Amazon QuickSight ile Amazon Lookout for Metrics anormalliği sonuçlarınızı görselleştirin

kullanan ekiplerin karşılaştığı zorluklardan biri Metrikler için Amazon Lookout onu veri görselleştirmeye hızlı ve verimli bir şekilde bağlıyor. Anormallikler, Lookout for Metrics konsolunda, her biri kendi grafiğine sahip olarak ayrı ayrı sunulur, bu da kümeyi bir bütün olarak görmeyi zorlaştırır. Daha derin analiz için otomatikleştirilmiş, entegre bir çözüm gereklidir.

Bu yazıda, aşağıdakileri izleyerek oluşturulmuş bir Metrikler için Canlı dedektör kullanıyoruz Başlamak bölümünden AWS Örnekleri, Metrikler için Amazon Lookout GitHub deposu. Dedektör aktif hale geldikten ve veri kümesinden anormallikler oluşturulduktan sonra, Lookout for Metrics'i aşağıdakilere bağlarız: Amazon QuickSight. İki veri kümesi oluşturuyoruz: biri boyutlar tablosunu anomali tablosuyla birleştirerek, diğeri ise anomali tablosunu canlı verilerle birleştirerek. Daha sonra bu iki veri kümesini, grafikleri tek bir gösterge panosunda ekleyebileceğimiz bir QuickSight analizine ekleyebiliriz.

Lookout for Metrics algılayıcısına iki tür veri sağlayabiliriz: sürekli ve geçmiş. bu AWS Örnekleri GitHub deposu sürekli canlı verilere odaklanmamıza rağmen her ikisini de sunuyor. Dedektör, anormallikleri belirlemek için bu canlı verileri izler ve anormallikleri Amazon Basit Depolama Hizmeti (Amazon S3) oluşturuldukları gibi. Belirli bir aralığın sonunda dedektör verileri analiz eder. Zamanla dedektör, bulduğu modellere dayalı olarak anormallikleri daha doğru bir şekilde tanımlamayı öğrenir.

Lookout for Metrics, satış gelirindeki ani düşüş veya müşteri edinme oranları gibi iş ve operasyonel verilerdeki anormallikleri otomatik olarak tespit etmek ve teşhis etmek için makine öğrenimini (ML) kullanır. Hizmet, 25 Mart 2021 itibarıyla genel kullanıma sunuldu. Anormallikleri algılamak için kullanılan geleneksel yöntemlerden daha hızlı ve doğru bir şekilde, çeşitli kaynaklardan gelen verileri otomatik olarak inceler ve hazırlar. Sonuçları ayarlamak ve zaman içinde doğruluğu artırmak için tespit edilen anormallikler hakkında geri bildirim de sağlayabilirsiniz. Lookout for Metrics, aynı olayla ilgili anormallikleri bir araya getirerek ve olası temel nedenin bir özetini içeren bir uyarı göndererek, tespit edilen anormallikleri teşhis etmeyi kolaylaştırır. Ayrıca anomalileri önem derecesine göre sıralar, böylece dikkatinizi işiniz için en önemli olan şeylere öncelik verebilirsiniz.

QuickSight, etkileşimli panolar oluşturmak ve yayınlamak için verilerinize bağlanmayı kolaylaştıran, tümüyle yönetilen, bulutta yerel bir iş zekası (BI) hizmetidir. Ek olarak, kullanabilirsiniz Amazon QuickSight doğal dil sorguları aracılığıyla anında yanıt almak için.

Sunucusuz, yüksek düzeyde ölçeklenebilir QuickSight panolarına herhangi bir cihazdan erişebilir ve bunları uygulamalarınıza, portallarınıza ve web sitelerinize sorunsuz bir şekilde yerleştirebilirsiniz. Aşağıdaki ekran görüntüsü, bu yazının sonunda neler başarabileceğinizin bir örneğidir.

Çözüme genel bakış

Çözüm, başta Lookout for Metrics, QuickSight olmak üzere AWS hizmetlerinin bir birleşimidir. AWS Lambda, Amazon Atina, AWS Tutkalve Amazon S3.

