Otkrivanje anomalija statistička je tehnika koju Analytics Intelligence upotrebljava za identifikaciju anomalija u podacima vremenskog niza za određeni mjerni podatak i anomalije unutar segmenta u istom trenutku.
Identificiranje anomalija u mjernim podacima tijekom vremena
Intelligence primjenjuje Bayesov model stanja prostorno-vremenskog niza na povijesne podatke kako bi se predvidjela vrijednost najnovije podatkovne točke u vremenskom nizu. Model daje predviđanje i vjerodostojan interval koji koristimo za procjenu promatranog mjernog podatka.
Pomoću povijesnih podataka Analytics Intelligence predviđa vrijednost mjernog podatka u trenutačnom razdoblju i označava podatkovnu točku kao anomaliju ako stvarna vrijednost ne odgovara vjerodostojnom intervalu. Razdoblje uvježbavanja za otkrivanje anomalija svakog sata jest dva tjedna. Razdoblje treninga za otkrivanje dnevnih anomalija jest 90 dana. Razdoblje uvježbavanja za otkrivanje tjednih anomalija jest 32 tjedna.
Identificiranje anomalija unutar segmenta u istom trenutku
Dok otkrivanje anomalija na temelju vremenskih nizova upotrebljava povijesne podatke za označavanje jednog mjernog podatka unutar jedne vrijednosti dimenzije, pružamo i otkrivanje anomalija istovremeno u nekoliko mjernih podataka i vrijednosti dimenzija.
U ovom pristupu koristimo analizu glavnih komponenata (PCA) kako bismo za označavanje anomalija iskoristili korelacijsku strukturu mjernih podataka zajedno s unakrsnom validacijom.
Prvo identificiramo skup dimenzija i mjernih podataka koji će proći PCA. Na temelju svih mogućih vrijednosti dimenzija izrađujemo više segmenata, a zatim normaliziramo svaki mjerni podatak prema broju korisnika u segmentu. Zatim pokrećemo PCA za te segmente i normalizirane mjerne podatke. Ako bilo koji određeni segment pokazuje nepravilno ponašanje u bilo kojem mjernom podatku i čini najmanje 0,05% korisnika na tom entitetu, te segmente prikazujemo kao anomalije. Trenutačno tu analizu izvodimo svaki tjedan.