Partager via

AnomalyDetectorClient Classe

  • Référence

L’API Détecteur d'anomalies détecte automatiquement les anomalies dans les données de série chronologique. Il prend en charge deux types de mode : l’un pour l’utilisation sans état, l’autre pour l’utilisation avec état. En mode sans état, il existe trois fonctionnalités. La détection complète permet de détecter l’ensemble de la série avec le modèle entraîné par la série chronologique. Last Detect permet de détecter le dernier point avec le modèle entraîné par des points avant. ChangePoint Detect permet de détecter les changements de tendance dans les séries chronologiques. En mode avec état, l’utilisateur peut stocker des séries chronologiques. Les séries chronologiques stockées seront utilisées pour la détection des anomalies. Dans ce mode, l’utilisateur peut toujours utiliser les trois fonctionnalités ci-dessus en donnant uniquement un intervalle de temps sans préparer les séries chronologiques côté client. Outre les trois fonctionnalités ci-dessus, le modèle avec état fournit également un service de détection et d’étiquetage basé sur les groupes. En tirant parti de l’étiquetage, l’utilisateur du service peut fournir des étiquettes pour chaque résultat de détection, ces étiquettes seront utilisées pour réagréger ou régénérer les modèles de détection. La détection d’incohérence est une sorte de détection basée sur un groupe. Cette détection trouve les incohérences dans un ensemble de séries chronologiques. En utilisant le service détecteur d’anomalies, les clients métier peuvent détecter les incidents et établir un flux logique pour l’analyse de la cause racine.

Héritage
azure.ai.anomalydetector._operations._operations.AnomalyDetectorClientOperationsMixin
AnomalyDetectorClient

Constructeur

AnomalyDetectorClient(endpoint: str, credential: AzureKeyCredential, **kwargs: Any)

Paramètres

endpoint
str
Obligatoire

Points de terminaison Cognitive Services pris en charge (protocole et nom d’hôte, par exemple : https://westus2.api.cognitive.microsoft.com). Obligatoire.

credential
AzureKeyCredential
Obligatoire

Informations d’identification nécessaires pour que le client se connecte à Azure. Obligatoire.

api_version
str

Version de l’API. La valeur par défaut est « v1.1 ». Notez que la substitution de cette valeur par défaut peut entraîner un comportement non pris en charge.

Méthodes

close
delete_multivariate_model

Supprimer le modèle multivarié.

Supprime un modèle multivarié existant en fonction de l’ID de modèle.
detect_multivariate_batch_anomaly

Détecter une anomalie multivariée.

Envoyez une tâche de détection d’anomalie multivariée avec le modelId des données de modèle et d’inférence entraînées. Le schéma d’entrée doit être identique à la demande d’entraînement. La requête se termine de manière asynchrone et retourne un resultId pour interroger le résultat de la détection. La demande doit être un lien source pour indiquer un URI de stockage Azure accessible en externe, soit pointé vers un dossier de stockage Blob Azure, soit pointé vers un fichier CSV dans stockage blob Azure.
detect_multivariate_last_anomaly

Détectez les anomalies dans le dernier point du corps de la requête.

Envoyez une tâche de détection d’anomalie multivariée avec le modelId des données de modèle et d’inférence entraînées, et les données d’inférence doivent être placées dans le corps de la requête au format JSON. La demande se termine de manière synchrone et retourne la détection immédiatement dans le corps de la réponse.
detect_univariate_change_point

Détectez le point de modification pour l’ensemble de la série.

Évaluez le score de point de modification de chaque point de série.
detect_univariate_entire_series

Détectez les anomalies pour l’ensemble de la série en lot.

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. L’ensemble de la détection peut donner à l’utilisateur une status globale de la série chronologique.
detect_univariate_last_point

Détectez les status d’anomalie du dernier point de la série chronologique.

Cette opération génère un modèle à l’aide des points que vous avez envoyés dans l’API et en fonction de toutes les données pour déterminer si le dernier point est anormal.
get_multivariate_batch_detection_result

Obtenez le résultat de la détection d’anomalie multivariée.

Pour l’inférence asynchrone, obtenez le résultat de détection d’anomalie multivarié basé sur resultId retourné par l’api BatchDetectAnomaly.
get_multivariate_model

Obtenir un modèle multivarié.

Obtenir des informations détaillées sur le modèle multivarié, incluant l’état d’apprentissage et les variables utilisées dans le modèle.
list_multivariate_models

Répertorier les modèles multivariés.

Répertorier les modèles d’une ressource.
send_request

Exécute la requête réseau via les stratégies chaînées du client.


>>> from azure.core.rest import HttpRequest
>>> request = HttpRequest("GET", "https://www.example.org/")
<HttpRequest [GET], url: 'https://www.example.org/'>
>>> response = client.send_request(request)
<HttpResponse: 200 OK>

Pour plus d’informations sur ce flux de code, consultez https://aka.ms/azsdk/dpcodegen/python/send_request
train_multivariate_model

Entraîner un modèle de détection d’anomalie multivarié.

