快速入門：使用 Multivariate 異常偵測程式 客戶端連結庫
重要
從 2023 年 9 月 20 日起，您將無法建立新的 異常偵測程式 資源。 異常偵測程式 服務將於 2026 年 10 月 1 日淘汰。
開始使用適用於 C# 的 異常偵測程式 多變數用戶端連結庫。 請遵循下列步驟來安裝套件，並開始使用服務所提供的演算法。 新的多變量異常偵測程式 API 可讓開發人員輕鬆整合進階 AI 來偵測計量群組中的異常，而不需要機器學習知識或標籤資料。 不同訊號之間的相依性和相互關聯性會自動計算為關鍵因素。 這可協助您主動保護複雜的系統免於失敗。
使用適用於 C# 的 異常偵測程式 多重變數用戶端連結庫來：
- 從時間序列群組偵測系統層級異常。
- 當任何個別的時間序列不會告訴您太多時，您必須查看所有訊號來偵測問題。
- 使用數十到數百種不同類型的感測器來測量系統健康情況的各種層面，對昂貴的實體資產進行述詞維護。
連結庫參考檔案 | 連結庫原始碼 | 套件 （NuGet）
必要條件
- Azure 訂用帳戶 - 免費建立一個訂用帳戶
- .NET Core 的 目前版本
- 擁有 Azure 訂用帳戶之後，請在 Azure 入口網站 中建立 異常偵測程式 資源，以取得您的密鑰和端點。 等候部署它，然後選取 [移至資源 ] 按鈕。
- 您需要從您建立的資源取得密鑰和端點，才能將應用程式連線到 異常偵測程式 API。 將金鑰和端點貼到快速入門稍後的程式代碼中。
您可以使用免費定價層 （
F0） 來試用服務，稍後再升級至生產環境的付費層。
- 您需要從您建立的資源取得密鑰和端點，才能將應用程式連線到 異常偵測程式 API。 將金鑰和端點貼到快速入門稍後的程式代碼中。
您可以使用免費定價層 （
設定
建立儲存體帳戶
多變量異常偵測程式需要您將範例檔案儲存在 Azure Blob 儲存體中。
- 建立 Azure 儲存體 帳戶。
- 移至 [存取控制 (IAM)]，然後選取 [新增] 以新增角色指派。
- 搜尋 [儲存體 Blob 資料] 的角色以醒目顯示此帳戶類型，然後選取 [下一步]。
- 選取 [將存取權指派給受控識別]，並選取 [成員]，然後選擇您稍早建立的 [異常偵測程式資源]，再選取 [檢閱 + 指派]。
這種設定有時可能會有點令人困惑，如果您遇到問題，建議您諮詢我們的多變量 Jupyter Notebook 範例，該範例能更深入地逐步解說此流程。
下載範例資料
本快速入門會針對範例資料 sample_data_5_3000.csv 使用一個檔案。 檔案可從我們的 GitHub 範本資料中進行下載
您也可以執行下列命令來下載範例資料：
curl "https://github.com/Azure-Samples/AnomalyDetector/blob/master/sampledata/multivariate/sample_data_5_3000.csv" --output sample_data_5_3000_.csv
將範例資料上傳至儲存體帳戶
- 移至您的 [儲存體帳戶]，選取 [容器]，然後建立新的容器。
- 選取 [上傳] 並上傳 sample_data_5_3000.csv
- 選取您所上傳的資料，並複製 Blob URL，因為您需要在幾個步驟後將其新增至程式碼範例中。
擷取金鑰和端點
若要成功對異常偵測程式服務發出呼叫，您需要下列值：
| 變數名稱 | 值 |
|---|---|
ANOMALY_DETECTOR_ENDPOINT |
從 Azure 入口網站查看您的資源時，可以在 [金鑰與端點] 區段中找到此值。 範例端點： https://YOUR_RESOURCE_NAME.cognitiveservices.azure.com/ |
ANOMALY_DETECTOR_API_KEY |
檢查來自 Azure 入口網站 的資源時，可以在 [金鑰與端點] 區段中找到 API 金鑰值。 您可以使用 KEY1 或 KEY2。 |
移至 Azure 入口網站 中的資源。 您可以在 [資源管理] 區段中找到端點和金鑰。 複製您的端點和存取金鑰，因為您需要這兩者才能驗證 API 呼叫。 您可以使用 KEY1 或 KEY2。 一律有兩個金鑰可讓您安全地輪替和重新產生密鑰，而不會造成服務中斷。
建立環境變數
為您的金鑰和端點建立並指派持續性環境變數。
setx ANOMALY_DETECTOR_API_KEY "REPLACE_WITH_YOUR_KEY_VALUE_HERE"
setx ANOMALY_DETECTOR_ENDPOINT "REPLACE_WITH_YOUR_ENDPOINT_HERE"
建立新的 .NET Core 應用程式
在主控台視窗中 (例如 cmd、PowerShell 或 Bash)，使用 dotnet new 命令建立名為 anomaly-detector-quickstart-multivariate 的新主控台應用程式。 此命令會建立具有單一 C# 原始程式檔的簡單 「Hello World」 專案： Program.cs。
dotnet new console -n anomaly-detector-quickstart-multivariate
將您的目錄變更為新建立的應用程式資料夾。 您可以使用下列項目建置應用程式：
dotnet build
組建輸出不應包含警告或錯誤。
...
Build succeeded.
0 Warning(s)
0 Error(s)
...
