Примечание.
Для доступа к этой странице требуется авторизация. Вы можете попробовать войти или изменить каталоги.
Для доступа к этой странице требуется авторизация. Вы можете попробовать изменить каталоги.
В этой статье представлен обзор спецификаций и возможностей моделей обнаружения аномалий, доступных в Fabric Real-Time Intelligence. Эти модели предназначены для автоматической идентификации необычных шаблонов и выскользов в потоках данных.
Это важно
Эта функция доступна в предварительной версии.
Поддерживаемые модели
| Имя модели | Description | Package |
|---|---|---|
| Наблюдатель сигналов | Анализирует базовый сигнал для обнаружения необычных действий, от тонких сдвигов к резким пикам. | TSB-AD — на основе алгоритма SR |
| Наблюдатель сигналов (сезонный) | Обнаруживает широкий спектр необычных действий, от тонких сдвигов до резких пиков, анализируя базовый сигнал, дополненный сезонностью. | TSB-AD — на основе алгоритма SR |
| Наблюдатель за сигналами (улучшенный сезонный) | Обнаруживает широкий спектр необычных действий, от тонких сдвигов к резким пикам, анализируя базовый сигнал, дополненный сложной сезонностью. | TSB-AD — на основе алгоритма SR |
| Гистограмма Sentinel | Определяет аномалии на основе шаблонов распределения данных, предлагая быструю и масштабируемую производительность для больших наборов данных. | TSB-AD — на основе алгоритма HBOS |
| Близость шаблона | Использует ближайшие соседи k для обнаружения аномалий на основе близости точек данных в пространстве признаков. Идеально подходит для локальных сдвигов шаблонов. | TSB-AD — на основе алгоритма KNN |
| Средство поиска основных шаблонов | Сокращает сложные данные до наиболее важных шаблонов, что упрощает обнаружение тонких и скрытых аномалий. | TSB-AD — на основе алгоритма PCA |
| Изменение детектора пиков | Обнаруживает резкие локальные изменения посредством сравнения того, как изменяются значения со временем. | Разработано Microsoft |
| Скользящий трекер изменений | Отслеживает тенденции перемещения, чтобы определить постепенные сдвиги в шаблонах данных. | Разработано Microsoft |
| Радар обнаружения аномалий | Выделяет точки данных, которые значительно отклоняются от среднего, полезно для обнаружения больших и внезапных аномалий. | Разработано Microsoft |
| Надёжный радар обнаружения выбросов | Аналогично Outlier Radar, эта модель использует медиану для более надежного анализа отклоненных данных. Он фокусируется на значительных отклонениях, игнорируя естественные колебания. Это делает его стабильным в шумных средах. | Разработано Microsoft |
| Надежный радар выбросов (сезонный) | Обрабатывает сложные распределения данных и включает сезонную осведомленность, что делает его идеальным для повторяющихся шаблонов. | Разработано Microsoft |
| Отклонение пульса | Отслеживает значительные отклонения сигналов, оптимизирован для обнаружения выдающихся событий. | Разработано Microsoft |