Erkennung von Anomalien in MetricBase Daten mit Vorhersagemodellen

MetricBase Erstellt ein Modell, indem ein repräsentatives Beispiel Ihrer Zeitreihendaten trainiert wird, um die Modellparameter zu bestimmen. Der Trainingsprozess bestimmt die Modellparameter, die am besten zu Ihren Daten passen, um normale Daten von anomalen Daten zu unterscheiden.

MetricBase Unterstützt die folgenden Modelltypen:

• PEWMA (probabilistic exponentially Weighted Moving Average), ein Algorithmus für gleitenden Durchschnitt, der einen Wahrscheinlichkeitsfaktor verwendet, um zu bestimmen, wie er auf Änderungen an Daten reagiert
• Autoregressive Integrated Moving Average (ARIMA), ein Algorithmus für gleitenden Durchschnitt, der vorherige Fehler und Werte berücksichtigt
• Saisonale Trendaufgliederung mit Loess (STL), einem saisonalen Algorithmus zur Zerlegung von Zeitreihendaten in saisonale und Trendkomponenten
• Holt-Winters (HW), ein saisonaler Algorithmus, der den Trend und die saisonalen Komponenten aufgliedert, um die Ebene zu bestimmen

Hinweis:

MetricBase Wählt den am besten geeigneten Modelltyp aus, wenn Sie auswählen Find Best Fit ModelAus der Modellklassenliste.

Nachdem Sie ein Modell aus Ihren Daten trainiert haben, können Sie Flows auslösen, wenn sich neue Daten erheblich von den trainierten Daten unterscheiden.