Détection d’anomalies dans les données à MetricBase l’aide de modèles prédictifs

MetricBase Crée un modèle en formant un échantillon représentatif de vos données de séries chronologiques pour déterminer les paramètres du modèle. Le processus de formation détermine les paramètres du modèle qui correspondent le mieux à vos données, afin de distinguer les données normales des données anormales.

MetricBase prend en charge les types de modèles suivants :

• Moyenne mobile pondérée exponentiellement probabiliste (PEWMA), un algorithme de moyenne mobile qui utilise un facteur de probabilité pour déterminer comment il réagit à un changement de données
• Moyenne mobile intégrée autorégressive (ARIMA), un algorithme de moyenne mobile qui prend en compte les erreurs et les valeurs précédentes
• Décomposition des tendances saisonnières à l’aide de Loess (STL), un algorithme saisonnier pour la décomposition des données de séries chronologiques en composants saisonniers et de tendance
• Holt-Winters (HW), un algorithme saisonnier qui décompose la tendance et les composants saisonniers pour déterminer le niveau

Remarque :

MetricBase sélectionne le type de modèle le plus approprié lorsque vous effectuez une sélection Find Best Fit Model dans la liste des classes de modèle.

Une fois qu’un modèle a été formé à partir de vos données, vous pouvez déclencher des flux lorsque de nouvelles données sont significativement différentes des données formées.