Remarque
L’accès à cette page nécessite une autorisation. Vous pouvez essayer de vous connecter ou de modifier des répertoires.
L’accès à cette page nécessite une autorisation. Vous pouvez essayer de modifier des répertoires.
Cet article fournit une vue d’ensemble des spécifications et des fonctionnalités des modèles de détection d’anomalies disponibles dans Fabric Real-Time Intelligence. Ces modèles sont conçus pour identifier automatiquement les modèles inhabituels et les valeurs hors norme dans vos flux de données.
Important
Cette fonctionnalité est en version préliminaire.
Modèles pris en charge
| Nom du modèle | Descriptif | Package |
|---|---|---|
| Signal Watcher | Analyse le signal sous-jacent pour détecter des comportements inhabituels, des décalages subtils aux pics aigus. | TSB-AD - Basé sur l’algorithme SR |
| Signal Watcher (saisonnier) | Détecte un large éventail de comportements inhabituels, des changements subtils aux pics aigus, en analysant le signal sous-jacent augmenté avec la saisonnalité. | TSB-AD - Basé sur l’algorithme SR |
| Signal Watcher (saison améliorée) | Détecte un large éventail de comportements inhabituels, des changements subtils aux pics aigus, en analysant le signal sous-jacent, augmenté avec une saisonnalité complexe. | TSB-AD - Basé sur l’algorithme SR |
| L'histogramme Sentinel | Identifie les anomalies basées sur des modèles de distribution de données, offrant des performances rapides et évolutives pour les jeux de données volumineux. | TSB-AD - Basé sur l'algorithme HBOS |
| Proximité du modèle | Utilise les voisins les plus proches pour détecter les anomalies en fonction de la proximité des points de données dans l’espace de fonctionnalité. Idéal pour les modifications de configurations locales. | TSB-AD - Basé sur l’algorithme KNN |
| Détecteur de Motifs de Base | Réduit les données complexes à ses modèles les plus essentiels, ce qui facilite la détection des anomalies subtiles et masquées. | TSB-AD - Basé sur l’algorithme PCA |
| Changer le détecteur de pics | Repère les changements brusques et locaux en comparant l'évolution des valeurs au fil du temps. | Développé par Microsoft |
| Suivi des modifications continues | Suit les tendances mobiles pour identifier les changements progressifs dans les modèles de données. | Développé par Microsoft |
| Radar hors norme | ** Met en surbrillance les points de données qui s’écartent considérablement de la moyenne, permettant de repérer les valeurs aberrantes importantes et soudaines. | Développé par Microsoft |
| Radar de détection des anomalies robuste | À l’instar du radar hors norme, ce modèle utilise la médiane pour une analyse plus robuste des données asymétriques. Il se concentre sur des écarts significatifs tout en ignorant les fluctuations naturelles. Cela le rend stable dans les environnements bruyants. | Développé par Microsoft |
| Radar d'Aberrant Robuste (Saisonnier) | Gère les distributions de données complexes et intègre une prise de conscience saisonnière, ce qui le rend idéal pour les modèles récurrents. | Développé par Microsoft |
| Pulse de Déviation | Surveille les signaux pour les écarts significatifs, optimisé pour détecter les événements remarquables. | Développé par Microsoft |