AnomalyDetector class

Initialise une nouvelle instance de la classe AnomalyDetector.

new AnomalyDetector(endpoint: string, options?: AnomalyDetectorOptionalParams)

Paramètres

apiVersion: string

Valeur de propriété

héritée deAnomalyDetectorContext.apiVersion

endpoint: string

Valeur de propriété

héritée deAnomalyDetectorContext.endpoint

Supprimer un modèle multivarié existant en fonction du modelId

function deleteMultivariateModel(modelId: string, options?: AnomalyDetectorDeleteMultivariateModelOptionalParams): Promise<RestResponse>

Paramètres

Retours

Envoyer la tâche d’anomalie multivariée de détection avec le modèle entraîné de modelId, le schéma d’entrée doit être identique à la demande d’entraînement. Par conséquent, la requête est terminée de façon asynchrone et retourne un resultId pour interroger le résultat de détection. La requête doit être un lien source pour indiquer un URI de stockage Azure accessible en externe (de préférence un URI de signature d’accès partagé). Toutes les séries chronologiques utilisées dans la génération du modèle doivent être compressées dans un seul fichier. Chaque série chronologique sera la suivante : la première colonne est horodatage et la deuxième colonne est la valeur.

function detectAnomaly(modelId: string, body: DetectionRequest, options?: AnomalyDetectorDetectAnomalyOptionalParams): Promise<AnomalyDetectorDetectAnomalyResponse>

Paramètres

Retours

Évaluer le score de point de modification de chaque point de série

function detectChangePoint(body: DetectChangePointRequest, options?: AnomalyDetectorDetectChangePointOptionalParams): Promise<AnomalyDetectorDetectChangePointResponse>

Paramètres

Retours

Cette opération génère un modèle avec une série entière, chaque point est détecté avec le même modèle. Avec cette méthode, les points avant et après un certain point sont utilisés pour déterminer s’il s’agit d’une anomalie. Toute la détection peut donner à l’utilisateur un état global de la série chronologique.

function detectEntireSeries(body: DetectRequest, options?: AnomalyDetectorDetectEntireSeriesOptionalParams): Promise<AnomalyDetectorDetectEntireSeriesResponse>

Paramètres

Retours

Cette opération génère un modèle à l’aide de points avant la dernière. Avec cette méthode, seuls les points historiques sont utilisés pour déterminer si le point cible est une anomalie. La dernière opération de détection de point correspond au scénario de surveillance en temps réel des métriques métier.

function detectLastPoint(body: DetectRequest, options?: AnomalyDetectorDetectLastPointOptionalParams): Promise<AnomalyDetectorDetectLastPointResponse>

Paramètres

Retours

Exporter un modèle de détection d’anomalies multivarié basé sur modelId

function exportModel(modelId: string, options?: AnomalyDetectorExportModelOptionalParams): Promise<AnomalyDetectorExportModelResponse>

Paramètres

Retours

Obtenir le résultat de détection d’anomalies multivarié en fonction de resultId retourné par l’API DetectAnomalyAsync

function getDetectionResult(resultId: string, options?: AnomalyDetectorGetDetectionResultOptionalParams): Promise<AnomalyDetectorGetDetectionResultResponse>

Paramètres

Retours

Obtenez des informations détaillées sur le modèle multivarié, notamment l’état d’entraînement et les variables utilisées dans le modèle.

function getMultivariateModel(modelId: string, options?: AnomalyDetectorGetMultivariateModelOptionalParams): Promise<AnomalyDetectorGetMultivariateModelResponse>

Paramètres

Retours

API synchronisée pour la détection d’anomalies.

function lastDetectAnomaly(modelId: string, body: LastDetectionRequest, options?: AnomalyDetectorLastDetectAnomalyOptionalParams): Promise<AnomalyDetectorLastDetectAnomalyResponse>

Paramètres

Retours

Répertorier les modèles d’un abonnement

function listMultivariateModel(options?: AnomalyDetectorListMultivariateModelOptionalParams): PagedAsyncIterableIterator<AnomalyDetectorClientModelSnapshot, AnomalyDetectorClientModelSnapshot[], PageSettings>

Paramètres

Retours

Créez et entraînez un modèle de détection d’anomalies multivarié. La demande doit inclure un paramètre source pour indiquer un URI de stockage Azure accessible en externe (de préférence un URI de signature d’accès partagé). Toutes les séries chronologiques utilisées dans la génération du modèle doivent être compressées dans un seul fichier. Chaque série chronologique se trouve dans un fichier CSV unique dans lequel la première colonne est timestamp et la deuxième colonne est la valeur.

function trainMultivariateModel(body: AnomalyDetectorClientModelInfo, options?: AnomalyDetectorTrainMultivariateModelOptionalParams): Promise<AnomalyDetectorTrainMultivariateModelResponse>

Paramètres

Retours

Envoyez une requête HTTP remplie à l’aide de operationSpec fournie.

function sendOperationRequest(operationArguments: OperationArguments, operationSpec: OperationSpec, callback?: ServiceCallback<any>): Promise<RestResponse>

Paramètres

Retours

héritée deAnomalyDetectorContext.sendOperationRequest

Envoyez le httpRequest fourni.

function sendRequest(options: RequestPrepareOptions | WebResourceLike): Promise<HttpOperationResponse>

Paramètres

Retours

héritée deAnomalyDetectorContext.sendRequest