你当前正在访问 Microsoft Azure Global Edition 技术文档网站。如果需要访问由世纪互联运营的 Microsoft Azure 中国技术文档网站，请访问 https://docs.azure.cn。

使用经过训练的模型进行流式推理

2025-06-12

重要

从 2023 年 9 月 20 日开始，将无法创建新的异常检测器资源。异常检测器服务将于 2026 年 10 月 1 日停用。

可以选择批量推理 API 或流式推理 API 进行检测。

批量推理 API	流式推理 API
更适合用于以下批处理用例：客户不需要立即获取推理结果，并希望检测更长时间段内的异常，然后获得结果。	如果客户希望立即获取推理结果并希望实时检测多变量异常，建议使用此 API。还适用于执行之前的压缩和上传过程以进行推理时遇到问题的客户。

API 名称	方法	路径	说明
批量推理	帖子	`{endpoint}`/anomalydetector/v1.1/multivariate/models/`{modelId}`：detect-batch	使用在批处理场景中工作的 `modelId` 触发异步推理
获取批量推理结果	GET	`{endpoint}`/anomalydetector/v1.1/multivariate/detect-batch/`{resultId}`	使用 `resultId` 获取批量推理结果
流式推理	帖子	`{endpoint}`/anomalydetector/v1.1/multivariate/models/`{modelId}`: detect-last	使用 `modelId` 触发同步推理，这适用于流式处理方案

触发流式推理 API

请求

通过同步 API，可以实时逐点获取推理结果，而无需像训练和异步推理一样压缩和上传任务。下面是同步 API 的一些要求：

需要将 JSON 格式的数据放入 API 请求正文中。
由于有效负载限制，请求正文中的推理数据大小受到限制，最多支持 2880 个时间戳 * 300 个变量，至少支持 1 sliding window length。

可将多个变量的多个时间戳以 JSON 格式提交到请求正文中，API 调用方式如下：

{{endpoint}}/anomalydetector/v1.1/multivariate/models/{modelId}:detect-last

示例请求：

{
  "variables": [
    {
      "variable": "Variable_1",
      "timestamps": [
        "2021-01-01T00:00:00Z",
        "2021-01-01T00:01:00Z",
        "2021-01-01T00:02:00Z"
        //more timestamps
      ],
      "values": [
        0.4551378545933972,
        0.7388603950488748,
        0.201088255984052
        //more values
      ]
    },
    {
      "variable": "Variable_2",
      "timestamps": [
        "2021-01-01T00:00:00Z",
        "2021-01-01T00:01:00Z",
        "2021-01-01T00:02:00Z"
        //more timestamps
      ],
      "values": [
        0.9617871613964145,
        0.24903311574778408,
        0.4920561254118613
        //more values
      ]
    },
    {
      "variable": "Variable_3",
      "timestamps": [
        "2021-01-01T00:00:00Z",
        "2021-01-01T00:01:00Z",
        "2021-01-01T00:02:00Z"
        //more timestamps       
      ],
      "values": [
        0.4030756879437628,
        0.15526889968448554,
        0.36352226408981103
        //more values      
      ]
    }
  ],
  "topContributorCount": 2
}

必需的参数

variableName：此名称应与训练数据中的名称完全相同。
timestamps：时间戳的长度应等于“1 个滑动窗口”，因为每个流式推理调用都将使用 1 个滑动窗口来检测滑动窗口中的最后一个时间点。
values：上面输入的每个时间戳中每个变量的值。

可选参数

topContributorCount：该数字可以指定 N 从“1 到 30”，它将提供异常结果中前 N 个参与变量的详细信息。例如，如果模型中有 100 个变量，但只关注检测结果中的前 5 个参与变量，则应用数字 5 填充此字段。默认数字为 10。

响应

示例响应：

{
    "variableStates": [
        {
            "variable": "series_0",
            "filledNARatio": 0.0,
            "effectiveCount": 1,
            "firstTimestamp": "2021-01-03T01:59:00Z",
            "lastTimestamp": "2021-01-03T01:59:00Z"
        },
        {
            "variable": "series_1",
            "filledNARatio": 0.0,
            "effectiveCount": 1,
            "firstTimestamp": "2021-01-03T01:59:00Z",
            "lastTimestamp": "2021-01-03T01:59:00Z"
        },
        {
            "variable": "series_2",
            "filledNARatio": 0.0,
            "effectiveCount": 1,
            "firstTimestamp": "2021-01-03T01:59:00Z",
            "lastTimestamp": "2021-01-03T01:59:00Z"
        },
        {
            "variable": "series_3",
            "filledNARatio": 0.0,
            "effectiveCount": 1,
            "firstTimestamp": "2021-01-03T01:59:00Z",
            "lastTimestamp": "2021-01-03T01:59:00Z"
        },
        {
            "variable": "series_4",
            "filledNARatio": 0.0,
            "effectiveCount": 1,
            "firstTimestamp": "2021-01-03T01:59:00Z",
            "lastTimestamp": "2021-01-03T01:59:00Z"
        }
    ],
    "results": [
        {
            "timestamp": "2021-01-03T01:59:00Z",
            "value": {
                "isAnomaly": false,
                "severity": 0.0,
                "score": 0.2675322890281677,
                "interpretation": []
            },
            "errors": []
        }
    ]
}

响应包含结果状态、变量信息、推理参数和推理结果。

variableStates：列出推理请求中每个变量的信息。
setupInfo：为此次推理提交的请求正文。
results：包含检测结果。有三种典型类型的检测结果。
isAnomaly：false 指示当前时间戳不存在异常。true 指示当前时间戳有异常。
- severity 指示异常情况的相对严重性；对于异常数据，它始终大于 0。
- score 是模型在做出决策时所依据的原始模型输出。 severity 是从 score 派生的值。每个数据点都有 score。
interpretation：此字段仅在检测到时间戳异常时才会显示，其中包含 variables、contributionScore、correlationChanges。
contributors：一个列表，其中包含每个变量的贡献分数。贡献分数越高表示根本原因的可能性越高。此列表通常用于解释异常情况以及诊断根本原因。
correlationChanges：此字段仅在检测到时间戳异常时才会显示，它包含在 interpretation 中。它包含 changedVariables 和 changedValues，用于解释变量之间的相关性发生了变化。
changedVariables：此字段将显示哪些变量具有与 variable 相关的重大更改。此列表中的变量按相关更改程度进行排序。

注意

一个常见失误是将 isAnomaly=true 的所有数据点视为异常。这最终可能导致出现过多的误报。应同时使用 isAnomaly 和 severity（或 score）筛选出不严重的异常情况，并（选择性地）使用组合来检查异常情况的持续时间，以消除随机干扰。有关与 severity 之间的差异，请参阅最佳做法文档中的score。

通过

使用经过训练的模型进行流式推理

触发流式推理 API

请求

必需的参数

可选参数

响应

后续步骤

其他资源