Aşağıdaki diyagram, çözüm mimarisini göstermektedir. Lookout for Metrics, anormallikleri algılar ve bir uyarı aracılığıyla Lambda'ya gönderir. Lambda işlevi, anormallik sonuçlarını CSV dosyaları olarak oluşturur ve bunları Amazon S3'e kaydeder. Bir AWS Glue tarayıcısı, meta verileri analiz eder ve Athena'da tablolar oluşturur. QuickSight, Amazon S3 verilerini sorgulamak için Athena'yı kullanır ve hem anormallik sonuçlarını hem de canlı verileri görselleştirmek için panoların oluşturulmasına olanak tanır.

Bu çözüm, içinde oluşturulan kaynakları genişletir. Başlamak GitHub deposunun bölümü. Her adım için, ya AWS Yönetim Konsolu veya sağlanan başlatma AWS CloudFormation yığın. Özelleştirilmiş bir Metrik için Lookout dedektörünüz varsa, onu kullanabilir ve aşağıdaki şekilde uyarlayabilirsiniz. defter aynı sonuçlara ulaşmak için.

Uygulama adımları aşağıdaki gibidir:

1. oluşturmak Amazon Adaçayı Yapıcı not defteri örneği (ALFMTestNotebook) ve not defterlerinde sağlanan yığını kullanarak İlk kurulum bölümünden GitHub repo.
2. SageMaker konsolunda not defteri örneğini açın ve amazon-lookout-for-metrics-samples/getting_started klasör.
3. S3 paketini oluşturun ve ilkini kullanarak veri hazırlığını tamamlayın. defter (1.PrereqSetupData.ipynb). ile not defterini açın. conda_python3 çekirdek, istenirse.

ikinciyi atlıyoruz defter çünkü geriye dönük test verilerine odaklanıyor.

4. Konsolu kullanarak örnekte ilerliyorsanız, üçüncüsünü kullanarak Metrikler için Lookout canlı dedektörünü ve uyarısını oluşturun. defter (3.GettingStartedWithLiveData.ipynb).

Sağlanan CloudFormation yığınlarını kullanıyorsanız üçüncü not defteri gerekli değildir. Dedektör ve uyarısı, yığının bir parçası olarak oluşturulur.

5. Lookout for Metrics canlı dedektörünü oluşturduktan sonra konsoldan etkinleştirmeniz gerekir.

Bu, modeli başlatmak ve anormallikleri algılamak için 2 saat kadar sürebilir.

6. Pandas kitaplığı katmanıyla Python kullanarak bir Lambda işlevi dağıtın ve onu başlatmak için canlı dedektöre iliştirilmiş bir uyarı oluşturun.
7. QuickSight için verileri keşfetmek ve hazırlamak için Athena ve AWS Glue kombinasyonunu kullanın.
8. QuickSight veri kaynağını ve veri kümelerini oluşturun.
9. Son olarak, veri kümelerini kullanarak görselleştirme için bir QuickSight analizi oluşturun.

CloudFormation komut dosyaları, genellikle bir üretim ortamında bir dizi iç içe yığın olarak çalıştırılır. Adım adım ilerlemeyi kolaylaştırmak için bu gönderide ayrı ayrı sağlanırlar.

Önkoşullar

Bu adım adım ilerlemek için çözümün dağıtılacağı bir AWS hesabına ihtiyacınız var. Dağıttığınız tüm kaynakların aynı Bölgede olduğundan emin olun. 1 ve 3 numaralı dizüstü bilgisayarlardan oluşturulmuş, çalışan bir Metrikler için Lookout dedektörüne ihtiyacınız var. GitHub repo. Çalışan bir Metrik için Lookout dedektörünüz yoksa iki seçeneğiniz vardır:

• Not defterleri 1 ve 3'ü çalıştırın ve bu yazının 1. adımından devam edin (Lambda işlevi ve uyarısı oluşturma)
• Not defteri 1'i çalıştırın ve ardından Metrikler için Lookout dedektörünü oluşturmak için CloudFormation şablonunu kullanın

