技能 azure-ai-anomalydetector-java
📦

azure-ai-anomalydetector-java

安全

Azure AI SDK for Javaで異常検知アプリを構築

Azure Cognitive Servicesを使用して時系列データの異常を検出します。このスキルは、リアルタイムストリーミングをサポートする単変量および多変量異常検知のためのJava SDKパターンを提供します。

支持: Claude Codex Code(CC)
🥉 75 青铜
1

下载技能 ZIP

2

在 Claude 中上传

前往 设置 → 功能 → 技能 → 上传技能

3

开启并开始使用

测试它

正在使用“azure-ai-anomalydetector-java”。 30日間の1日ごとのWebサイトトラフィックデータで異常を検出

预期结果:

異常検知が完了しました。3つの異常を検出：7日目（トラフィックスパイク：15,200 vs 期待値8,500）、18日目（トラフィック低下：2,100 vs 期待値7,800）、25日目（トラフィックスパイク：18,900 vs 期待値9,200）。信頼度スコア：0.92、0.87、0.95。

正在使用“azure-ai-anomalydetector-java”。 サーバーのCPU、メモリ、ディスクI/Oの異常を監視

预期结果:

2024-01-15T14:32:00Zで多変量異常を検出。重大度：0.89。トップ寄与因子：CPU使用率���寄与：0.45）、ディスクI/O待ち（寄与：0.32）。推奨アクション：リソース競合の可能性を調査してください。

安全审计

安全
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
已扫描文件
262
分析行数
0
发现项
1
审计总数
未发现安全问题
审计者: claude

质量评分

38
架构
100
可维护性
87
内容
50
社区
100
安全
100
规范符合性

你能构建什么

IT運用監視

CPU使用率、メモリ消費量、ネットワークトラフィックなどのサーバーメトリクスの異常を検出し、ユーザーに影響を与える前に潜在的な障害を特定します。

金融不正検知

複数の変数にわたるトランザクションパターンを分析して、リアルタイム決済システムで疑わしいアクティビティや潜在的な不正を特定します。

IoTセンサーアナリティクス

産業機器のセンサーデータを監視して機器故障の早期警告サインを検出し、予知保全スケジュールを可能にします。

试试这些提示

基本単変量クライアントの作成 
エンドポイントとAPIキーの環境変数を使用してAzure AI Anomaly Detector単変量クライアントを初期化するJavaクラスを作成します。認証情報が不足している場合のエラー処理を含めます。
バッチ異常検知の実装 
時系列データセットでバッチ異常検知を実行するメソッドを作成します。メソッドはタイムスタンプと値のリストを受け取り、検知感度を設定し、検出された異常とその期待値および信頼度スコアのリストを返します。
ストリーミング異常検知の構築 
受信データポイントをリアルタイムで処理するストリーミング異常検知サービスを作成します。detectUnivariateLastPointメソッドを使用して新しい各データポイントをチェックし、異常が重大度しきい値を超えたときにアラートをトリガーします。
多変量モデルのトレーニングとデプロイ 
完全な多変量異常検知ワークフローを実装します：(1) Azure Blob Storageでトレーニングデータを準備、(2) 設定可能なスライディングウィンドウでモデルをトレーニング、(3) トレーニング完了をポーリング、(4) 新しいデータでバッチ推論を実行、(5) 検出された各異常のトップ寄与変数を抽出。

最佳实践

  • 単変量検知には少なくとも12データポイントを使用し、正確な結果のためにTimeGranularityを実際のデータ頻度に合わせてください
  • 誤検知と検知漏れをバランスさせるために、本番ユースケースでは感度を80-95に設定してください
  • APIレート制限とサービスエラーを適切に管理するためにHttpResponseExceptionを処理してください

避免

  • 重要な異常を見逃す可能性のある50未満の感度値、または過度な誤検知を生成する99超の���度値を使用しないでください
  • アルゴリズムに十分な履歴コンテキストを維持せずにdetectUnivariateLastPointを呼び出さないでください
  • APIキーやエンドポイントをソースコードにハードコードしないでください - 常に環境変数またはAzure Key Vaultを使用してください

常见问题

異常検知の最小データ要件は何ですか？
単変量検知には少なくとも12データポイントが必要です。多変量モデルはパターンの複雑さに応じて200-1000のトレーニングポイントで最高のパフォーマンスを発揮します。
単変量と多変量検知の使い分け方は？
CPU使用率など単一メトリクスの分析には単変量を使用します。異常がそれらの関係性にのみ現れる可能性がある2以上の相関信号を監視する場合は多変量を使用します。
Azureサブスクリプションなしでこのスキルを使用できますか？
いいえ。Azure AI Anomaly Detector SDKには、Anomaly DetectorリソースがプロビジョニングされたアクティブなAzure Cognitive Servicesサブスクリプションが必要です。
多変量モデルのトレーニングにはどのくらい時間がかかりますか？
トレーニングは非同期で、データ量に応じて通常数分で完了します。ポーリングパターンを使用して、モデルがReady状態になるまでトレーニングステータスを確認してください。
どの時間粒度がサポートされていますか？
サポートされる粒度は、Yearly、Monthly、Weekly、Daily、Hourly、Minutely、Secondly、MicroSecondlyを含みます。データ収集頻度に粒度を合わせてください。
安全に認証を処理するには？
本番環境ではマネージドIDサポートのためにDefaultAzureCredentialを使用してください。開発では、認証情報を環境変数またはAzure Key Vaultに保存し、ソースコードには保存しないでください。

开发者详情

作者

sickn33

许可证

MIT

仓库

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

引用

main

文件结构

📄 SKILL.md