Créer et effectuer l’apprentissage d’un modèle de détection d’anomalies multivarié La demande doit inclure un paramètre source pour indiquer un URI de stockage Blob Azure accessible en externe. Il existe deux types d’entrée de données : un URI pointé vers un dossier de stockage Blob Azure qui contient plusieurs fichiers CSV, et chaque fichier CSV contient deux colonnes, horodatage et variable. Un autre type d’entrée est un URI pointé vers un fichier CSV dans stockage blob Azure, qui contient toutes les variables et une colonne d’horodatage.

close 

close() -> None

delete_multivariate_model

Supprimer le modèle multivarié.

Supprime un modèle multivarié existant en fonction de l’ID de modèle.

delete_multivariate_model(model_id: str, **kwargs: Any) -> None

Paramètres

model_id
str
Obligatoire

Identificateur de modèle. Obligatoire.

Retours

None

Type de retour

None

Exceptions

HttpResponseError

detect_multivariate_batch_anomaly

Détecter une anomalie multivariée.

Envoyez une tâche de détection d’anomalie multivariée avec le modelId des données de modèle et d’inférence entraînées. Le schéma d’entrée doit être identique à la demande d’entraînement. La requête se termine de manière asynchrone et retourne un resultId pour interroger le résultat de la détection. La demande doit être un lien source pour indiquer un URI de stockage Azure accessible en externe, soit pointé vers un dossier de stockage Blob Azure, soit pointé vers un fichier CSV dans stockage blob Azure.

detect_multivariate_batch_anomaly(model_id: str, options: MultivariateBatchDetectionOptions | MutableMapping[str, Any] | IO, **kwargs: Any) -> MultivariateDetectionResult

Paramètres

model_id
str
Obligatoire

Identificateur de modèle. Obligatoire.

options
MultivariateBatchDetectionOptions ou <xref:JSON> ou IO
Obligatoire

Demande de détection d’anomalie multivariée. Est l’un des types suivants : model, JSON, E/S Obligatoire.

content_type
str

Paramètre de corps Content-Type. Les valeurs connues sont : application/json. La valeur par défaut est Aucun.

Retours

MultivariateDetectionResult. MultivariateDetectionResult est compatible avec MutableMapping

Type de retour

MultivariateDetectionResult

Exceptions

HttpResponseError

detect_multivariate_last_anomaly

Détectez les anomalies dans le dernier point du corps de la requête.

Envoyez une tâche de détection d’anomalie multivariée avec le modelId des données de modèle et d’inférence entraînées, et les données d’inférence doivent être placées dans le corps de la requête au format JSON. La demande se termine de manière synchrone et retourne la détection immédiatement dans le corps de la réponse.

detect_multivariate_last_anomaly(model_id: str, options: MultivariateLastDetectionOptions | MutableMapping[str, Any] | IO, **kwargs: Any) -> MultivariateLastDetectionResult

Paramètres

model_id
str
Obligatoire

Identificateur de modèle. Obligatoire.

options
MultivariateLastDetectionOptions ou <xref:JSON> ou IO
Obligatoire

Demande de dernière détection. Est l’un des types suivants : model, JSON, E/S Obligatoire.

content_type
str

Paramètre de corps Content-Type. Les valeurs connues sont : application/json. La valeur par défaut est Aucun.

Retours

MultivariateLastDetectionResult. MultivariateLastDetectionResult est compatible avec MutableMapping

Type de retour

MultivariateLastDetectionResult

Exceptions

HttpResponseError

detect_univariate_change_point

Détectez le point de modification pour l’ensemble de la série.

Évaluez le score de point de modification de chaque point de série.

detect_univariate_change_point(options: UnivariateChangePointDetectionOptions | MutableMapping[str, Any] | IO, **kwargs: Any) -> UnivariateChangePointDetectionResult

Paramètres

options
UnivariateChangePointDetectionOptions ou <xref:JSON> ou IO
Obligatoire

Méthode de détection d’anomalie univariée. Est l’un des types suivants : model, JSON, E/S Obligatoire.

content_type
str

Paramètre de corps Content-Type. Les valeurs connues sont : application/json. La valeur par défaut est Aucun.

Retours

UnivariateChangePointDetectionResult. UnivariateChangePointDetectionResult est compatible avec MutableMapping

Type de retour

UnivariateChangePointDetectionResult

Exceptions

HttpResponseError

detect_univariate_entire_series

Détectez les anomalies pour l’ensemble de la série en lot.

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. L’ensemble de la détection peut donner à l’utilisateur une status globale de la série chronologique.

detect_univariate_entire_series(options: UnivariateDetectionOptions | MutableMapping[str, Any] | IO, **kwargs: Any) -> UnivariateEntireDetectionResult

Paramètres

options
UnivariateDetectionOptions ou <xref:JSON> ou IO
Obligatoire

Méthode de détection d’anomalie univariée. Est l’un des types suivants : model, JSON, E/S Obligatoire.

content_type
str

Paramètre de corps Content-Type. Les valeurs connues sont : application/json. La valeur par défaut est Aucun.

