Fähigkeiten azure-ai-anomalydetector-java
📦

azure-ai-anomalydetector-java

Sicher

Anomalieerkennungs-Apps mit Azure AI SDK für Java erstellen

Erkennen Sie Anomalien in Zeitreihendaten mit Azure Cognitive Services. Dieses Skill bietet Java SDK-Muster für univariate und multivariate Anomalieerkennung mit Echtzeit-Streaming-Unterstützung.

Unterstützt: Claude Codex Code(CC)
🥉 75 Bronze
1

Die Skill-ZIP herunterladen

2

In Claude hochladen

Gehe zu Einstellungen → Fähigkeiten → Skills → Skill hochladen

3

Einschalten und loslegen

Teste es

Verwendung von "azure-ai-anomalydetector-java". Anomalien in 30 Tagen täglicher Website-Verkehrsdaten erkennen

Erwartetes Ergebnis:

Anomalieerkennung abgeschlossen. 3 Anomalien gefunden: Tag 7 (Verkehrsspitze: 15.200 vs erwartet 8.500), Tag 18 (Verkehrsrückgang: 2.100 vs erwartet 7.800), Tag 25 (Verkehrsspitze: 18.900 vs erwartet 9.200). Konfidenzwerte: 0,92, 0,87, 0,95.

Verwendung von "azure-ai-anomalydetector-java". Server-CPU, Speicher und Festplatten-I/O auf Anomalien überwachen

Erwartetes Ergebnis:

Multivariate Anomalie erkannt um 2024-01-15T14:32:00Z. Schweregrad: 0,89. Hauptbeiträge: CPU-Auslastung (Beitrag: 0,45), Festplatten-I/O-Wartezeit (Beitrag: 0,32). Empfohlene Aktion: Potenzielle Ressourcenkonflikte untersuchen.

Sicherheitsaudit

Sicher
v1 • 2/24/2026

All 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.

1
Gescannte Dateien
262
Analysierte Zeilen
0
befunde
1
Gesamtzahl Audits
Keine Sicherheitsprobleme gefunden
Auditiert von: claude

Qualitätsbewertung

38
Architektur
100
Wartbarkeit
87
Inhalt
50
Community
100
Sicherheit
100
Spezifikationskonformität

Was du bauen kannst

IT-Betriebsüberwachung

Erkennen Sie Anomalien in Servermetriken wie CPU-Auslastung, Speicherverbrauch und Netzwerkverkehr, um potenzielle Ausfälle zu identifizieren, bevor sie Benutzer beeinträchtigen.

Betrugserkennung im Finanzwesen

Analysieren Sie Transaktionsmuster über mehrere Variablen, um verdächtige Aktivitäten und potenziellen Betrug in Echtzeit-Zahlungssystemen zu identifizieren.

IoT-Sensor-Analytik

Überwachen Sie Sensordaten von Industrieanlagen, um frühe Warnsignale für Geräteausfälle zu erkennen und prädiktive Wartungspläne zu ermöglichen.

Probiere diese Prompts

Basis-Univariate-Client erstellen 
Erstellen Sie eine Java-Klasse, die den Azure AI Anomaly Detector Univariate-Client unter Verwendung von Umgebungsvariablen für den Endpunkt und API-Schlüssel initialisiert. Behandeln Sie Fehler für fehlende Anmeldedaten.
Batch-Anomalieerkennung implementieren 
Schreiben Sie eine Methode, die Batch-Anomalieerkennung auf einem Zeitreihendatensatz durchführt. Die Methode sollte eine Liste von Zeitstempeln und Werten akzeptieren, die Erkennungsempfindlichkeit konfigurieren und eine Liste erkannter Anomalien mit ihren erwarteten Werten und Konfidenzwerten zurückgeben.
Streaming-Anomalieerkennung erstellen 
Erstellen Sie einen Streaming-Anomalieerkennungsdienst, der eingehende Datenpunkte in Echtzeit verarbeitet. Verwenden Sie die detectUnivariateLastPoint-Methode, um jeden neuen Datenpunkt zu überprüfen und Warnungen auszulösen, wenn Anomalien einen Schweregradschwellenwert überschreiten.
Multivariatmodell trainieren und bereitstellen 
Implementieren Sie einen vollständigen multivarianten Anomalieerkennungs-Workflow: (1) Trainingsdaten in Azure Blob Storage vorbereiten, (2) Modell mit konfigurierbarem Schiebefenster trainieren, (3) auf Trainingsabschluss pollen, (4) Batch-Inferenz auf neuen Daten ausführen und (5) wichtigste beitragende Variablen für jede erkannte Anomalie extrahieren.

Bewährte Verfahren

  • Verwenden Sie mindestens 12 Datenpunkte für univariate Erkennung und richten Sie TimeGranularity an Ihrer tatsächlichen Datenfrequenz aus für genaue Ergebnisse
  • Konfigurieren Sie Empfindlichkeit zwischen 80-95 für Produktionsanwendungen, um ein Gleichgewicht zwischen Fehlalarmen und übersehenen Anomalien zu erreichen
  • Behandeln Sie HttpResponseException, um API-Ratenlimits und Dienstfehler elegant zu verwalten

Vermeiden

  • Verwenden Sie keine Empfindlichkeitswerte unter 50, die signifikante Anomalien übersehen könnten, oder über 99, die übermäßig viele Fehlalarme generieren
  • Rufen Sie detectUnivariateLastPoint nicht ohne ausreichenden historischen Kontext für den Algorithmus auf
  • Hartcodieren Sie keine API-Schlüssel oder Endpunkte im Quellcode - verwenden Sie immer Umgebungsvariablen oder Azure Key Vault

Häufig gestellte Fragen

Was ist die Mindestanforderung an Daten für die Anomalieerkennung?
Univariate Erkennung erfordert mindestens 12 Datenpunkte. Multivariate Modelle funktionieren am besten mit 200-1000 Trainingspunkten je nach Musterkomplexität.
Wie wähle ich zwischen univariate und multivariate Erkennung?
Verwenden Sie Univariate für Einzelmetrik-Analysen wie CPU-Auslastung. Verwenden Sie Multivariate bei der Überwachung von 2+ korrelierten Signalen, bei denen Anomalien möglicherweise nur in ihren Beziehungen erscheinen.
Kann ich dieses Skill ohne Azure-Abonnement nutzen?
Nein. Das Azure AI Anomaly Detector SDK erfordert ein aktives Azure Cognitive Services-Abonnement mit bereitgestelltem Anomaly Detector-Ressource.
Wie lange dauert das multivariate Modelltraining?
Das Training ist asynchron und dauert typischerweise je nach Datenvolumen wenige Minuten. Verwenden Sie das Polling-Muster, um den Trainingsstatus zu überprüfen, bis das Modell den Zustand Ready erreicht.
Welche Zeitgranularitäten werden unterstützt?
Unterstützte Granularitäten umfassen: Yearly, Monthly, Weekly, Daily, Hourly, Minutely, Secondly und MicroSecondly. Passen Sie die Granularität an Ihre Datenerfassungsfrequenz an.
Wie handhabe ich die Authentifizierung sicher?
Verwenden Sie DefaultAzureCredential in der Produktion für verwaltete Identitätsunterstützung. Für die Entwicklung speichern Sie Anmeldedaten in Umgebungsvariables oder Azure Key Vault, niemals im Quellcode.

Entwicklerdetails

Autor

sickn33

Lizenz

MIT

Repository

https://github.com/sickn33/antigravity-awesome-skills/tree/main/skills/azure-ai-anomalydetector-java

Ref

main

Dateistruktur

📄 SKILL.md