AWS CloudFormation kullanarak canlı dedektörü oluşturun

The L4MLiveDetector.yaml CloudFormation betiği, kaynağı belirtilen S3 kovasındaki canlı verilere işaret eden Metrikler için Lookout anormallik algılayıcısını oluşturur. Dedektörü oluşturmak için aşağıdaki adımları tamamlayın:

1. Yığını aşağıdaki bağlantıdan başlatın:

2. Üzerinde Yığın oluştur sayfasını seçin Sonraki.
3. Üzerinde Yığın ayrıntılarını belirtme sayfasında aşağıdaki bilgileri sağlayın:
   1. Bir yığın adı. Örneğin, L4MLiveDetector.
   2. S3 kovası, <Account Number>-lookoutmetrics-lab.
   3. Rol ARN, arn:aws:iam::<Account Number>:role/L4MTestRole.
   4. Bir anormallik algılama frekansı. Seçmek PT1H (saatlik).
4. Klinik Sonraki.
5. Üzerinde Yığın seçeneklerini yapılandırma sayfasında, her şeyi olduğu gibi bırakın ve seçin Sonraki.
6. Üzerinde Değerlendirme sayfasında, her şeyi olduğu gibi bırakın ve seçin Yığın oluştur.

AWS CloudFormation'ı kullanarak canlı dedektör SMS uyarısını oluşturun (İsteğe bağlı)

Bu adım isteğe bağlıdır. Uyarı, veri kümesi oluşturma üzerinde hiçbir etkisi olmayan bir örnek olarak sunulmuştur. bu L4MLiveDetectorAlert.yaml CloudFormation komut dosyası, bir SMS hedefiyle Lookout for Metrics anomali dedektörü uyarısı oluşturur.

1. Yığını aşağıdaki bağlantıdan başlatın:

2. Üzerinde Yığın oluştur sayfasını seçin Sonraki.
3. Üzerinde Yığın ayrıntılarını belirtme sayfasında, SMS telefon numarasını güncelleyin ve yığın için bir ad girin (örneğin, L4MLiveDetectorAlert).
4. Klinik Sonraki.
5. Üzerinde Yığın seçeneklerini yapılandırma sayfasında, her şeyi olduğu gibi bırakın ve seçin Sonraki.
6. Üzerinde Değerlendirme sayfasında, alındı ​​onay kutusunu seçin, diğer her şeyi olduğu gibi bırakın ve Yığın oluştur.

Kaynak temizleme

Bir sonraki adıma geçmeden önce, gereksiz maliyetlerin oluşmadığından emin olmak için SageMaker dizüstü bilgisayar bulut sunucunuzu durdurun. Artık gerekli değil.

Lambda işlevini ve uyarısını oluşturun

Bu bölümde, konsol veya AWS CloudFormation aracılığıyla Lambda işlevinizi ve uyarınızı oluşturmaya ilişkin talimatlar sunuyoruz.

Konsolla işlevi ve uyarıyı oluşturun

Bir Lambda'ya ihtiyacınız var AWS Kimlik ve Erişim Yönetimi (BEN) rol Aşağıdaki en az ayrıcalık en iyi uygulama sonuçların kaydedilmesini istediğiniz kovaya erişmek için.

1. 1. Lambda konsolunda yeni bir işlev oluşturun.
   2. seç Sıfırdan yazar.
   3. İçin Fonksiyon adıisim girin.
   4. İçin Süre, seçmek Python 3.8.
   5. İçin Yürütme rolüseçin Mevcut bir rolü kullan ve oluşturduğunuz rolü belirtin.
   6. Klinik İşlev oluştur.
2. 
   7. İndir Lambda işlevi için gerekli kodu içeren ZIP dosyası.
   8. Lambda konsolunda işlevi açın.
   9. Üzerinde Kod sekmesini seçin Şuradan yükle:, seçmek .sıkıştırılmış dosyave indirdiğiniz dosyayı yükleyin.
   10. Klinik İndirim.

ZIP dosyasını yükledikten sonra dosya ağacınız aynı kalmalıdır.

11. içinde Katmanlar bölümü, seçim Katman ekleyin.
12. seç Bir ARN belirtin.
13. Aşağıda GitHub repo, çalıştığınız Bölgeye karşılık gelen CSV'yi seçin ve ARN'yi en son Pandas sürümünden kopyalayın.
14. İçin Bir ARN belirtin, kopyaladığınız ARN'yi girin.
15. Klinik Ekle.

16. Fonksiyonu ortamınıza uyarlamak için lambda_function.py dosyasındaki kodun alt kısmında, anormallik sonuçlarını kaydetmek istediğiniz kepçeniz ile kepçe adını güncellediğinizden emin olun ve DataSet_ARN anomali dedektörünüzden.
17. Klinik Sürüş değişiklikleri aktif hale getirmek için

Artık Metrikler için Lookout dedektörünü işlevinize bağlamanız gerekir.

18. Lookout for Metrics konsolunda dedektörünüze gidin ve Uyarı ekle.
19. Uyarı adını ve tercih ettiğiniz önem eşiğini girin.
20. Kanal listesinden seçin Lambda.
21. Oluşturduğunuz işlevi seçin ve onu tetikleyecek doğru role sahip olduğunuzdan emin olun.
22. Klinik Uyarı ekle.

Şimdi uyarınızın tetiklenmesini bekliyorsunuz. Süre, dedektörün bir anormallik bulduğu zamana göre değişir.

Bir anormallik algılandığında, Lookout for Metrics, Lambda işlevini tetikler. Lookout for Metrics'ten gerekli bilgileri alır ve anormalliğe karşılık gelen zaman damgasında Amazon S3'te zaten kaydedilmiş bir CSV dosyası olup olmadığını kontrol eder. Dosya yoksa, Lambda dosyayı oluşturur ve anormallik verilerini ekler. Dosya zaten varsa, Lambda dosyayı alınan ekstra verilerle günceller. İşlev, her farklı zaman damgası için ayrı bir CSV dosyası oluşturur.

AWS CloudFormation'ı kullanarak işlevi ve uyarıyı oluşturun

Konsol talimatlarına benzer şekilde, ZIP dosyasını indirin Lambda işlevi için gerekli kodu içeren. Ancak bu durumda, AWS CloudFormation kodunun işlev oluşturma sırasında onu yüklemesi için S3 klasörüne yüklenmesi gerekir.

Lookout for Metrics dedektörü oluşturmada belirtilen S3 kovasında lambda kodu adlı bir klasör oluşturun ve ZIP dosyasını yükleyin.

Lambda işlevi, oluşturma sırasında bunu kodu olarak yükler.

The L4MLambdaFunction.yaml CloudFormation betiği, Lambda işlevi ve uyarı kaynakları oluşturur ve aynı S3 kovasında depolanan işlev kodu arşivini kullanır.

1. Yığını aşağıdaki bağlantıdan başlatın:

2. Üzerinde Yığın oluştur sayfasını seçin Sonraki.
3. Üzerinde Yığın ayrıntılarını belirtme sayfasında bir yığın adı belirtin (örneğin, L4MLambdaFunction).
4. Aşağıda GitHub repo, çalıştığınız Bölgeye karşılık gelen CSV'yi açın ve ARN'yi en son Pandas sürümünden kopyalayın.
5. ARN'yi Pandas Lambda katmanı ARN parametresi olarak girin.
6. Klinik Sonraki.
7. Üzerinde Yığın seçeneklerini yapılandırma sayfasında, her şeyi olduğu gibi bırakın ve seçin Sonraki.
8. Üzerinde Değerlendirme sayfasında, alındı ​​onay kutusunu seçin, diğer her şeyi olduğu gibi bırakın ve Yığın oluştur.

Dedektörü etkinleştir

Bir sonraki adıma geçmeden önce dedektörü konsoldan etkinleştirmeniz gerekir.

1. Lookout for Metrics konsolunda, Dedektörler Gezinti bölmesinde.
2. Yeni oluşturduğunuz dedektörü seçin.
3. Klinik etkinleştirmek, Daha sonra seçmek etkinleştirmek tekrar onaylamak için.

Etkinleştirme, dedektörü başlatır; model öğrenme döngüsünü tamamladığında biter. Bu 2 saat kadar sürebilir.

