Logo hu.nowadaytechnol.com

A Microsoft Lumos Nyílt Forráskóddal Engedélyezi A Webalkalmazás-mutatók Nyomon Követését és A Rendellenességek Gyors Felderítését A Hamis Pozitív Tényezők Kiküszöbölésével

Tartalomjegyzék:

A Microsoft Lumos Nyílt Forráskóddal Engedélyezi A Webalkalmazás-mutatók Nyomon Követését és A Rendellenességek Gyors Felderítését A Hamis Pozitív Tényezők Kiküszöbölésével
A Microsoft Lumos Nyílt Forráskóddal Engedélyezi A Webalkalmazás-mutatók Nyomon Követését és A Rendellenességek Gyors Felderítését A Hamis Pozitív Tényezők Kiküszöbölésével

Videó: A Microsoft Lumos Nyílt Forráskóddal Engedélyezi A Webalkalmazás-mutatók Nyomon Követését és A Rendellenességek Gyors Felderítését A Hamis Pozitív Tényezők Kiküszöbölésével

Videó: A Microsoft Lumos Nyílt Forráskóddal Engedélyezi A Webalkalmazás-mutatók Nyomon Követését és A Rendellenességek Gyors Felderítését A Hamis Pozitív Tényezők Kiküszöbölésével
Videó: Webes technológiák - IT Morning School - 2021. március 12. 2024, Március
Anonim
Image
Image

A Microsoft megnyitotta a hozzáférést a „Lumos”, erőteljes Python könyvtárhoz, amely automatikusan érzékeli és diagnosztizálja a metrikus regressziókat a „webes léptékű” alkalmazásokban. A könyvtár állítólag nagyon aktív volt a Microsoft Teams és a Skype belsejében. Lényegében a nagy teljesítményű és intelligens „anomáliadetektor” jelenleg nyílt forráskódú, és a webfejlesztők számára elérhető a fő teljesítménymutatók regresszióinak észlelésére és kezelésére, miközben a hamis pozitívok többségét szinte kiküszöbölik.

A Microsoft Lumos már nyílt forráskódú. Aktívan használták a Microsoft egyes termékeiben, és mostantól elérhető lesz az általános web- és alkalmazásfejlesztő közösség számára. A könyvtár állítólag lehetővé tette a mérnökök számára, hogy több száz változást észleljenek a mutatókban, és visszautasítsák az anomália-detektorok által feltárt hamis riasztások ezreit.

A Lumos 90% -kal csökkenti a hamis pozitív riasztások arányát, állítja a Microsoft:

A Lumos egy új módszertan, amely magában foglalja a meglévő, tartományspecifikus anomália detektorokat. A Microsoft azonban biztosítja, hogy a Python könyvtár több mint 90 százalékkal csökkentheti a hamis pozitív riasztási arányt. Más szavakkal, a fejlesztők most már magabiztosan folytathatják a folyamatos problémákat az időszakos problémák helyett, amelyeknek nem volt hosszú távú káros hatása.

Az online szolgáltatások állapotát általában a Key Performance Indicator (KPI) metrikák követésével követik nyomon. A „regressziós elemzést” végző mérnököknek sok időre és erőforrásra van szükségük a problémák kiszűréséhez, amelyek jelezhetik a nagyobb problémákat. Ezek a problémák a működési költségek emelkedésével, sőt a felhasználók elvesztésével járhatnak, ha nem foglalkoznak velük.

Bemutatkozik: Lumos 365 # bigdat # analytics #adatience # dat # datawareghan # upstream #oilandgas #energy # Ghan # westafric # microsoft #businesscentral # lumos365 #erp #finance #supplychain pic.twitter.com/xTYE3yLhaP

- Dataware Tech Ghan (@datawareghana) 2020. április 1

Felesleges hozzáfűzni, hogy minden KPI regresszió kiváltó okának felkutatása időigényes. Ráadásul a csapatok gyakran sok időt töltenek a problémák elemzésével, hogy csak anomáliának találják őket. Itt jön jól a Microsoft Lumos. A Python könyvtár kiküszöböli annak megállapítását, hogy a változás a populációváltásnak vagy a termékfrissítésnek köszönhető-e, a metrikális érték változásainak magyarázatához a legfontosabb változók rangsorolt listájának megadásával.