安裝客戶端連結庫
在應用程式目錄中，使用下列命令安裝適用於 .NET 的 異常偵測程式 用戶端連結庫：
dotnet add package Azure.AI.AnomalyDetector --prerelease
從項目目錄開啟 program.cs 檔案，並以下列程式代碼取代 ：
using Azure.AI.AnomalyDetector;
using Azure;
using static System.Environment;
internal class Program
{
private static void Main(string[] args)
{
string endpoint = GetEnvironmentVariable("ANOMALY_DETECTOR_ENDPOINT");
string apiKey = GetEnvironmentVariable("ANOMALY_DETECTOR_API_KEY");
string datasource = "Path-to-sample-file-in-your-storage-account"; // example path:https://docstest001.blob.core.windows.net/test/sample_data_5_3000.csv
Console.WriteLine(endpoint);
var endpointUri = new Uri(endpoint);
var credential = new AzureKeyCredential(apiKey);
//create client
AnomalyDetectorClient client = new AnomalyDetectorClient(endpointUri, credential);
// train
TimeSpan offset = new TimeSpan(0);
DateTimeOffset start_time = new DateTimeOffset(2021, 1, 2, 0, 0, 0, offset);
DateTimeOffset end_time = new DateTimeOffset(2021, 1, 2, 5, 0, 0, offset);
string model_id = null;
try
{
model_id = TrainModel(client, datasource, start_time, end_time);
// detect
end_time = new DateTimeOffset(2021, 1, 2, 1, 0, 0, offset);
MultivariateDetectionResult result = BatchDetect(client, datasource, model_id, start_time, end_time);
if (result != null)
{
Console.WriteLine(string.Format("Result ID: {0}", result.ResultId.ToString()));
Console.WriteLine(string.Format("Result summary: {0}", result.Summary.ToString()));
Console.WriteLine(string.Format("Result length: {0}", result.Results.Count));
Console.WriteLine(string.Format("Anomalies found: {0}", result.Results.Where(r => r.Value.IsAnomaly).Count()));
}
// delete
DeleteModel(client, model_id);
}
catch (Exception e)
{
string msg = string.Format("Multivariate error. {0}", e.Message);
Console.WriteLine(msg);
throw;
}
int GetModelNumber(AnomalyDetectorClient client)
{
int model_number = 0;
foreach (var multivariateModel in client.GetMultivariateModels())
{
model_number++;
}
return model_number;
}
string TrainModel(AnomalyDetectorClient client, string datasource, DateTimeOffset start_time, DateTimeOffset end_time, int max_tryout = 500)
{
try
{
Console.WriteLine("Training new model...");
Console.WriteLine(string.Format("{0} available models before training.", GetModelNumber(client)));
ModelInfo request = new ModelInfo(datasource, start_time, end_time);
request.SlidingWindow = 200;
Console.WriteLine("Training new model...(it may take a few minutes)");
AnomalyDetectionModel response = client.TrainMultivariateModel(request);
string trained_model_id = response.ModelId;
Console.WriteLine(string.Format("Training model id is {0}", trained_model_id));
// Wait until the model is ready. It usually takes several minutes
ModelStatus? model_status = null;
int tryout_count = 1;
response = client.GetMultivariateModel(trained_model_id);
while (tryout_count < max_tryout & model_status != ModelStatus.Ready & model_status != ModelStatus.Failed)
{
Thread.Sleep(1000);
response = client.GetMultivariateModel(trained_model_id);
model_status = response.ModelInfo.Status;
Console.WriteLine(string.Format("try {0}, model_id: {1}, status: {2}.", tryout_count, trained_model_id, model_status));
tryout_count += 1;
};
if (model_status == ModelStatus.Ready)
{
Console.WriteLine("Creating model succeeds.");
Console.WriteLine(string.Format("{0} available models after training.", GetModelNumber(client)));
return trained_model_id;
}
if (model_status == ModelStatus.Failed)
{
Console.WriteLine("Creating model failed.");
Console.WriteLine("Errors:");
try
{
Console.WriteLine(string.Format("Error code: {0}, Message: {1}", response.ModelInfo.Errors[0].Code.ToString(), response.ModelInfo.Errors[0].Message.ToString()));
}
catch (Exception e)
{
Console.WriteLine(string.Format("Get error message fail: {0}", e.Message));
}
}
return null;
}
catch (Exception e)
{
Console.WriteLine(string.Format("Train error. {0}", e.Message));
throw;
}
}
MultivariateDetectionResult BatchDetect(AnomalyDetectorClient client, string datasource, string model_id, DateTimeOffset start_time, DateTimeOffset end_time, int max_tryout = 500)
{
try
{
Console.WriteLine("Start batch detect...");
MultivariateBatchDetectionOptions request = new MultivariateBatchDetectionOptions(datasource, 10, start_time, end_time);
Console.WriteLine("Start batch detection, this might take a few minutes...");
MultivariateDetectionResult response = client.DetectMultivariateBatchAnomaly(model_id, request);
string result_id = response.ResultId;
Console.WriteLine(string.Format("result id is: {0}", result_id));
// get detection result
MultivariateDetectionResult resultResponse = client.GetMultivariateBatchDetectionResult(result_id);
MultivariateBatchDetectionStatus result_status = resultResponse.Summary.Status;
int tryout_count = 0;
while (tryout_count < max_tryout & result_status != MultivariateBatchDetectionStatus.Ready & result_status != MultivariateBatchDetectionStatus.Failed)
{
Thread.Sleep(1000);
resultResponse = client.GetMultivariateBatchDetectionResult(result_id);
result_status = resultResponse.Summary.Status;
Console.WriteLine(string.Format("try: {0}, result id: {1} Detection status is {2}", tryout_count, result_id, result_status.ToString()));
Console.Out.Flush();
}
if (result_status == MultivariateBatchDetectionStatus.Failed)
{
Console.WriteLine("Detection failed.");
Console.WriteLine("Errors:");
try
{
Console.WriteLine(string.Format("Error code: {}. Message: {}", resultResponse.Summary.Errors[0].Code.ToString(), resultResponse.Summary.Errors[0].Message.ToString()));
}
catch (Exception e)
{
Console.WriteLine(string.Format("Get error message fail: {0}", e.Message));
}
return null;
}
return resultResponse;
}
catch (Exception e)
{
Console.WriteLine(string.Format("Detection error. {0}", e.Message));
throw;
}
}
void DeleteModel(AnomalyDetectorClient client, string model_id)
{
client.DeleteMultivariateModel(model_id);
int model_number = GetModelNumber(client);
Console.WriteLine(string.Format("{0} available models after deletion.", model_number));
}
}
}
執行應用程式
使用來自應用程式目錄的 dotnet run 命令執行應用程式。
dotnet run
清除資源
如果您想要清除和移除 Azure AI 服務訂用帳戶，則可以刪除資源或資源群組。 刪除資源群組也會刪除與資源群組相關聯的任何其他資源。
下一步
開始使用適用於 JavaScript 的 異常偵測程式 多變數用戶端連結庫。 請遵循下列步驟來安裝套件，並開始使用服務所提供的演算法。 新的多變量異常偵測程式 API 可讓開發人員輕鬆整合進階 AI 來偵測計量群組中的異常，而不需要機器學習知識或標籤資料。 不同訊號之間的相依性和相互關聯性會自動計算為關鍵因素。 這可協助您主動保護複雜的系統免於失敗。
使用適用於 JavaScript 的 異常偵測程式 多重變數用戶端連結庫來：
- 從時間序列群組偵測系統層級異常。
- 當任何個別的時間序列不會告訴您太多時，您必須查看所有訊號來偵測問題。
- 使用數十到數百種不同類型的感測器來測量系統健康情況的各種層面，對昂貴的實體資產進行述詞維護。
連結庫參考文件 | 連結庫原始程式碼 | 套件 （npm） | 範例程序代碼
必要條件
- Azure 訂用帳戶 - 免費建立一個訂用帳戶
- Node.js 的 目前版本
- 擁有 Azure 訂用帳戶之後，請在 Azure 入口網站 中建立 異常偵測程式 資源，以取得您的密鑰和端點。 等候部署它，然後選取 [移至資源 ] 按鈕。
- 您需要從您建立的資源取得密鑰和端點，才能將應用程式連線到 異常偵測程式 API。 您稍後會在快速入門中將金鑰和端點貼到下列程式代碼中。
您可以使用免費定價層 （
F0） 來試用服務，稍後再升級至生產環境的付費層。
- 您需要從您建立的資源取得密鑰和端點，才能將應用程式連線到 異常偵測程式 API。 您稍後會在快速入門中將金鑰和端點貼到下列程式代碼中。
您可以使用免費定價層 （
設定
建立新的 Node.js 應用程式
在主控台視窗中（例如 cmd、PowerShell 或 Bash），為您的應用程式建立新的目錄，然後流覽至它。
mkdir myapp && cd myapp
npm init執行 命令以使用 package.json 檔案建立節點應用程式。
npm init
建立名為 index.js 的檔案，並匯入下列連結庫： '
'use strict'
const fs = require('fs');
const parse = require("csv-parse/lib/sync");
const { AnomalyDetectorClient } = require('@azure/ai-anomaly-detector');
const { AzureKeyCredential } = require('@azure/core-auth');
建立資源的 Azure 端點和金鑰變數。 為範例數據檔建立另一個變數。
注意
您一律可以選擇使用兩個金鑰之一。 這是為了允許安全金鑰輪替。 為了方便本快速入門使用第一個金鑰。
const apiKey = "YOUR_API_KEY";
const endpoint = "YOUR_ENDPOINT";
const data_source = "YOUR_SAMPLE_ZIP_FILE_LOCATED_IN_AZURE_BLOB_STORAGE_WITH_SAS";
重要
當您完成時，請記得從程式碼中移除密鑰，且絕不會公開發佈。 針對生產環境，請使用安全的方式來儲存和存取您的認證，例如 Azure 金鑰保存庫。 如需詳細資訊，請參閱 Azure AI 服務安全性一文。
若要使用 異常偵測程式 多重變數 API，您必須先定型自己的模型。 定型資料是一組符合下列需求的多個時間序列：
每個時間序列都應該是 CSV 檔案，其中包含兩個（且只有兩個）數據行：“timestamp” 和 “value” （全部以小寫為單位），作為標頭數據列。 “timestamp” 值應符合 ISO 8601;“value” 可以是整數或小數點，具有任意數目的小數字數。 例如：
| timestamp | value |
|---|---|
| 2019-04-01T00：00：00Z | 5 |
| 2019-04-01T00：01：00Z | 3.6 |
| 2019-04-01T00：02：00Z | 4 |
... |
... |
每個 CSV 檔案都應該以將用於模型定型的不同變數命名。 例如，“temperature.csv” 和 “humidity.csv”。 所有 CSV 檔案都應該壓縮成一個沒有子資料夾的 zip 檔案。 zip 檔案可以有您想要的任何名稱。 ZIP 檔案應該上傳至 Azure Blob 記憶體。 一旦您產生 zip 檔案的 Blob SAS（共用存取簽章）URL，就可以用於定型。 請參閱本檔，以瞭解如何從 Azure Blob 儲存體 產生 SAS URL。
安裝客戶端連結庫
ms-rest-azure安裝和 azure-ai-anomalydetector NPM 套件。 此快速入門中也會使用 csv-parse 連結庫：
npm install @azure/ai-anomaly-detector csv-parse
您的應用程式檔案 package.json 會隨著相依性更新。
程式碼範例
這些代碼段示範如何使用 Node.js 的 異常偵測程式 用戶端連結庫來執行下列作業：
驗證用戶端
使用您的端點和認證具現化 AnomalyDetectorClient 物件。
const client = new AnomalyDetectorClient(endpoint, new AzureKeyCredential(apiKey));
將模型定型
建構模型結果
首先，我們需要建構模型要求。 請確定開始和結束時間與您的數據源一致。
const Modelrequest = {
source: data_source,
startTime: new Date(2021,0,1,0,0,0),
endTime: new Date(2021,0,2,12,0,0),
slidingWindow:200
};
定型新模型
您將模型要求傳遞至異常偵測程式用戶端 trainMultivariateModel 方法。
console.log("Training a new model...")
const train_response = await client.trainMultivariateModel(Modelrequest)
const model_id = train_response.location?.split("/").pop() ?? ""
console.log("New model ID: " + model_id)
若要檢查模型的定型是否完成，您可以追蹤模型的狀態：
let model_response = await client.getMultivariateModel(model_id);
let model_status = model_response.modelInfo.status;
while (model_status != 'READY' && model_status != 'FAILED'){
await sleep(10000).then(() => {});
model_response = await client.getMultivariateModel(model_id);
model_status = model_response.modelInfo.status;
}
if (model_status == 'FAILED') {
console.log("Training failed.\nErrors:");
for (let error of model_response.modelInfo?.errors ?? []) {
console.log("Error code: " + error.code + ". Message: " + error.message);
}
}
console.log("TRAINING FINISHED.");
偵測異常
使用和 getDectectionResult 函detectAnomaly式來判斷您的數據源內是否有任何異常。
console.log("Start detecting...");
const detect_request = {
source: data_source,
startTime: new Date(2021,0,2,12,0,0),
endTime: new Date(2021,0,3,0,0,0)
};
const result_header = await client.detectAnomaly(model_id, detect_request);
const result_id = result_header.location?.split("/").pop() ?? "";
let result = await client.getDetectionResult(result_id);
let result_status = result.summary.status;
while (result_status != 'READY' && result_status != 'FAILED'){
await sleep(2000).then(() => {});
result = await client.getDetectionResult(result_id);
result_status = result.summary.status;
}
if (result_status == 'FAILED') {
console.log("Detection failed.\nErrors:");
for (let error of result.summary.errors ?? []) {
console.log("Error code: " + error.code + ". Message: " + error.message)
}
}
console.log("Result status: " + result_status);
console.log("Result Id: " + result.resultId);
匯出模式
注意
匯出命令的目的是要用來允許在容器化環境中執行 異常偵測程式 多變數模型。 目前不支援多重變數，但未來將會新增支援。
若要匯出已定型的模型，請使用 函式 exportModel 。
const export_result = await client.exportModel(model_id)
const model_path = "model.zip"
const destination = fs.createWriteStream(model_path)
export_result.readableStreamBody?.pipe(destination)
console.log("New model has been exported to "+model_path+".")
刪除模型
若要刪除目前資源可用的現有模型，請使用 函式 deleteMultivariateModel 。
client.deleteMultivariateModel(model_id)
console.log("New model has been deleted.")
執行應用程式
在執行應用程式之前，檢查您的程式代碼是否有 完整的範例程式代碼會很有説明
在 node 快速入門檔案上使用 命令執行應用程式。
node index.js
清除資源
如果您想要清除和移除 Azure AI 服務訂用帳戶，則可以刪除資源或資源群組。 刪除資源群組也會刪除與資源群組相關聯的任何其他資源。
下一步
連結庫參考文件 |連結庫原始程式碼 | 套件 （PyPi） |在 GitHub 上尋找範例程式代碼
開始使用適用於 Python 的 異常偵測程式 多變數用戶端連結庫。 請遵循下列步驟來安裝套件，並開始使用服務所提供的演算法。 新的多變量異常偵測程式 API 可讓開發人員輕鬆整合進階 AI 來偵測計量群組中的異常，而不需要機器學習知識或標籤資料。 不同訊號之間的相依性和相互關聯性會自動計算為關鍵因素。 這可協助您主動保護複雜的系統免於失敗。
使用適用於 Python 的 異常偵測程式 多重變數用戶端連結庫來：
- 從時間序列群組偵測系統層級異常。
- 當任何個別的時間序列不會告訴您太多時，您必須查看所有訊號來偵測問題。
- 使用數十到數百種不同類型的感測器來測量系統健康情況的各種層面，對昂貴的實體資產進行述詞維護。
必要條件
- Azure 訂用帳戶 - 免費建立一個訂用帳戶
- Python 3.x
- 擁有 Azure 訂用帳戶之後，請在 Azure 入口網站 中建立 異常偵測程式 資源，以取得您的密鑰和端點。 等候部署它，然後選取 [移至資源 ] 按鈕。 您可以使用免費定價層 （
F0） 來試用服務，稍後再升級至生產環境的付費層。
設定
安裝客戶端連結庫。 您可以使用下列項目來安裝客戶端連結庫：
pip install --upgrade azure.ai.anomalydetector
建立儲存體帳戶
多變量異常偵測程式需要您將範例檔案儲存在 Azure Blob 儲存體中。
- 建立 Azure 儲存體 帳戶。
- 移至 [存取控制 (IAM)]，然後選取 [新增] 以新增角色指派。
- 搜尋 [儲存體 Blob 資料] 的角色以醒目顯示此帳戶類型，然後選取 [下一步]。
- 選取 [將存取權指派給受控識別]，並選取 [成員]，然後選擇您稍早建立的 [異常偵測程式資源]，再選取 [檢閱 + 指派]。
這種設定有時可能會有點令人困惑，如果您遇到問題，建議您諮詢我們的多變量 Jupyter Notebook 範例，該範例能更深入地逐步解說此流程。
下載範例資料
本快速入門會針對範例資料 sample_data_5_3000.csv 使用一個檔案。 檔案可從我們的 GitHub 範本資料中進行下載
您也可以執行下列命令來下載範例資料：
curl "https://github.com/Azure-Samples/AnomalyDetector/blob/master/sampledata/multivariate/sample_data_5_3000.csv" --output sample_data_5_3000_.csv
將範例資料上傳至儲存體帳戶
- 移至您的 [儲存體帳戶]，選取 [容器]，然後建立新的容器。
- 選取 [上傳] 並上傳 sample_data_5_3000.csv
- 選取您所上傳的資料，並複製 Blob URL，因為您需要在幾個步驟後將其新增至程式碼範例中。
擷取金鑰和端點
若要成功對異常偵測程式服務發出呼叫，您需要下列值：
| 變數名稱 | 值 |
|---|---|
ANOMALY_DETECTOR_ENDPOINT |
從 Azure 入口網站查看您的資源時，可以在 [金鑰與端點] 區段中找到此值。 範例端點： https://YOUR_RESOURCE_NAME.cognitiveservices.azure.com/ |
ANOMALY_DETECTOR_API_KEY |
檢查來自 Azure 入口網站 的資源時，可以在 [金鑰與端點] 區段中找到 API 金鑰值。 您可以使用 KEY1 或 KEY2。 |
移至 Azure 入口網站 中的資源。 您可以在 [資源管理] 區段中找到端點和金鑰。 複製您的端點和存取金鑰，因為您需要這兩者才能驗證 API 呼叫。 您可以使用 KEY1 或 KEY2。 一律有兩個金鑰可讓您安全地輪替和重新產生密鑰，而不會造成服務中斷。
建立環境變數
為您的金鑰和端點建立並指派持續性環境變數。
setx ANOMALY_DETECTOR_API_KEY "REPLACE_WITH_YOUR_KEY_VALUE_HERE"
setx ANOMALY_DETECTOR_ENDPOINT "REPLACE_WITH_YOUR_ENDPOINT_HERE"
建立新的 Python 應用程式
建立名為 sample_multivariate_detect.py 的新 Python 檔案。 然後在您慣用的編輯器或 IDE 中開啟它。
以下列程式碼取代 sample_multivariate_detect.py.cs 的內容。 您必須修改變數
blob_url的路徑。
import time
from datetime import datetime, timezone
from azure.ai.anomalydetector import AnomalyDetectorClient
from azure.core.credentials import AzureKeyCredential
from azure.ai.anomalydetector.models import *
SUBSCRIPTION_KEY = os.environ['ANOMALY_DETECTOR_API_KEY']
ANOMALY_DETECTOR_ENDPOINT = os.environ['ANOMALY_DETECTOR_ENDPOINT']
ad_client = AnomalyDetectorClient(ANOMALY_DETECTOR_ENDPOINT, AzureKeyCredential(SUBSCRIPTION_KEY))
time_format = "%Y-%m-%dT%H:%M:%SZ"
blob_url = "Path-to-sample-file-in-your-storage-account" # example path: https://docstest001.blob.core.windows.net/test/sample_data_5_3000.csv
train_body = ModelInfo(
data_source=blob_url,
start_time=datetime.strptime("2021-01-02T00:00:00Z", time_format),
end_time=datetime.strptime("2021-01-02T05:00:00Z", time_format),
data_schema="OneTable",
display_name="sample",
sliding_window=200,
align_policy=AlignPolicy(
align_mode=AlignMode.OUTER,
fill_n_a_method=FillNAMethod.LINEAR,
padding_value=0,
),
)
batch_inference_body = MultivariateBatchDetectionOptions(
data_source=blob_url,
top_contributor_count=10,
start_time=datetime.strptime("2021-01-02T00:00:00Z", time_format),
end_time=datetime.strptime("2021-01-02T05:00:00Z", time_format),
)
print("Training new model...(it may take a few minutes)")
model = ad_client.train_multivariate_model(train_body)
model_id = model.model_id
print("Training model id is {}".format(model_id))
## Wait until the model is ready. It usually takes several minutes
model_status = None
model = None
while model_status != ModelStatus.READY and model_status != ModelStatus.FAILED:
model = ad_client.get_multivariate_model(model_id)
print(model)
model_status = model.model_info.status
print("Model is {}".format(model_status))
time.sleep(30)
if model_status == ModelStatus.READY:
print("Done.\n--------------------")
# Return the latest model id
# Detect anomaly in the same data source (but a different interval)
result = ad_client.detect_multivariate_batch_anomaly(model_id, batch_inference_body)
result_id = result.result_id
# Get results (may need a few seconds)
r = ad_client.get_multivariate_batch_detection_result(result_id)
print("Get detection result...(it may take a few seconds)")
while r.summary.status != MultivariateBatchDetectionStatus.READY and r.summary.status != MultivariateBatchDetectionStatus.FAILED and r.summary.status !=MultivariateBatchDetectionStatus.CREATED:
anomaly_results = ad_client.get_multivariate_batch_detection_result(result_id)
print("Detection is {}".format(r.summary.status))
time.sleep(5)
print("Result ID:\t", anomaly_results.result_id)
print("Result status:\t", anomaly_results.summary.status)
print("Result length:\t", len(anomaly_results.results))
# See detailed inference result
for r in anomaly_results.results:
print(
"timestamp: {}, is_anomaly: {:<5}, anomaly score: {:.4f}, severity: {:.4f}, contributor count: {:<4d}".format(
r.timestamp,
r.value.is_anomaly,
r.value.score,
r.value.severity,
len(r.value.interpretation) if r.value.is_anomaly else 0,
)
)
if r.value.interpretation:
for contributor in r.value.interpretation:
print(
"\tcontributor variable: {:<10}, contributor score: {:.4f}".format(
contributor.variable, contributor.contribution_score
)
)
執行應用程式
在 python 快速入門檔案上使用 命令執行應用程式。
python sample_multivariate_detect.py
輸出
10 available models before training.
Training new model...(it may take a few minutes)
Training model id is 3a695878-a88f-11ed-a16c-b290e72010e0
{'modelId': '3a695878-a88f-11ed-a16c-b290e72010e0', 'createdTime': '2023-02-09T15:34:23Z', 'lastUpdatedTime': '2023-02-09T15:34:23Z', 'modelInfo': {'dataSource': 'https://docstest001.blob.core.windows.net/test/sample_data_5_3000 (1).csv', 'dataSchema': 'OneTable', 'startTime': '2021-01-02T00:00:00Z', 'endTime': '2021-01-02T05:00:00Z', 'displayName': 'sample', 'slidingWindow': 200, 'alignPolicy': {'alignMode': 'Outer', 'fillNAMethod': 'Linear', 'paddingValue': 0.0}, 'status': 'CREATED', 'errors': [], 'diagnosticsInfo': {'modelState': {'epochIds': [], 'trainLosses': [], 'validationLosses': [], 'latenciesInSeconds': []}, 'variableStates': []}}}
Model is CREATED
{'modelId': '3a695878-a88f-11ed-a16c-b290e72010e0', 'createdTime': '2023-02-09T15:34:23Z', 'lastUpdatedTime': '2023-02-09T15:34:55Z', 'modelInfo': {'dataSource': 'https://docstest001.blob.core.windows.net/test/sample_data_5_3000 (1).csv', 'dataSchema': 'OneTable', 'startTime': '2021-01-02T00:00:00Z', 'endTime': '2021-01-02T05:00:00Z', 'displayName': 'sample', 'slidingWindow': 200, 'alignPolicy': {'alignMode': 'Outer', 'fillNAMethod': 'Linear', 'paddingValue': 0.0}, 'status': 'READY', 'errors': [], 'diagnosticsInfo': {'modelState': {'epochIds': [10, 20, 30, 40, 50, 60, 70, 80, 90, 100], 'trainLosses': [1.0493712276220322, 0.5454281121492386, 0.42524269968271255, 0.38019897043704987, 0.3472398854792118, 0.34301353991031647, 0.3219067454338074, 0.3108387663960457, 0.30357857793569565, 0.29986055195331573], 'validationLosses': [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], 'latenciesInSeconds': [0.3412797451019287, 0.25798678398132324, 0.2556419372558594, 0.3165152072906494, 0.2748451232910156, 0.26111531257629395, 0.2571413516998291, 0.257282018661499, 0.2549862861633301, 0.25806593894958496]}, 'variableStates': [{'variable': 'series_0', 'filledNARatio': 0.0, 'effectiveCount': 301, 'firstTimestamp': '2021-01-02T00:00:00Z', 'lastTimestamp': '2021-01-02T05:00:00Z'}, {'variable': 'series_1', 'filledNARatio': 0.0, 'effectiveCount': 301, 'firstTimestamp': '2021-01-02T00:00:00Z', 'lastTimestamp': '2021-01-02T05:00:00Z'}, {'variable': 'series_2', 'filledNARatio': 0.0, 'effectiveCount': 301, 'firstTimestamp': '2021-01-02T00:00:00Z', 'lastTimestamp': '2021-01-02T05:00:00Z'}, {'variable': 'series_3', 'filledNARatio': 0.0, 'effectiveCount': 301, 'firstTimestamp': '2021-01-02T00:00:00Z', 'lastTimestamp': '2021-01-02T05:00:00Z'}, {'variable': 'series_4', 'filledNARatio': 0.0, 'effectiveCount': 301, 'firstTimestamp': '2021-01-02T00:00:00Z', 'lastTimestamp': '2021-01-02T05:00:00Z'}]}}}
Model is READY
Done.
--------------------
10 available models after training.
Get detection result...(it may take a few seconds)
Detection is CREATED
Detection is READY
Result ID: 70a6cdf8-a88f-11ed-a461-928899e62c38
Result status: READY
Result length: 301
timestamp: 2021-01-02 00:00:00+00:00, is_anomaly: 0 , anomaly score: 0.1770, severity: 0.0000, contributor count: 0
timestamp: 2021-01-02 00:01:00+00:00, is_anomaly: 0 , anomaly score: 0.3446, severity: 0.0000, contributor count: 0
timestamp: 2021-01-02 00:02:00+00:00, is_anomaly: 0 , anomaly score: 0.2397, severity: 0.0000, contributor count: 0
timestamp: 2021-01-02 00:03:00+00:00, is_anomaly: 0 , anomaly score: 0.1270, severity: 0.0000, contributor count: 0
timestamp: 2021-01-02 00:04:00+00:00, is_anomaly: 0 , anomaly score: 0.3321, severity: 0.0000, contributor count: 0
timestamp: 2021-01-02 00:05:00+00:00, is_anomaly: 0 , anomaly score: 0.4053, severity: 0.0000, contributor count: 0
timestamp: 2021-01-02 00:06:00+00:00, is_anomaly: 0 , anomaly score: 0.4371, severity: 0.0000, contributor count: 0
timestamp: 2021-01-02 00:07:00+00:00, is_anomaly: 1 , anomaly score: 0.6615, severity: 0.3850, contributor count: 5
contributor variable: series_3 , contributor score: 0.2939
contributor variable: series_1 , contributor score: 0.2834
contributor variable: series_4 , contributor score: 0.2329
contributor variable: series_0 , contributor score: 0.1543
contributor variable: series_2 , contributor score: 0.0354
為了簡潔起見，輸出結果已截斷。
清除資源
如果您想要清除並移除 異常偵測程式 資源，您可以刪除資源或資源群組。 刪除資源群組也會刪除與其相關聯的任何其他資源。 如果您不想再使用環境變數，您也可以考慮 刪除您所建立的環境變數 。
開始使用適用於 Java 的 異常偵測程式 多變數用戶端連結庫。 請遵循下列步驟，以使用服務所提供的演算法來安裝套件。 新的多變量異常偵測程式 API 可讓開發人員輕鬆整合進階 AI 來偵測計量群組中的異常，而不需要機器學習知識或標籤資料。 不同訊號之間的相依性和相互關聯性會自動計算為關鍵因素。 這可協助您主動保護複雜的系統免於失敗。
使用適用於 Java 的 異常偵測程式 多重變數用戶端連結庫來：
- 從時間序列群組偵測系統層級異常。
- 當任何個別的時間序列不會告訴您太多時，您必須查看所有訊號來偵測問題。
- 使用數十到數百種不同類型的感測器來測量系統健康情況的各種層面，對昂貴的實體資產進行述詞維護。
連結庫參考文件 | 連結庫原始程式碼 | 套件 （Maven） | 範例程式代碼
必要條件
- Azure 訂用帳戶 - 免費建立一個訂用帳戶
- Java 開發工具套件的 目前版本（JDK）
- Gradle 建置工具或其他相依性管理員。
- 擁有 Azure 訂用帳戶之後，請在 Azure 入口網站 中建立 異常偵測程式 資源，以取得您的密鑰和端點。 等候部署它，然後選取 [移至資源 ] 按鈕。
- 您需要從您建立的資源取得密鑰和端點，才能將應用程式連線到 異常偵測程式 API。 您稍後會在快速入門中將金鑰和端點貼到下列程式代碼中。
您可以使用免費定價層 （
F0） 來試用服務，稍後再升級至生產環境的付費層。
- 您需要從您建立的資源取得密鑰和端點，才能將應用程式連線到 異常偵測程式 API。 您稍後會在快速入門中將金鑰和端點貼到下列程式代碼中。
您可以使用免費定價層 （
設定
建立新的 Gradle 專案
本快速入門使用 Gradle 相依性管理員。 您可以在 Maven 中央存放庫找到更多用戶端連結庫資訊。
在主控台視窗中（例如 cmd、PowerShell 或 Bash），為您的應用程式建立新的目錄，然後流覽至它。
mkdir myapp && cd myapp
gradle init從工作目錄執行 命令。 此命令會建立 Gradle 的基本組建檔案，包括 build.gradle.kts，將在執行階段使用 build.gradle.kts，來建立及設定應用程式。
gradle init --type basic
當系統提示您選擇 DSL 時，請選取 [Kotlin]。
安裝客戶端連結庫
找出 build.gradle.kts ，並使用您慣用的 IDE 或文本編輯器加以開啟。 然後在此組建群組態中複製 。 請務必包含專案相依性。
dependencies {
compile("com.azure:azure-ai-anomalydetector")
}
建立 Java 檔案
為您的範例應用程式建立資料夾。 從您的工作目錄中，執行下列命令：
mkdir -p src/main/java
流覽至新的資料夾，並建立名為 MetricsAdvisorQuickstarts.java 的檔案。 在慣用的編輯器或 IDE 中開啟它，並新增下列 import 語句：
package com.azure.ai.anomalydetector;
import com.azure.ai.anomalydetector.models.*;
import com.azure.core.credential.AzureKeyCredential;
import com.azure.core.http.*;
import com.azure.core.http.policy.*;
import com.azure.core.http.rest.PagedIterable;
import com.azure.core.http.rest.PagedResponse;
import com.azure.core.http.rest.Response;
import com.azure.core.http.rest.StreamResponse;
import com.azure.core.util.Context;
import reactor.core.publisher.Flux;
import java.io.FileOutputStream;
import java.io.IOException;
import java.io.UncheckedIOException;
import java.nio.ByteBuffer;
import java.nio.file.Files;
import java.nio.file.Path;
import java.nio.file.Paths;
import java.time.*;
import java.time.format.DateTimeFormatter;
import java.util.Iterator;
import java.util.List;
import java.util.UUID;
import java.util.stream.Collectors;
建立資源的 Azure 端點和金鑰變數。 為範例數據檔建立另一個變數。
注意
您一律可以選擇使用兩個金鑰之一。 這是為了允許安全金鑰輪替。 為了方便本快速入門使用第一個金鑰。
String key = "YOUR_API_KEY";
String endpoint = "YOUR_ENDPOINT";
重要
當您完成時，請記得從程式碼中移除密鑰，且絕不會公開發佈。 針對生產環境，請使用安全的方式來儲存和存取您的認證，例如 Azure 金鑰保存庫。 如需詳細資訊，請參閱 Azure AI 服務安全性一文。
若要使用 異常偵測程式 多重變數 API，您必須先定型自己的模型。 定型資料是一組符合下列需求的多個時間序列：
每個時間序列都應該是 CSV 檔案，其中包含兩個（且只有兩個）數據行：“timestamp” 和 “value” （全部以小寫為單位），作為標頭數據列。 “timestamp” 值應符合 ISO 8601;“value” 可以是整數或小數點，具有任意數目的小數字數。 例如：
| timestamp | value |
|---|---|
| 2019-04-01T00：00：00Z | 5 |
| 2019-04-01T00：01：00Z | 3.6 |
| 2019-04-01T00：02：00Z | 4 |
... |
... |
每個 CSV 檔案都應該以將用於模型定型的不同變數命名。 例如，“temperature.csv” 和 “humidity.csv”。 所有 CSV 檔案都應該壓縮成一個沒有子資料夾的 zip 檔案。 zip 檔案可以有您想要的任何名稱。 ZIP 檔案應該上傳至 Azure Blob 記憶體。 一旦您產生 zip 檔案的 Blob SAS（共用存取簽章）URL，就可以用於定型。 請參閱本檔，以瞭解如何從 Azure Blob 儲存體 產生 SAS URL。
程式碼範例
這些代碼段示範如何使用 Node.js 的 異常偵測程式 用戶端連結庫來執行下列作業：
驗證用戶端
使用您的端點和認證具現化 anomalyDetectorClient 物件。
HttpHeaders headers = new HttpHeaders()
.put("Accept", ContentType.APPLICATION_JSON);
HttpPipelinePolicy authPolicy = new AzureKeyCredentialPolicy("Ocp-Apim-Subscription-Key",
new AzureKeyCredential(key));
AddHeadersPolicy addHeadersPolicy = new AddHeadersPolicy(headers);
HttpPipeline httpPipeline = new HttpPipelineBuilder().httpClient(HttpClient.createDefault())
.policies(authPolicy, addHeadersPolicy).build();
// Instantiate a client that will be used to call the service.