QuickSight için verileri hazırlayın

Bu adımı tamamlamadan önce dedektöre anormallikleri bulması için zaman verin. Oluşturduğunuz Lambda işlevi, anormallik sonuçlarını anomalyResults dizin. Artık bu verileri QuickSight'a hazırlamak için işleyebiliriz.

Konsolda AWS Glue tarayıcısını oluşturun

Bazı anormal CSV dosyaları oluşturulduktan sonra, meta veri tablolarını oluşturmak için bir AWS Glue tarayıcısı kullanırız.

1. AWS Glue konsolunda seçin Tarayıcıları Gezinti bölmesinde.
2. Klinik Tarayıcı ekle.

3. Tarayıcı için bir ad girin (örneğin, L4MCrawler).
4. Klinik Sonraki.
5. İçin Tarayıcı kaynak türüseçin Veri depoları.
6. İçin S3 veri depolarının tekrar taranmasıseçin Tüm klasörleri tara.
7. Klinik Sonraki.

8. Veri deposu yapılandırma sayfasında, Verileri şurada tarayın:seçin Hesabımda belirtilen yol.
9. İçin Yolu dahil et, yolunuza girin dimensionContributions dosya (s3://YourBucketName/anomalyResults/dimensionContributions).
10. Klinik Sonraki.
11. Klinik Evet başka bir veri deposu eklemek ve talimatları tekrarlamak için metricValue_AnomalyScore(s3://YourBucketName/anomalyResults/metricValue_AnomalyScore).
12. Lookout for Metrics anormallik algılayıcısı tarafından analiz edilecek canlı veriler için talimatları tekrarlayın (bu, Lookout for Metrics algılayıcınızdaki S3 veri kümesi konumudur).

Artık tarayıcının işlemesi için üç veri deponuz olmalıdır.

Şimdi, tarayıcının verilerinizin S3 konumlarından geçmesine izin verecek rolü seçmeniz gerekiyor.

13. Bu gönderi için seçin Bir IAM rolü oluşturma ve rol için bir ad girin.
14. Klinik Sonraki.

15. İçin Sıklık, bırak Talep üzerine çalıştırın Ve seç Sonraki.
16. içinde Tarayıcının çıktısını yapılandırın bölümü, seçim Veritabanı ekle.

Bu, tarayıcı tamamlandıktan sonra meta veri tablolarınızın bulunduğu Athena veritabanını oluşturur.

17. Veritabanınız için bir ad girin ve seçin oluşturmak.
18. Klinik Sonraki, Daha sonra seçmek Bitiş.

19. Üzerinde Tarayıcıları AWS Glue konsolunun sayfasında, oluşturduğunuz tarayıcıyı seçin ve Tarayıcıyı çalıştırın.

Verilerin boyutuna bağlı olarak birkaç dakika beklemeniz gerekebilir. Tamamlandığında, tarayıcının durumu şu şekilde gösterilir: Hazır. Meta veri tablolarını görmek için, veritabanınıza gidin. veritabanları sayfa ve seç tablolar Gezinti bölmesinde.

Bu örnekte, canlı olarak adlandırılan meta veri tablosu, Lookout for Metrics canlı algılayıcısındaki S3 veri kümesini temsil eder. En iyi uygulama olarak, AWS Glue Data Catalog meta verilerinizi şifreleyin.

Athena, meta veri tablolarını otomatik olarak tanır ve QuickSight, verileri sorgulamak ve sonuçları görselleştirmek için Athena'yı kullanır.

AWS CloudFormation kullanarak AWS Glue tarayıcısını oluşturun

The L4MGlueCrawler.yaml CloudFormation betiği, AWS Glue tarayıcısını, onunla ilişkili IAM rolünü ve çıktı Athena veritabanını oluşturur.

1. Yığını aşağıdaki bağlantıdan başlatın:

2. Üzerinde Yığın oluştur sayfasını seçin Sonraki.
3. Üzerinde Yığın ayrıntılarını belirtme sayfasında yığınınız için bir ad girin (örneğin, L4MGlueCrawler), ve Seç Sonraki.
4. Üzerinde Yığın seçeneklerini yapılandırma sayfasında, her şeyi olduğu gibi bırakın ve seçin Sonraki.
5. Üzerinde Değerlendirme sayfasında, alındı ​​onay kutusunu seçin, diğer her şeyi olduğu gibi bırakın ve Yığın oluştur.

