azure-ai-anomalydetector-java
بناء تطبيقات كشف الشذوذ باستخدام Azure AI SDK لـ Java
كشف الشذوذ في بيانات السلاسل الزمنية باستخدام Azure Cognitive Services. توفر هذه المهارة أنماط Java SDK لكشف الشذوذ أحادي ومتعدد المتغيرات مع دعم البث في الوقت الفعلي.
تنزيل ZIP المهارة
رفع في Claude
اذهب إلى Settings → Capabilities → Skills → Upload skill
فعّل وابدأ الاستخدام
اختبرها
استخدام "azure-ai-anomalydetector-java". كشف الشذوذ في 30 يومًا من بيانات حركة مرور الموقع اليومية
النتيجة المتوقعة:
اكتمل كشف الشذوذ. تم العثور على 3 شذوذ: اليوم 7 (ارتفاع حركة المرور: 15,200 مقابل المتوقع 8,500)، اليوم 18 (انخفاض حركة المرور: 2,100 مقابل المتوقع 7,800)، اليوم 25 (ارتفاع حركة المرور: 18,900 مقابل المتوقع 9,200). درجات الثقة: 0.92، 0.87، 0.95.
استخدام "azure-ai-anomalydetector-java". مراقبة وحدة المعالجة المركزية والذاكرة وI/O القرص للخادم للشذوذ
النتيجة المتوقعة:
تم كشف شذوذ متعدد المتغيرات في 2024-01-15T14:32:00Z. الشدة: 0.89. المساهمون الأعلى: استخدام وحدة المعالجة المركزية (المساهمة: 0.45)، انتظار Disk I/O (المساهمة: 0.32). الإجراء الموصى به: التحقيق في تنافس الموارد المحتمل.
التدقيق الأمني
آمنAll 35 static analysis findings are false positives. The external_commands detections misidentified Java code examples in markdown as Ruby shell execution. The network URLs are documentation placeholders for Azure blob storage. Environment variable access uses standard System.getenv() patterns recommended by Microsoft Azure SDK. The skill is documentation for Microsoft's official Azure AI Anomaly Detector SDK with no malicious intent.
درجة الجودة
ماذا يمكنك بناءه
مراقبة عمليات تقنية المعلومات
كشف الشذوذ في مقاييس الخادم مثل استخدام وحدة المعالجة المركزية واستهلاك الذاكرة وحركة مرور الشبكة لتحديد الأعطال المحتملة قبل أن تؤثر على المستخدمين.
كشف الاحتيال المالي
تحليل أنماط المعاملات عبر متغيرات متعددة لتحديد الأنشطة المشبوهة والاحتيال المحتمل في أنظمة الدفع في الوقت الفعلي.
تحليلات مستشعرات IoT
مراقبة بيانات مستشعرات المعدات الصناعية لكشف علامات التحذير المبكرة لفشل المعدات وتمكين جداول الصيانة التنبؤية.
جرّب هذه الموجهات
أنشئ فئة Java تتهيئ عميل Azure AI Anomaly Detector الأحادي باستخدام متغيرات البيئة لنقطة النهاية ومفتاح API. تتضمن معالجة الأخطاء لبيانات الاعتماد المفقودة.
اكتب طريقة تنفذ كشف شذوذ الدفعات على مجموعة بيانات سلسلة زمنية. يجب أن تقبل الطريقة قائمة من الطوابع الزمنية والقيم، وتكوين حساسية الكشف، وتعيد قائمة بالشذوذ المكتشف مع قيمها المتوقعة ودرجات الثقة.
أنشئ خدمة كشف شذوذ بث تعالج نقاط البيانات الواردة في الوقت الفعلي. استخدم طريقة detectUnivariateLastPoint للتحقق من كل نقطة بيانات جديدة وتشغيل التنبيهات عندما يتجاوز الشذوذ عتبة الشدة.
نفذ سير عمل كامل لكشف الشذوذ متعدد المتغيرات: (1) تحضير بيانات التدريب في Azure Blob Storage، (2) تدريب نموذج مع نافذة منزلقة قابلة للتكوين، (3) الاستطلاع لاكتمال التدريب، (4) تشغيل استنتاج الدفعات على بيانات جديدة، و(5) استخراج المتغيرات المساهمة العليا لكل شذوذ مكتشف.
أفضل الممارسات
- استخدم 12 نقطة بيانات على الأقل لكشف الشذوذ الأحادي وقم بمحاذاة TimeGranularity مع تكرار البيانات الفعلي للحصول على نتائج دقيقة
- كوين الحساسية بين 80-95 لحالات استخدام الإنتاج لموازنة الإيجابيات الخاطئة والشذوذ المفقود
- تعامل مع HttpResponseException لإدارة حدود معدل API وأخطاء الخدمة بسلاسة
تجنب
- لا تستخدم قيم حساسية أقل من 50 والتي قد تفوت شذوذًا مهمًا أو أعلى من 99 والتي تولد إيجابيات خاطئة مفرطة
- تجنب استدعاء detectUnivariateLastPoint دون الحفاظ على سياق تاريخي كافٍ للخوارزمية
- لا تضع مفاتيح API أو نقاط النهاية بشكل ثابت في كود المصدر - استخدم دائمًا متغيرات البيئة أو Azure Key Vault
الأسئلة المتكررة
ما هو الحد الأدنى لمتطلبات البيانات لكشف الشذوذ؟
كيف أختار بين كشف الشذوذ الأحادي ومتعدد المتغيرات؟
هل يمكنني استخدام هذه المهارة بدون اشتراك Azure؟
كم يستغرق تدريب النموذج متعدد المتغيرات؟
ما هي التدرجات الزمنية المدعومة؟
كيف أتعامل مع المصادقة بشكل آمن؟
تفاصيل المطور
المؤلف
sickn33الترخيص
MIT
المستودع
https://github.com/sickn33/antigravity-awesome-skills/tree/main/skills/azure-ai-anomalydetector-javaمرجع
main
بنية الملفات
📄 SKILL.md