Anomalien werden in erkannt MetricBaseDaten 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:

• Exponentiell gewichteter gleitender Durchschnitt (PEWMA), ein Algorithmus für gleitenden Durchschnitt, der einen Wahrscheinlichkeitsfaktor verwendet, um zu bestimmen, wie er auf Änderungen an Daten reagiert
• Automatisch regressiver integrierter gleitender Durchschnitt (ARIMA), ein Algorithmus für gleitenden Durchschnitt, der vorherige Fehler und Werte berücksichtigt
• Saisonale Trendaufschlüsselung mit Loess (STL), einem saisonalen Algorithmus für die 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:

MetricBaseWählt 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.