Retours

UnivariateEntireDetectionResult. UnivariateEntireDetectionResult est compatible avec MutableMapping

Type de retour

UnivariateEntireDetectionResult

Exceptions

HttpResponseError

detect_univariate_last_point

Détectez les status d’anomalie du dernier point de la série chronologique.

Cette opération génère un modèle à l’aide des points que vous avez envoyés dans l’API et en fonction de toutes les données pour déterminer si le dernier point est anormal.

detect_univariate_last_point(options: UnivariateDetectionOptions | MutableMapping[str, Any] | IO, **kwargs: Any) -> UnivariateLastDetectionResult

Paramètres

options
UnivariateDetectionOptions ou <xref:JSON> ou IO
Obligatoire

Méthode de détection d’anomalie univariée. Est l’un des types suivants : model, JSON, E/S Obligatoire.

content_type
str

Paramètre de corps Content-Type. Les valeurs connues sont : application/json. La valeur par défaut est Aucun.

Retours

UnivariateLastDetectionResult. UnivariateLastDetectionResult est compatible avec MutableMapping

Type de retour

UnivariateLastDetectionResult

Exceptions

HttpResponseError

get_multivariate_batch_detection_result

Obtenez le résultat de la détection d’anomalie multivariée.

Pour l’inférence asynchrone, obtenez le résultat de détection d’anomalie multivarié basé sur resultId retourné par l’api BatchDetectAnomaly.

get_multivariate_batch_detection_result(result_id: str, **kwargs: Any) -> MultivariateDetectionResult

Paramètres

result_id
str
Obligatoire

ID d’un résultat de détection par lot. Obligatoire.

Retours

MultivariateDetectionResult. MultivariateDetectionResult est compatible avec MutableMapping

Type de retour

MultivariateDetectionResult

Exceptions

HttpResponseError

get_multivariate_model

Obtenir un modèle multivarié.

Obtenir des informations détaillées sur le modèle multivarié, incluant l’état d’apprentissage et les variables utilisées dans le modèle.

get_multivariate_model(model_id: str, **kwargs: Any) -> AnomalyDetectionModel

Paramètres

model_id
str
Obligatoire

Identificateur de modèle. Obligatoire.

Retours

AnomalyDetectionModel. AnomalyDetectionModel est compatible avec MutableMapping

Type de retour

AnomalyDetectionModel

Exceptions

HttpResponseError

list_multivariate_models

Répertorier les modèles multivariés.

Répertorier les modèles d’une ressource.

list_multivariate_models(*, skip: int | None = None, top: int | None = None, **kwargs: Any) -> Iterable[AnomalyDetectionModel]

Paramètres

skip
int

Skip indique le nombre de modèles qui seront ignorés. La valeur par défaut est Aucun.

top
int

Top indique le nombre de modèles qui seront extraits. La valeur par défaut est Aucun.

Retours

Un itérateur comme instance d’AnomalieDetectionModel. AnomalyDetectionModel est compatible avec MutableMapping

Type de retour

ItemPaged[AnomalyDetectionModel]

Exceptions

HttpResponseError

send_request

Exécute la requête réseau via les stratégies chaînées du client.


>>> from azure.core.rest import HttpRequest
>>> request = HttpRequest("GET", "https://www.example.org/")
<HttpRequest [GET], url: 'https://www.example.org/'>
>>> response = client.send_request(request)
<HttpResponse: 200 OK>

Pour plus d’informations sur ce flux de code, consultez https://aka.ms/azsdk/dpcodegen/python/send_request

send_request(request: HttpRequest, **kwargs: Any) -> HttpResponse

Paramètres

request
HttpRequest
Obligatoire

Demande réseau que vous souhaitez effectuer. Obligatoire.

stream
bool

Indique si la charge utile de réponse sera diffusée en continu. Valeur par défaut False.

Retours

Réponse de votre appel réseau. Ne gère pas les erreurs sur votre réponse.

Type de retour

HttpResponse

train_multivariate_model

Entraîner un modèle de détection d’anomalie multivarié.

Créer et effectuer l’apprentissage d’un modèle de détection d’anomalies multivarié La demande doit inclure un paramètre source pour indiquer un URI de stockage Blob Azure accessible en externe. Il existe deux types d’entrée de données : un URI pointé vers un dossier de stockage Blob Azure qui contient plusieurs fichiers CSV, et chaque fichier CSV contient deux colonnes, horodatage et variable. Un autre type d’entrée est un URI pointé vers un fichier CSV dans stockage blob Azure, qui contient toutes les variables et une colonne d’horodatage.

train_multivariate_model(model_info: ModelInfo | MutableMapping[str, Any] | IO, **kwargs: Any) -> AnomalyDetectionModel

Paramètres

model_info
ModelInfo ou <xref:JSON> ou IO
Obligatoire

Informations sur le modèle. Est l’un des types suivants : model, JSON, E/S Obligatoire.

content_type
str

Paramètre de corps Content-Type. Les valeurs connues sont : application/json. La valeur par défaut est Aucun.

Retours

AnomalyDetectionModel. AnomalyDetectionModel est compatible avec MutableMapping

Type de retour

AnomalyDetectionModel

Exceptions

HttpResponseError