. Azure İzleyici'den yok.
Veri birimleri Birkaç GB veri veya saatte birkaç milyon kayıt analiz edin. Büyük hacimli verileri destekler.
Makine öğrenmesi kitaplığı Küçük ve orta ölçekli veri kümeleri için genellikle Scikit Learn gibi tek düğümlü makine öğrenmesi kitaplıklarını kullanırsınız. Büyük veri kümeleri için genellikle SynapseML gibi büyük veri makine öğrenmesi kitaplıklarını kullanırsınız.
Latency En az. Verileri dışarı aktarmada az miktarda gecikme süresi sağlar.
Cost Azure İzleyici'de ek ücret alınmaz.
Kullanıldıysa Azure Synapse Analytics, Azure Machine Learning veya başka bir hizmetin maliyeti.		 Veri dışarı aktarma ve dış depolama maliyeti.
Kullanıldıysa Azure Synapse Analytics, Azure Machine Learning veya başka bir hizmetin maliyeti.

Tip

Her iki uygulama yaklaşımından da en iyi şekilde yararlanmak için bir karma işlem hattı oluşturun. Yaygın bir karma yaklaşım, büyük hacimli verileri içeren model eğitimi için verileri dışarı aktarmak ve Azure İzleyici Günlükleri yaklaşımındaki sorgu verilerini kullanarak gecikme süresini ve maliyetleri azaltmak üzere verileri araştırmak ve yeni verileri puanlama yaklaşımını kullanmaktır.

Makine öğrenmesi yaşam döngüsünü uygulama

Makine öğrenmesi işlem hattının ayarlanması genellikle aşağıda açıklanan adımların tümünü veya bazılarını içerir.

Scikit Learn, PyTorch, Tensorflow, Spark MLlib ve SynapseML gibi makine öğrenmesi işlem hattınızı uygulamak için kullanabileceğiniz çeşitli Azure ve açık kaynak makine öğrenmesi kitaplıkları vardır.

Bu tabloda her adım açıklanır ve Azure İzleyici Günlüklerindeki veriler üzerinde kendi makine öğrenmesi işlem hattınızı oluşturma başlığı altında açıklanan uygulama yaklaşımlarına göre bu adımların nasıl uygulanacağı konusunda üst düzey yönergeler ve bazı örnekler sağlanır:

Step Description Azure İzleyici Günlüklerinde verileri sorgulama Verileri dışarı aktarma
Verileri inceleme Topladığınız verileri inceleyin ve anlayın. Verilerinizi keşfetmenin en basit yolu, Azure portalında verileri keşfetmek ve görselleştirmek için zengin bir araç kümesi sağlayan Log Analytics'i kullanmaktır. Ayrıca bir not defteri kullanarak Azure İzleyici Günlüklerindeki verileri analiz edebilirsiniz. Azure İzleyici dışındaki günlükleri analiz etmek için verileri Log Analytics çalışma alanınızdan dışarı aktarın ve seçtiğiniz hizmette ortamı ayarlayın.
Azure İzleyici dışındaki günlükleri inceleme örneğine bakmak için, Synapse kullanarak Log Analytics'ten dışarı aktarılan verileri analiz etme konusuna bakın.
Makine öğrenmesi modeli oluşturma ve eğitma Model eğitimi yinelemeli bir süreçtir. Araştırmacılar veya veri bilimcileri eğitim verilerini getirerek ve temizleyerek, mühendis özelliklerini kullanarak, çeşitli modelleri deneyerek ve parametreleri ayarlayarak ve model doğru ve sağlam olana kadar bu döngüyü tekrarlayarak bir model geliştirir. Küçük ve orta ölçekli veri kümeleri için genellikle Scikit Learn gibi tek düğümlü makine öğrenmesi kitaplıklarını kullanırsınız.
Scikit Learn kitaplığını kullanarak Azure İzleyici Günlüklerindeki veriler üzerinde makine öğrenmesi modelini eğitme örneği için şu örnek not defterine bakın: Makine öğrenmesi tekniklerini kullanarak Azure İzleyici Günlüklerindeki anomalileri algılama.		 Büyük veri kümeleri için genellikle SynapseML gibi büyük veri makine öğrenmesi kitaplıklarını kullanırsınız.
Modeli dağıtma ve puanlandırma Puanlama, tahmin almak için yeni verilere makine öğrenmesi modeli uygulama işlemidir. Puanlama genellikle minimum gecikme süresiyle büyük ölçekte yapılmalıdır. Azure İzleyici Günlüklerindeki yeni verileri sorgulamak için Azure İzleyici Sorgusu istemci kitaplığını kullanın.
açık kaynak araçları kullanarak verilerin nasıl puanleneceğine ilişkin bir örnek için şu örnek not defterine bakın: Makine öğrenmesi tekniklerini kullanarak Azure İzleyici Günlüklerindeki anomalileri algılama.
İşlem hattınızı zamanlamaya göre çalıştırma Modelinizi geçerli veriler üzerinde düzenli olarak yeniden eğitmek için işlem hattınızı otomatikleştirin. Azure Synapse Analytics veya Azure Machine Learning ile makine öğrenmesi işlem hattınızı zamanlayın. Azure İzleyici Günlükleri'nde Verileri Sorgulama sütunundaki örneklere bakın.

Puanlanmış sonuçları Log Analytics çalışma alanına almak, gelişmiş içgörüler elde etmek ve uyarılar ve panolar oluşturmak için verileri kullanmanıza olanak tanır. Azure İzleyici Alımı istemci kitaplığını kullanarak puanlanmış sonuçları nasıl aktaracağınız hakkında bir örnek için Log Analytics çalışma alanınızdaki özel bir tabloya anomalileri alma konusuna bakın.

Sonraki Adımlar

Aşağıdakiler hakkında daha fazla bilgi edinin:

  • Last updated on