HttpLogOptions httpLogOptions = new HttpLogOptions();
httpLogOptions.setLogLevel(HttpLogDetailLevel.BODY_AND_HEADERS);
AnomalyDetectorClient anomalyDetectorClient = new AnomalyDetectorClientBuilder()
.pipeline(httpPipeline)
.endpoint(endpoint)
.httpLogOptions(httpLogOptions)
.buildClient();
將模型定型
建構模型結果和定型模型
首先，我們需要建構模型要求。 請確定開始和結束時間與您的數據源一致。
若要使用 異常偵測程式 多重變數 API，我們必須先定型自己的模型，才能使用偵測。 用於定型的數據是一批時間序列，每個時間序列都應該位於只有兩個數據行的 CSV 檔案中， 「時間戳」 和 「值」（數據行名稱應該完全相同）。 每個 CSV 檔案都應該以時間序列的每個變數命名。 所有的時間序列都應壓縮成單一 ZIP 檔案，並上傳至 Azure Blob 儲存體，且不需要 ZIP 檔案名稱。 或者，如果您想要變數的名稱與 .zip 檔名不同，則可以在 zip 檔案中包含額外的 meta.json 檔案。 一旦產生 Blob SAS（共用存取簽章）URL，我們就可以使用 ZIP 檔案的 URL 進行定型。
Path path = Paths.get("test-data.csv");
List<String> requestData = Files.readAllLines(path);
List<TimeSeriesPoint> series = requestData.stream()
.map(line -> line.trim())
.filter(line -> line.length() > 0)
.map(line -> line.split(",", 2))
.filter(splits -> splits.length == 2)
.map(splits -> {
TimeSeriesPoint timeSeriesPoint = new TimeSeriesPoint();
timeSeriesPoint.setTimestamp(OffsetDateTime.parse(splits[0]));
timeSeriesPoint.setValue(Float.parseFloat(splits[1]));
return timeSeriesPoint;
})
.collect(Collectors.toList());
Integer window = 28;
AlignMode alignMode = AlignMode.OUTER;
FillNAMethod fillNAMethod = FillNAMethod.LINEAR;
Integer paddingValue = 0;
AlignPolicy alignPolicy = new AlignPolicy()
.setAlignMode(alignMode)
.setFillNAMethod(fillNAMethod)
.setPaddingValue(paddingValue);
String source = "YOUR_SAMPLE_ZIP_FILE_LOCATED_IN_AZURE_BLOB_STORAGE_WITH_SAS";
OffsetDateTime startTime = OffsetDateTime.of(2021, 1, 2, 0, 0, 0, 0, ZoneOffset.UTC);
OffsetDateTime endTime = OffsetDateTime.of(2021, 1, 3, 0, 0, 0, 0, ZoneOffset.UTC);
String displayName = "Devops-MultiAD";
ModelInfo request = new ModelInfo()
.setSlidingWindow(window)
.setAlignPolicy(alignPolicy)
.setSource(source)
.setStartTime(startTime)
.setEndTime(endTime)
.setDisplayName(displayName);
TrainMultivariateModelResponse trainMultivariateModelResponse = anomalyDetectorClient.trainMultivariateModelWithResponse(request, Context.NONE);
String header = trainMultivariateModelResponse.getDeserializedHeaders().getLocation();
String[] substring = header.split("/");
UUID modelId = UUID.fromString(substring[substring.length - 1]);
System.out.println(modelId);
//Check model status until the model is ready
Response<Model> trainResponse;
while (true) {
trainResponse = anomalyDetectorClient.getMultivariateModelWithResponse(modelId, Context.NONE);
ModelStatus modelStatus = trainResponse.getValue().getModelInfo().getStatus();
if (modelStatus == ModelStatus.READY || modelStatus == ModelStatus.FAILED) {
break;
}
TimeUnit.SECONDS.sleep(10);
}
if (trainResponse.getValue().getModelInfo().getStatus() != ModelStatus.READY){
System.out.println("Training failed.");
List<ErrorResponse> errorMessages = trainResponse.getValue().getModelInfo().getErrors();
for (ErrorResponse errorMessage : errorMessages) {
System.out.println("Error code: " + errorMessage.getCode());
System.out.println("Error message: " + errorMessage.getMessage());
}
}
偵測異常
DetectionRequest detectionRequest = new DetectionRequest().setSource(source).setStartTime(startTime).setEndTime(endTime);
DetectAnomalyResponse detectAnomalyResponse = anomalyDetectorClient.detectAnomalyWithResponse(modelId, detectionRequest, Context.NONE);
String location = detectAnomalyResponse.getDeserializedHeaders().getLocation();
String[] substring = location.split("/");
UUID resultId = UUID.fromString(substring[substring.length - 1]);
DetectionResult detectionResult;
while (true) {
detectionResult = anomalyDetectorClient.getDetectionResult(resultId);
DetectionStatus detectionStatus = detectionResult.getSummary().getStatus();;
if (detectionStatus == DetectionStatus.READY || detectionStatus == DetectionStatus.FAILED) {
break;
}
TimeUnit.SECONDS.sleep(10);
}
if (detectionResult.getSummary().getStatus() != DetectionStatus.READY){
System.out.println("Inference failed");
List<ErrorResponse> detectErrorMessages = detectionResult.getSummary().getErrors();
for (ErrorResponse errorMessage : detectErrorMessages) {
System.out.println("Error code: " + errorMessage.getCode());
System.out.println("Error message: " + errorMessage.getMessage());
}
}
匯出模式
注意
匯出命令的目的是要用來允許在容器化環境中執行 異常偵測程式 多變數模型。 目前不支援多重變數，但未來將會新增支援。
若要匯出已定型的模型， exportModelWithResponse請使用 。
StreamResponse response_export = anomalyDetectorClient.exportModelWithResponse(model_id, Context.NONE);
Flux<ByteBuffer> value = response_export.getValue();
FileOutputStream bw = new FileOutputStream("result.zip");
value.subscribe(s -> write(bw, s), (e) -> close(bw), () -> close(bw));
刪除模型
若要刪除目前資源可用的現有模型，請使用 函式 deleteMultivariateModelWithResponse 。
Response<Void> deleteMultivariateModelWithResponse = anomalyDetectorClient.deleteMultivariateModelWithResponse(model_id, Context.NONE);
執行應用程式
您可以使用下列項目建置應用程式：
gradle build
執行應用程式
在執行之前，檢查您的程式代碼是否有 完整的範例程式代碼會很有説明。
以下列目標執行應用程式 run ：
gradle run
清除資源
如果您想要清除和移除 Azure AI 服務訂用帳戶，則可以刪除資源或資源群組。 刪除資源群組也會刪除與資源群組相關聯的任何其他資源。