Not
Bu sayfaya erişim yetkilendirme gerektiriyor. Oturum açmayı veya dizinleri değiştirmeyi deneyebilirsiniz.
Bu sayfaya erişim yetkilendirme gerektiriyor. Dizinleri değiştirmeyi deneyebilirsiniz.
Bu makalede, Fabric Real-Time Intelligence'da bulunan anomali algılama modellerinin teknik özelliklerine ve yeteneklerine genel bir bakış sağlanmaktadır. Bu modeller, veri akışlarınızdaki olağan dışı desenleri ve aykırı değerleri otomatik olarak tanımlamak için tasarlanmıştır.
Önemli
Bu özellik önizleme aşamasındadır.
Desteklenen modeller
| Model Adı | Description | Package |
|---|---|---|
| Sinyal İzleyicisi | Hafif geçişlerden keskin ani artışlara kadar olağan dışı davranışları algılamak için temel alınan sinyali analiz eder. | TSB-AD - SR algoritmasını temel alır |
| Sinyal İzleyicisi (Mevsimsel) | Mevsimsellik ile artırılmış temel sinyali analiz ederek, ince kaymalardan keskin ani artışlara kadar çok çeşitli olağan dışı davranışları algılar. | TSB-AD - SR algoritmasını temel alır |
| Sinyal İzleyicisi (İyileştirilmiş Mevsimsel) | Karmaşık mevsimsellikle artırılan temel sinyali analiz ederek ince kaymalardan keskin ani artışlara kadar çok çeşitli olağan dışı davranışları algılar. | TSB-AD - SR algoritmasını temel alır |
| Histogram Gözcüsü | Büyük veri kümeleri için hızlı ve ölçeklenebilir performans sunan veri dağıtım desenlerine göre anomalileri tanımlar. | TSB-AD - HBOS algoritmasına dayalı |
| Örüntü Yakınlığı | Özellik alanında veri noktalarının yakınlığı temelinde anomalileri algılamak için en yakın k komşularını kullanır. Yerel desen değişiklikleri için idealdir. | TSB-AD - KNN algoritmasına dayalı |
| Çekirdek Örüntü Bulucu | Karmaşık verileri en temel desenlerine düşürerek ince ve gizli anomalileri algılamayı kolaylaştırır. | TSB-AD - PCA algoritmasına dayalı |
| Ani Artış Algılayıcısı'nın Değiştirilmesi | Değerlerin zaman içinde nasıl geliştiğini karşılaştırarak keskin ve yerel değişiklikleri gösterir. | MS Geliştirildi |
| Sürekli Değişiklik İzleyicisi | Veri desenlerindeki aşamalı geçişleri belirlemek için hareketli eğilimleri izler. | MS Geliştirildi |
| Aykırı Radar | Ortalamadan önemli ölçüde sapma gösteren veri noktalarını vurgular, büyük ve ani aykırı değerleri saptamak için kullanışlıdır. | MS Geliştirildi |
| Sağlam Aykırı Radar | Aykırı Radar'a benzer şekilde, bu model çarpık verilerin daha sağlam bir analizi için ortancayı kullanır. Doğal dalgalanmaları göz ardı ederken önemli sapmalara odaklanır. Bu, gürültülü ortamlarda kararlı hale getirir. | MS Geliştirildi |
| Sağlam Aykırı Radar (Mevsimsel) | Karmaşık veri dağıtımlarını işler ve mevsimsel farkındalığı birleştirir ve yinelenen desenler için ideal hale getirir. | MS Geliştirildi |
| Sapma Nabzı | Önemli sapmalar için sinyalleri izler ve öne çıkan olayları algılamak için iyileştirilir. | MS Geliştirildi |