AWS Glue tarayıcısını çalıştırın

Tarayıcıyı oluşturduktan sonra, bir sonraki adıma geçmeden önce onu çalıştırmanız gerekir. Konsoldan veya AWS Komut Satırı Arayüzü (AWS CLI). Konsolu kullanmak için aşağıdaki adımları tamamlayın:

1. AWS Glue konsolunda seçin Tarayıcıları Gezinti bölmesinde.
2. Tarayıcınızı seçin (L4MCrawler).
3. Klinik Tarayıcıyı çalıştırın.

Tarayıcı tamamlandığında, durumu gösterir Hazır.

QuickSight hesabı oluşturun

Bu sonraki adıma başlamadan önce QuickSight konsoluna gidin ve henüz hesabınız yoksa bir hesap oluşturun. İlgili hizmetlere (Athena ve S3 kovası) erişiminiz olduğundan emin olmak için sağ üstte hesap adınızı seçin, QuickSight'ı yönetin, ve Seç Güvenlik ve İzinler, gerekli hizmetleri ekleyebileceğiniz yer. Amazon S3 erişiminizi ayarlarken, seçtiğinizden emin olun. Athena Workgroup için yazma izni.

Artık verilerinizi QuickSight'ta görselleştirmeye hazırsınız.

Konsolda QuickSight veri kümelerini oluşturun

Athena'yı ilk kez kullanıyorsanız, sorguların çıkış konumunu yapılandırmanız gerekir. Talimatlar için, bkz. Adım 1–6. Bir veritabanı oluşturun. Ardından aşağıdaki adımları tamamlayın:

1. QuickSight konsolunda şunu seçin: Veri Setleri.
2. Klinik Yeni veri kümesi.
3. Kaynağınız olarak Athena'yı seçin.
4. Veri kaynağınız için bir ad girin.
5. Klinik Veri kaynağı oluştur.

6. Veritabanınız için, AWS Glue tarayıcısıyla daha önce oluşturduğunuz veritabanını belirtin.
7. Canlı verilerinizi içeren tabloyu belirtin (anormallikleri değil).
8. Klinik Verileri düzenleme/önizleme.

Aşağıdaki ekran görüntüsüne benzer bir arayüze yönlendirilirsiniz.

Bir sonraki adım, eklemek ve birleştirmek metricValue_AnomalyScore canlı verilerle veri.

9. Klinik Veri ekle.
10. Klinik Veri kaynağı ekleyin.
11. Oluşturduğunuz veritabanını ve metricValue_AnomalyScore tablo.
12. Klinik seç.

Şimdi iki tablonun birleşimini yapılandırmanız gerekiyor.

13. İki tablo arasındaki bağlantıyı seçin.
14. Birleştirme türünü olarak bırakın Sol, zaman damgasını ve sahip olduğunuz her boyutu bir birleştirme yan tümcesi olarak ekleyin ve Tamam.

Aşağıdaki örnekte, birleştirme yan tümceleri olarak zaman damgası, platform ve pazar yerini kullanıyoruz.

Sağ bölmede, ilgilenmediğiniz alanları kaldırabilirsiniz.

15. Zaman damgasını şuradan kaldırın: metricValue_AnomalyScore tablonun çoğaltılmış bir sütunu olmaması.
16. Zaman damgası veri türünü (canlı veri tablosunun) dizeden tarihe değiştirin ve doğru olanı belirtin biçim. Bizim durumumuzda, olmalı yyyy-MM-dd HH:mm:ss.

Aşağıdaki ekran görüntüsü, bazı alanları kaldırdıktan ve veri türünü ayarladıktan sonra görünümünüzü gösterir.

17. Klinik Kaydet ve görselleştir.
18. Veri kümesinin yanındaki kalem simgesini seçin.
19. Klinik Veri kümesi ekle Ve seç dimensioncontributions.

