Anomaly Detection Service
构想
Anomaly Detection Service 旨在使用时间序列数据自动检测过程和 assets 的异常行为。
对于给定 asset 和指定期间，如果 asset 以任何方式表现异常，则将通知用户。通过此信息，用户可以监视其 assets（例如设置通知/警告阈值）。
Anomaly Detection Service 的典型用例是过程和状态监视、早期预警应用以及没有明确定义的故障状态检测。
访问
要访问此服务，您需要具有分析角色和范围中列出的相应角色。
基础知识
Anomaly Detection Service 使用基于密度的聚类方法 (DBSCAN) 来训练异常检测模型（模型训练）。该算法在无监督的情况下工作，并使用历史训练数据，其大多表现出正常行为。该算法会生成一个群集图景，为 asset 正常行为的模型。
通过检查特定数据点是否属于其中一个群集，将本模型应用于新的数据集中（模型应用）。属于群集的数据点为正常。不属于群集的数据点将计算分数，该分数表示其到最近群集的距离。分数越高，数据点异常的可能性就越大。这要求训练和评估数据具有相同的功能（数量、类型和名称）。
模式
Anomaly Detection Service 可以在三种模式下使用：
交互模式
此模式适用于小型数据集。请求中提供了所有必需的配置和数据。API 调用是同步执行的，将在响应中获得结果。
Model Management Service 适用于模型存储，并自动将模型的过期日期设置为 14 天。可更改此参数。
批量模式
信息
批量模式目前仅在Europe 1可用。
与交互模式相比，此模式适用于处理大数据集。异步执行 API 调用，从 IoT Time Series Service 中获取数据，并将结果传递给 Data Exchange Service。
模型训练作业可以处理来自 IoT Time Series Service 的多达一百万个项目。如果批处理作业处理时间超过 6 个小时，则终止作业。
直接交互模式
当用户不希望在请求体中传递时间序列数据时，将使用此模式。在直接交互模式下，Anomaly Detection Service 可以与 IoT Time Series 通信，获取用于模型训练和推理的数据。用户应该向 Anomaly Detection Service API 提供 asset 细节和时间范围，而不是在请求体中传递时间序列数据。
Model Management Service 用于模型存储，并自动将模型的过期日期设置为14天。该参数将来可能会改变。
在直接交互模式下，服务最多可以处理从 IoT Time Series Service 中获得的20000条时间序列记录。
特性
Anomaly Detection Service 公开其 API 以实现以下任务：
- 无监督模型训练
- 模型应用
- 检测时间序列数据中的异常
- 能够与 IoT Time Series 进行通信，以获取模型训练和给定 asset 细节和时间范围的推理数据。
限制
- 时间序列数据包含的 variable 不得超过 10 个。
- 已完成作业的信息有效期为 1 天，之后会自动删除（此限制将来可能会更改）。
- 在交互模式下，服务最多可处理20000条时间序列记录。
- 在直接交互模式下，服务可以处理从 IoT Time Series service 中获得的最多2万条包含最多3个变量的时间序列记录。
示例场景
啤酒厂的操作员想要使用大数据集训练工厂生产线的模型，然后检测一些异常特征。
批量模式
操作员使用批量模式训练模型，以便其可以使用大数据集作为训练集。他们选择由 IoT Time Series Service 存储的数据集，并将目标 asset、aspect 和传感器指定为待训练的参数。此外，操作员还定义了获取时间序列数据的时间范围，以及保存结果的 Data Exchange Service 文件夹。
启动作业后，可以检查其状态以了解训练是否已完成。操作员使用数据交换 API 下载结果并对其进行评估。
交互模式
管理器使用 IoT Time Series Service 收集生产线相关传感器的时间序列数据，并将其输入 Anomaly Detection Service，与先前训练的模型进行比较。Anomaly Detection Service 的响应为异常提供了候选项。
相关链接
还有问题?
除非另行声明，该网站内容遵循MindSphere开发许可协议.