Jaa

Poikkeamien tunnistaminen monimuuttujan avulla eristyspuuryhmässä

  • Artikkeli

Tässä artikkelissa kerrotaan, miten voit käyttää SynapseML:ää Apache Sparkissä poikkeamien tunnistamiseen monivariaatiossa. Monivariaatiopoikkeamien tunnistuksen avulla poikkeavuudet voidaan tunnistaa useiden muuttujien tai aikaerioiden välillä, kun otetaan huomioon kaikki eri muuttujien väliset korrelaatiot ja riippuvuudet. Tässä skenaariossa käytämme SynapseML-funktiota eristyspuuryhmämallin kouluttamiseen poikkeamien havaitsemista varten. Sen jälkeen käytämme sitä harjoitettuun malliin päättelemään monivariaatiopoikkeamia tietojoukossa, joka sisältää synteettisiä mittauksia kolmesta IoT-anturista.

Lisätietoja eristysmetsämallista on Liu et al:n alkuperäisessä raportissa.

Edellytykset

  • Liitä muistikirjasi Lakehouseen. Valitse vasemmalla puolella Lisää lisätäksesi aiemmin luodun lakehousen tai luodaksesi lakehousen.

Kirjastotuonnit

from IPython import get_ipython
from IPython.terminal.interactiveshell import TerminalInteractiveShell
import uuid
import mlflow

from pyspark.sql import functions as F
from pyspark.ml.feature import VectorAssembler
from pyspark.sql.types import *
from pyspark.ml import Pipeline

from synapse.ml.isolationforest import *

from synapse.ml.explainers import *

%matplotlib inline

from pyspark.sql import SparkSession

# Bootstrap Spark Session
spark = SparkSession.builder.getOrCreate()

from synapse.ml.core.platform import *

if running_on_synapse():
    shell = TerminalInteractiveShell.instance()
    shell.define_macro("foo", """a,b=10,20""")

Syötetiedot

# Table inputs
timestampColumn = "timestamp"  # str: the name of the timestamp column in the table
inputCols = [
    "sensor_1",
    "sensor_2",
    "sensor_3",
]  # list(str): the names of the input variables

# Training Start time, and number of days to use for training:
trainingStartTime = (
    "2022-02-24T06:00:00Z"  # datetime: datetime for when to start the training
)
trainingEndTime = (
    "2022-03-08T23:55:00Z"  # datetime: datetime for when to end the training
)
inferenceStartTime = (
    "2022-03-09T09:30:00Z"  # datetime: datetime for when to start the training
)
inferenceEndTime = (
    "2022-03-20T23:55:00Z"  # datetime: datetime for when to end the training
)

# Isolation Forest parameters
contamination = 0.021
num_estimators = 100
max_samples = 256
max_features = 1.0

Tietojen lukeminen

df = (
    spark.read.format("csv")
    .option("header", "true")
    .load(
        "wasbs://publicwasb@mmlspark.blob.core.windows.net/generated_sample_mvad_data.csv"
    )
)

muunna sarakkeet sopiviksi tietotyypeiksi

df = (
    df.orderBy(timestampColumn)
    .withColumn("timestamp", F.date_format(timestampColumn, "yyyy-MM-dd'T'HH:mm:ss'Z'"))
    .withColumn("sensor_1", F.col("sensor_1").cast(DoubleType()))
    .withColumn("sensor_2", F.col("sensor_2").cast(DoubleType()))
    .withColumn("sensor_3", F.col("sensor_3").cast(DoubleType()))
    .drop("_c5")
)

display(df)

Harjoitustietojen valmistelu

# filter to data with timestamps within the training window
df_train = df.filter(
    (F.col(timestampColumn) >= trainingStartTime)
    & (F.col(timestampColumn) <= trainingEndTime)
)
display(df_train)

Tietojen valmistelun testaaminen

# filter to data with timestamps within the inference window
df_test = df.filter(
    (F.col(timestampColumn) >= inferenceStartTime)
    & (F.col(timestampColumn) <= inferenceEndTime)
)
display(df_test)

Junan eristyspuuryhmä -malli

isolationForest = (
    IsolationForest()
    .setNumEstimators(num_estimators)
    .setBootstrap(False)
    .setMaxSamples(max_samples)
    .setMaxFeatures(max_features)
    .setFeaturesCol("features")
    .setPredictionCol("predictedLabel")
    .setScoreCol("outlierScore")
    .setContamination(contamination)
    .setContaminationError(0.01 * contamination)
    .setRandomSeed(1)
)

Seuraavaksi luomme koneoppimisputken eristyspuuryhmän mallin harjoittamiseksi. Esittelemme myös, miten voit luoda MLflow-kokeilun ja rekisteröidä harjoitetun mallin.

MLflow-mallin rekisteröinti vaaditaan ehdottomasti vain, jos käytät harjoitettua mallia myöhemmin. Mallin harjoittamiseen ja päättelyn suorittamiseen samassa muistikirjassa malliobjektimalli riittää.

va = VectorAssembler(inputCols=inputCols, outputCol="features")
pipeline = Pipeline(stages=[va, isolationForest])
model = pipeline.fit(df_train)

Suorittamisen ferenssi

Lataa harjoitettu eristyspuumalli

Suorittamisen ferenssi

df_test_pred = model.transform(df_test)
display(df_test_pred)

Valmiit Poikkeamien tunnistus

Azure AI Poikkeamien tunnistus

  • Viimeisimmän pisteen poikkeamatila: luo mallin edeltäviä pisteitä käyttämällä ja määrittää, onko uusin piste epänormaali (Scala, Python)
  • Poikkeamien etsiminen: luo mallin koko sarjan avulla ja löytää sarjan poikkeamat (Scala, Python)

Liittyvä sisältö