Kommentar
Åtkomst till den här sidan kräver auktorisering. Du kan prova att logga in eller ändra kataloger.
Åtkomst till den här sidan kräver auktorisering. Du kan prova att ändra kataloger.
Den här artikeln innehåller en översikt över specifikationerna och funktionerna i de avvikelseidentifieringsmodeller som är tillgängliga i Fabric Real-Time Intelligence. Dessa modeller är utformade för att automatiskt identifiera ovanliga mönster och extremvärden i dina dataströmmar.
Viktigt!
Den här funktionen är i förhandsversion.
Modeller som stöds
| Modellnamn | Description | Package |
|---|---|---|
| Signalövervakare | Analyserar den underliggande signalen för att identifiera ovanliga beteenden, från subtila förändringar till skarpa toppar. | TSB-AD – baserat på SR-algoritm |
| Signal Watcher (säsongsbetonad) | Identifierar ett brett spektrum av ovanliga beteenden, från subtila förändringar till skarpa toppar, genom att analysera den underliggande signalen förstärkt med säsongsvariationer. | TSB-AD – baserat på SR-algoritm |
| Signal Watcher (optimerad säsongsmässig) | Identifierar ett brett spektrum av ovanliga beteenden, från subtila förändringar till skarpa toppar, genom att analysera den underliggande signalen, förstärkt med komplex säsongsvariation. | TSB-AD – baserat på SR-algoritm |
| Histogram Sentinel | Identifierar avvikelser baserat på datadistributionsmönster, vilket ger snabba och skalbara prestanda för stora datamängder. | TSB-AD – baserat på HBOS-algoritm |
| Mönsternärhet | Använder k-närmaste grannar för att identifiera avvikelser baserat på närheten till datapunkter i attribututrymmet. Perfekt för lokala mönsterskift. | TSB-AD – baserat på KNN-algoritm |
| Sökverktyget för kärnmönster | Minskar komplexa data till de viktigaste mönstren, vilket gör det enklare att identifiera subtila och dolda avvikelser. | TSB-AD – baserat på PCA-algoritm |
| Ändra spikdetektor | Prickar skarpa, lokala ändringar genom att jämföra hur värden utvecklas över tid. | MS har utvecklats |
| Löpande ändringsövervakningssystem | Spårar rörliga trender för att identifiera gradvisa förändringar i datamönster. | MS har utvecklats |
| Avvikarradar | Markerar datapunkter som avviker avsevärt från genomsnittet, vilket är användbart för att upptäcka stora och plötsliga extremvärden. | MS har utvecklats |
| Robust avvikanderadar | I likhet med Extremradar använder den här modellen medianen för en mer robust analys av skeva data. Den fokuserar på betydande avvikelser samtidigt som naturliga variationer ignoreras. Detta gör det stabilt i bullriga miljöer. | MS har utvecklats |
| Robust extremradar (säsongsbaserad) | Hanterar komplexa datadistributioner och inkluderar säsongsmedvetenhet, vilket gör den idealisk för återkommande mönster. | MS har utvecklats |
| Avvikelsepuls | Övervakar signaler för betydande avvikelser, optimerade för att identifiera framstående händelser. | MS har utvecklats |