تعرف على اكتشاف حالات الشذوذ للتنبؤ بالفشل

الكشف الشاذ هو تحديد العناصر أو الأحداث أو الملاحظات النادرة في البيانات التي تختلف اختلافا كبيرا عن التوقعات. ويستخدم ذلك في العديد من الصناعات لرصد الأصول وصيانتها.

تكون الطرق المحددة لصيانة الأصل إما تفاعلية (استبدال عند الفشل)، أو إلزامية (استبدال على أساس الاستخدام أو الوقت). بالإضافة إلى التكلفة الفعلية لاستبدال الأصل أو إصلاحه، يجب أن تتحمل المؤسسات التكاليف المرتبطة بالموثوقية ووقت التعطل ومتأخرات سلسلة التوريد. ويمكن أن تؤدي خدمة الكشف الشاذة التي توفر إنذاراً مبكراً بالفشل الوشيك إلى خفض هذه التكاليف.

تساعدك خدمة Oracle Cloud Infrastructure Anomaly Discction على اكتشاف أوجه الخلل في بيانات السلسلة الزمنية دون الحاجة إلى الإحصائيين أو خبراء التعلم الآلي. وهي توفر خوارزميات تم إنشاؤها مسبقًا، وتعالج مشكلات البيانات تلقائيًا. وهي خدمة سحابية أصلية يمكن الوصول إليها عبر واجهات برمجة تطبيقات REST ويمكن الاتصال بالعديد من مصادر البيانات. وحدة تحكم OCI الطرفية وCLI وSDK تجعل من السهل استخدامها في الحلول الشاملة.

البنية

تعرض هذه البنية مكان ملاءمة خدمة الاكتشاف الشاذ في سير العمل.

تبعًا للمتطلبات، يتم إدخال البيانات باستخدام خدمة تدفق OCI أو تكامل بيانات OCI أو كليهما. يمكن للنظام معالجة كل من أحمال عمل الدفعية والتدفق.

يحتوي سير العمل على مرحلتين رئيسيتين: التدريب والكشف. وخلال مرحلة التدريب، يتم تنظيف البيانات وإعدادها للتدريب، ثم يتم تدريب النموذج ونشره. وفي مرحلة الكشف، يكشف الكشف الشاذ عن أوجه الخلل في بيانات الإنتاج. ويجري الإبلاغ عن أوجه الخلل واتخاذ إجراءات استنادا إلى التنبؤات.

وصف الشكل التوضيحي overview.png

وفيما يلي وصف للعملية بعبارات عامة:

1. يتم إدخال البيانات من مصدر بيانات واحد أو أكثر وتخزينها في تخزين الكائنات.
2. وتستخدم أداة واحدة أو أكثر لإعداد البيانات لتدريب النموذج خلال مرحلة التدريب، ولأي معالجة مسبقة قد تكون مطلوبة لمرحلة الإنتاج. يتم تخزين النتائج في تخزين الكائنات (غير معروضة).
3. تقوم خدمة الكشف الشاذة بإنشاء النموذج أثناء مرحلة التدريب، كما تقوم بتشغيل خوارزميات الكشف الشاذة أثناء مرحلة الإنتاج.
4. يتم إرسال نتائج عملية الكشف الشاذة إلى تطبيق واحد أو أكثر يستهلك البيانات ويقوم بإعدادها للعرض على المستخدمين النهائيين.

نظرة عامة

الخوارزمية الأساسية لخدمة اكتشاف القيم الشاذة لدينا هي خوارزمية اكتشاف القيم الشاذة للسلاسل الزمنية متعددة المتغيرات بتنسيق Oracle تسمى MSET.

MSET هو أسلوب تعلم آلي غير خطي وغير قياسي لاكتشاف التشوهات يقوم بمعايرة السلوك المتوقع للنظام على أساس البيانات التاريخية من التسلسل التشغيلي العادي للإشارات المراقبة. وهو يدمج السلوك المتعلم للنظام في نموذج ثابت يمثل السلوك المقدر العادي. تم تطويره في الأصل بواسطة مختبرات Oracle وتم استخدامه بنجاح في العديد من الصناعات لتحليل التوقعات.

مفاهيم خدمة الكشف الشاذة

• المشروع: المشروعات هي مساحات عمل تعاونية لتنظيم أصول البيانات والنماذج وعمليات النشر ومواقع البوابة للكشف.
• أصل البيانات: أصل البيانات هو تمثيل بيانات مجرد لمصدر بيانات. يوجد أصل البيانات في تخزين الكائنات. ويمكن أن تكون بيانات التدريب التي يتم تنظيفها وإعدادها لمرحلة التدريب النموذجية. ويمكن أن تكون بيانات الإنتاج، التي يتم تقديمها إلى دائرة الكشف الشاذ بعد تدريب النموذج ونشره.
• النموذج: نموذج التعلم الآلي الذي يتم تكوينه من أصل بيانات التدريب.
• النشر: عند اكتمال تدريب النموذج، يتم توزيعه. وهذا يجعله متاحا للاستخدام في عملية الكشف الشاذة.
• الكشف: هذه هي عملية تقديم بيانات الإنتاج إلى النموذج الموزع للعثور على أوجه الخلل في بيانات الإنتاج.

عملية اكتشاف حالة شاذة

وعلى مستوى عال، هناك عملية استكمال دورة كاملة من استخدام خدمة الكشف عن التشوهات.

1. كوّن مشروعًا. المشروع هو مكان تقوم فيه بجمع وتنظيم أصول ونماذج وعمليات نشر مختلفة في نفس مساحة العمل.
2. تكوين أصل بيانات. هذه هي بيانات الإنتاج التي يتم تقديمها إلى دائرة الكشف الشاذ للتحليل.
3. تدريب نموذج. بعد تحديد أصل بيانات التدريب ومعامِلات التدريب، قم بتدريب نموذج اكتشاف شاذ. قد يستغرق التدريب خمس دقائق أو أكثر تبعًا لحجم أصل البيانات واحتمال الإنذار الخاطئ الذي تختاره.
4. نشر نموذج. بعد تدريب النموذج، قم بتوزيعه.
5. اكتشاف ببيانات جديدة. إرسال بيانات الإنتاج بنفس سمات بيانات التدريب إلى نقطة انتهاء النشر، أو تحميلها إلى واجهة مستخدم النشر.

لاحظ أن أحد المشروعات يمكن أن يحتوي على أصول بيانات متعددة ونماذج متعددة وعمليات نشر متعددة.