AWS CloudFormation kullanarak QuickSight veri kümelerini oluşturun

Bu adım, üç CloudFormation yığını içerir.

İlk CloudFormation betiği, L4MQuickSightDataSource.yaml, QuickSight Athena veri kaynağını oluşturur.

1. Yığını aşağıdaki bağlantıdan başlatın:

2. Üzerinde Yığın oluştur sayfasını seçin Sonraki.
3. Üzerinde Yığın ayrıntılarını belirtme sayfasında QuickSight kullanıcı adınızı, QuickSight hesap Bölgesi'ni (QuickSight hesabı oluşturulurken belirtilir) ve bir yığın adı (örneğin, L4MQuickSightDataSource).
4. Klinik Sonraki.
5. Üzerinde Yığın seçeneklerini yapılandırma sayfasında, her şeyi olduğu gibi bırakın ve seçin Sonraki.
6. Üzerinde Değerlendirme sayfasında, her şeyi olduğu gibi bırakın ve seçin Yığın oluştur.

İkinci CloudFormation betiği, L4MQuickSightDataSet1.yaml, boyutlar tablosunu anomali tablosuyla birleştiren bir QuickSight veri kümesi oluşturur.

1. Yığını aşağıdaki bağlantıdan başlatın:

2. Üzerinde Yığın oluştur sayfasını seçin Sonraki.
3. Üzerinde Yığın ayrıntılarını belirtme, bir yığın adı girin (örneğin, L4MQuickSightDataSet1).
4. Klinik Sonraki.
5. Üzerinde Yığın seçeneklerini yapılandırma sayfasında, her şeyi olduğu gibi bırakın ve seçin Sonraki.
6. Üzerinde Değerlendirme sayfasında, her şeyi olduğu gibi bırakın ve seçin Yığın oluştur.

Üçüncü CloudFormation betiği, L4MQuickSightDataSet2.yaml, anormallik tablosunu canlı veri tablosuyla birleştiren QuickSight veri kümesini oluşturur.

1. Yığını aşağıdaki bağlantıdan başlatın:

2. Üzerinde Yığın sayfası oluşturSeç Sonraki.
3. Üzerinde Yığın ayrıntılarını belirtme sayfasında bir yığın adı girin (örneğin, L4MQuickSightDataSet2).
4. Klinik Sonraki.
5. Üzerinde Yığın seçeneklerini yapılandırma sayfasında, her şeyi olduğu gibi bırakın ve seçin Sonraki.
6. Üzerinde Değerlendirme sayfasında, her şeyi olduğu gibi bırakın ve seçin Yığın oluştur.

Pano oluşturma için QuickSight analizini oluşturun

Bu adım yalnızca konsolda tamamlanabilir. QuickSight veri kümelerinizi oluşturduktan sonra aşağıdaki adımları tamamlayın:

1. QuickSight konsolunda şunu seçin: Analiz Gezinti bölmesinde.
2. Klinik Yeni analiz,.
3. İlk veri kümesini seçin, L4MQuickSightDataSetWithLiveData.

4. Klinik Analiz oluştur.

QuickSight analizi başlangıçta yalnızca ilk veri kümesiyle oluşturulur.

5. İkinci veri kümesini eklemek için yanındaki kalem simgesini seçin. Veri kümesi Ve seç Veri kümesi ekle.
6. İkinci veri kümesini seçin ve seç.

Daha sonra, grafik oluşturmak için her iki veri kümesini de grafik üzerinde seçerek kullanabilirsiniz. Veri kümesi Aşağıya doğru açılan menü.

Veri kümesi metrikleri

Lookout for Metrics çıkarım sonuçlarından ve canlı verilerden bir QuickSight analizini başarıyla oluşturdunuz. QuickSight'ta kullanmanız için iki veri kümesi vardır: L4M_Visualization_dataset_with_liveData ve L4M_Visualization_dataset_with_dimensionContribution.

The L4M_Visualization_dataset_with_liveData veri kümesi aşağıdaki metrikleri içerir:

• zaman damgası – Lookout for Metrics'e iletilen canlı verilerin tarihi ve saati
• Gösterim – Görüntüleme metriğinin değeri
• gelir – Gelir metriğinin değeri
• platform, pazar yeri, gelirAnomalyMetricValue, görünümlerAnomalyMetricValue, gelirGroupScore ve görünümlerGroupScore – Bu metrikler her iki veri kümesinin de parçasıdır

The L4M_Visualization_dataset_with_dimensionContribution veri kümesi aşağıdaki metrikleri içerir:

• zaman damgası – Anomalinin tespit edildiği tarih ve saat
• metrikAdı – İzlediğiniz metrikler
• boyutAdı – Metrik içindeki boyut
• boyutDeğeri – Boyut değeri
• değerKatkı – Algılandığında boyut Değerinin anomaliyi ne kadar etkilediğinin yüzdesi

Aşağıdaki ekran görüntüsü, Lookout for Metrics algılayıcısının anormallik panosunda bu beş metriği göstermektedir.

Aşağıdaki metrikler her iki veri kümesinin parçasıdır:

• platform – Anomalinin gerçekleştiği platform
• çarşı – Anomalinin meydana geldiği pazar yeri
• gelirAnomaliMetrikDeğer ve görünümlerAnomaliMetrikDeğeri – Anormallik tespit edildiğinde metriğin karşılık gelen değerleri (bu durumda metrikler gelir veya görüntülemelerdir)
• gelirGroupScore ve görünümlerGroupScore – Tespit edilen anormallik için her bir metrik için önem derecesi puanları

Bu son metrikleri daha iyi anlamak için, kaydettiğiniz S3 klasörünüzde Lambda işlevi tarafından oluşturulan CSV dosyalarını inceleyebilirsiniz. anomalyResults/metricValue_AnomalyScore.

Sonraki adımlar

Sonraki adım, görmek istediğiniz veriler için panolar oluşturmaktır. Bu gönderi, QuickSight çizelgeleri oluşturmaya ilişkin bir açıklama içermez. QuickSight'ta yeniyseniz, bkz. Amazon QuickSight'ta veri analizine başlama bir tanıtım için. Aşağıdaki ekran görüntüleri, temel panoların örneklerini göstermektedir. Daha fazla bilgi için QuickSight atölyeleri.

Sonuç

Anormallikler, Lookout for Metrics konsolunda, her biri kendi grafiğine sahip olarak ayrı ayrı sunulur, bu da kümeyi bir bütün olarak görmeyi zorlaştırır. Daha derin analiz için otomatikleştirilmiş, entegre bir çözüm gereklidir. Bu gönderide, anormallikler oluşturmak için bir Metrik için Lookout dedektörü kullandık ve görselleştirmeler oluşturmak için verileri QuickSight'a bağladık. Bu çözüm, anormalliklere ilişkin daha derin analizler yapmamızı ve hepsini tek bir yerde/panoda bulundurmamızı sağlar.

Bir sonraki adım olarak, bu çözüm, fazladan bir veri seti eklenerek ve birden fazla dedektörden gelen anormallikleri birleştirerek genişletilebilir. Lambda işlevini de uyarlayabilirsiniz. Lambda işlevi, QuickSight panoları için kullandığımız veri kümelerini ve değişken adlarını oluşturan kodu içerir. Bu kodu, veri kümelerinin kendisini veya sizin için daha anlamlı olan değişken adlarını değiştirerek özel kullanım durumunuza uyarlayabilirsiniz.

Herhangi bir geri bildiriminiz veya sorunuz varsa, lütfen bunları yorumlarda bırakın.

---

Yazarlar Hakkında

Benoit de Patoul AWS'de bir AI/ML Uzman Çözüm Mimarıdır. AWS'yi kullanırken AI/ML ile ilgili çözümler oluşturmak için rehberlik ve teknik yardım sağlayarak müşterilere yardımcı olur.

Paul Troiano Atlanta, GA merkezli AWS'de Kıdemli Çözüm Mimarıdır. AWS'de teknoloji stratejileri ve çözümleri konusunda rehberlik sağlayarak müşterilere yardımcı olur. AI/ML ve çözüm otomasyonu ile ilgili her şeye tutkulu.