AnomalyDetection_SpikeAndDip (Azure 流分析)

  • 项目

检测时序事件中的临时异常。

基础机器学习模型使用自适应内核密度估计算法。

语法

AnomalyDetection_SpikeAndDip(
    <scalar_expression>,
    <confidence>,
    <historySize>,
    <mode>)
OVER ([PARTITION BY <partition key>]
    LIMIT DURATION(<unit>, <length>)
    [WHEN boolean_expression])

参数

scalar_expression

模型对其执行异常情况检测的事件列或计算字段。 此参数的允许值包括 FLOAT 或 BIGINT 数据类型，这些数据类型返回单个 (标量) 值。

不允许使用通配符表达式 *。 此外， scalar_expression 不能包含其他分析函数或外部函数。

信心

一个百分比数字，从 1.00 到 100 (非独占) ，用于设置机器学习模型的敏感度。 置信度越低，检测到的异常数就越高，反之亦然。 从 70 到 90 之间的任意数字开始，并根据在开发或测试中观察到的结果对此进行调整。

historySize

模型持续学习的滑动窗口中的事件数，并用于对下一个事件进行异常评分。 通常，这应表示正常行为的时间段，使模型能够标记后续异常。 从使用历史日志进行有根据的猜测开始，并根据在开发或测试中观察到的结果进行调整。

mode

一个字符串参数，其值为“spikes”、“dips”或“spikesanddips”，用于分别仅检测峰值、仅探低或峰值和两者。

OVER ( [ partition_by_clause ] limit_duration_clause [when_clause])

partition_by_clause

用于根据事件中的特定列对模型的训练进行分区。 模型在所有分区中应用相同的函数参数设置。

limit_duration_clause 持续时间 (单位，长度)

流分析中滑动窗口的时间大小。 此时间窗口的建议大小相当于生成 historySize 事件数处于稳定状态所需的时间。

when_clause

指定模型要接受的事件以执行异常情况检测的布尔条件。 when_clause是可选的。

返回类型

函数返回由以下列组成的嵌套记录：

IsAnomaly

BIGINT (0 或 1) 指示事件是否异常。

评分

计算的 p 值分数 (浮点数) 指示事件的异常程度。 分数越低，则表示事件属于同一分布的一部分的概率较低，因此异常率越高。

示例

以下示例假定在 2 分钟滑动窗口中的统一输入速率为每秒 1 个事件，历史记录大小为 120 个事件。 最终的 SELECT 语句将提取事件，并输出评分和置信度级别为 95% 的异常状态。

WITH AnomalyDetectionStep AS
(
    SELECT
        EVENTENQUEUEDUTCTIME as time,
        CAST(temperature AS FLOAT) as temp,
        AnomalyDetection_SpikeAndDip(CAST(temperature AS FLOAT), 95, 120, 'spikesanddips')
        OVER(LIMIT DURATION(second, 120)) AS SpikeAndDipScores
    FROM input
)
SELECT
    time,
    temp,
    CAST(GetRecordPropertyValue(SpikeAndDipScores, 'Score') as FLOAT) AS
    SpikeAndDipScore,
    CAST(GetRecordPropertyValue(SpikeAndDipScores, 'IsAnomaly') AS BIGINT) AS
    IsSpikeAndDipAnomaly
INTO output
FROM AnomalyDetectionStep

使用 1 秒的翻转窗口实现统一的非统一输入流的示例：

WITH SmootheningStep AS
(
    SELECT
        System.Timestamp() as time,
        AVG(CAST(temperature as float)) as temp
    FROM input
    GROUP BY TUMBLINGWINDOW(second, 1)
),
AnomalyDetectionStep AS
(
    SELECT
    time,
    temp,
    AnomalyDetection_SpikeAndDip(temp, 95, 120, 'spikesanddips') 
        OVER(LIMIT DURATION(second, 120)) as SpikeAndDipScores
    FROM SmootheningStep
)
SELECT
    time,
    temp,
    CAST(GetRecordPropertyValue(SpikeAndDipScores, 'Score') AS FLOAT) As
    SpikeAndDipScore,
    CAST(GetRecordPropertyValue(SpikeAndDipScores, 'IsAnomaly') AS BIGINT) AS
    IsSpikeAndDipAnomaly
INTO output
FROM AnomalyDetectionStep

使用分区查询的示例，用于为每个传感器训练单独的模型：

WITH AnomalyDetectionStep AS
(
    SELECT
        sensorid,
        System.Timestamp() AS time,
        CAST(temperature AS FLOAT) AS temp,
        AnomalyDetection_SpikeAndDip(CAST(temperature AS FLOAT), 95, 120, 'spikesanddips')
            OVER(PARTITION BY sensorid LIMIT DURATION(second, 120)) AS SpikeAndDipScores
    FROM input
)
SELECT
    CAST (sensorid AS NVARCHAR(max)) AS sensoridstring,
    time,
    temp,
    CAST(GetRecordPropertyValue(SpikeAndDipScores, 'Score') as float) AS
    SpikeAndDipScore,
    CAST(GetRecordPropertyValue(SpikeAndDipScores, 'IsAnomaly') AS BIGINT) AS
    IsSpikeAndDipAnomaly
INTO output
FROM AnomalyDetectionStep