A Microsoft Lumos azt a tágabb célt is szolgálja, hogy megértsük a metrika különbségét bármely két adatkészlet között. Érdekes módon a platform magában foglalja az „elfogultságot”, és a kontroll és a kezelési adatkészlet összehasonlításával, miközben agnosztikus marad az idősor-komponenssel, a Lumos kivizsgálhatja az anomáliákat.

Bemutatjuk új partnereinket: Lumos 365 Ltd. # bigdat # analytics #datascience # dat # datawareghan # upstream #oilandgas #energy # Ghan # westafric # microsoft #businesscentral # lumos365 #erp #finance #SupplyChain pic.twitter.com/UdYh8aYdvn

- Dataware Tech Ghan (@datawareghana) 2020. március 2

Hogyan működik a Microsoft Lumos?

A Microsoft Lumos az A / B tesztelés alapelveivel együttműködve összehasonlítja az adatkészlet-párokat. A Python könyvtár azzal kezdődik, hogy ellenőrizze, hogy a metrikában a regresszió statisztikailag szignifikáns-e. Ezután követi a populáció torzításának ellenőrzését és az elfogultság normalizálását, hogy figyelembe vegye a két adatcsoport közötti esetleges népességváltozásokat. Lumos úgy dönt, hogy a kérdést nem érdemes folytatni, ha nincs statisztikailag szignifikáns regresszió a mutatóban. Ha azonban a mutató deltinje statisztikailag szignifikáns, akkor Lumos megjelöli a jellemzőket, és rangsorolja őket a célmutató deltinjéhez való hozzájárulásuk szerint.

"A Microsoft kutatói arra figyelmeztetnek, hogy a Lumos nem garantálja az összes regressziót a szolgáltatásban, és hogy nem tud betekintést nyújtani kellően nagy mennyiségű adat nélkül." Microsoft nyílt forráskódú Lumos, https://t.co/IXmMqGjrN8 vi @ VentureBeat

- LisWood Shapiro (@LisaWShapiro) 2020. június 29

A Lumos Python könyvtár az elsődleges eszköz a több száz mutató forgatókönyv-monitorozásához. A teljesítményelemzést végző fejlesztők és csapatok figyelemmel kísérhetik a hívások, az értekezletek és a nyilvános kapcsolt telefonhálózat (PSTN) szolgáltatásainak megbízhatóságát és dolgozhatnak rajta. A könyvtár az Azure Databricks, a vállalat Apache-spark-alapú nagy adatanalitikai szolgáltatásán működik. Úgy lett konfigurálva, hogy több olyan feladattal fusson, amelyek prioritás, összetettség és metrika típus szerint vannak elrendezve. A munkák aszinkron módon fejeződnek be. Ez azt jelenti, hogy ha a rendszer anomáliát észlel, a Lumos munkafolyamat elindul, és a könyvtár ezután intelligensen elemzi és ellenőrzi, hogy érdemes-e a rendellenességet folytatni és kezelni.

A Microsoft megjegyezte, hogy a Lumos nem garantálja, hogy a szolgáltatások minden regresszióját elkapja. Ezenkívül a szolgáltatáshoz nagyszámú adatkészletre lesz szükség megbízható betekintéshez. A vállalat azt tervezi, hogy folytatja a metrikák elemzését, jobb tulajdonság-rangsorolást és a funkciók klaszterezésének bevezetését is. Ezeknek a lépéseknek foglalkozniuk kell a multikollinearitás elsődleges kihívásával a jellemzők rangsorolásában.

Ajánlott: