Feature Details

Machine Learning

Die neue Ära der Datenanalyse

Mit Machine Learning beginnt eine neue Ära der Datenanalyse: Unternehmen können vorausschauende Analysen einsetzen, die kontinuierlich aus historischen Daten "lernen". Mithilfe dieser Analysen lassen sich IT, Sicherheit und Geschäftsprozesse optimieren, was dabei hilft, Vorfälle zu erkennen, die Problembehebung zu beschleunigen sowie unerwünschte Folgen vorherzusagen und zu verhindern.

Die Splunk-Plattform erleichtert es Ihnen durch ihr reichhaltiges Angebot an Machine Learning-Befehlen und ihre interaktive Workbench, sich das Potenzial von Machine Learning zunutze zu machen und benutzerdefinierte Modelle für jeden Anwendungsfall zu erstellen.

Sie interessieren sich für zweckgebundenes Machine Learning für bestimmte Anwendungsbereiche? Splunk Premium Solutions für IT Service Intelligence und User Behavior Analytics bieten dedizierte einsatzbereite, gebrauchsfertige Analysefunktionen für die Verwaltung von IT-Services und Sicherheit.

Machine Learning- und Analysebefehle

Die Splunk-Plattform stellt über 20 Machine Learning-Befehle zur Verfügung, die Sie direkt zu Erkennungs-, Benachrichtigungs- oder Analysezwecken auf Ihre Daten anwenden können. Befehle wie outlier, predict, cluster und correlate nutzen feste Algorithmen, während andere Befehle wie anomalydetection Ihnen erlauben, zwischen verschiedenen Algorithmen, die Ihren Bedürfnissen am besten entsprechen, auszuwählen.

Sie benötigen mehr Flexibilität? Mit dem Splunk Machine Learning-Toolkit erhalten Sie Zugriff auf weitere Befehle und Open-Source-Algorithmen zum Erstellen benutzerdefinierter Modelle für jeden Anwendungsfall.

Benutzerdefinierte Modelle mit dem Splunk Machine Learning-Toolkit

Das Splunk Machine Learning-Toolkit umfasst eine interaktive Workbench, interaktive Beispiele und SPL-Erweiterungen, mit deren Hilfe Sie benutzerdefinierte Machine Learning-Modelle erstellen und operationalisieren können. Sie können Ihre Modelle auf der Basis von mehr als 300 Python-Open-Source-Algorithmen aus den scikit-learn-, pandas-, statsmodel-, numpy- und scipy-Bibliotheken, die über das Splunk Python für Scientific Computing-Add-On verfügbar sind, erstellen. Besuchen Sie Splunkbase für den Download.

Beispiele

Gehen Sie schrittweise durch die interaktiven Beispiele zur Modellerstellung, organisiert nach häufigen Anwendungsfällen für IT, Sicherheit, IoT und Geschäftsanalyse. Die Beispiele umfassen das Vorhersagen von Datenträgerfehlern, das Erkennen von Ausreißern in der Reaktionszeit, das Vorhersagen der VPN-Nutzung und die Prognose des Internetdatenverkehrs.

Assistenten

Assistenten ermöglichen Ihnen, die Algorithmen auszuwählen und leiten Sie dann durch Modellerstellung, Tests und Verteilung für häufige Ziele, wie beispielsweise die Prognose von Werten oder die Vorhersage numerischer oder kategorischer Felder bzw. die Erkennung numerischer oder kategorischer Ausreißer.

Erweiterte SPL-Befehle

Verwenden Sie Machine Learning SPL-Befehle wie fit, apply und allow, um Modelle direkt mit Python-Open-Source-Algorithmen aus dem Splunk Python für Scientific Computing-Add-On zu erstellen, zu testen und zu operationalisieren.

Operationalisieren Ihrer Modelle

Ein wichtiger Wert der Erstellung von Machine Learning-Modellen in Splunk besteht darin, dass Sie diese nahtlos auf die Echtzeitmaschinendaten Ihrer Organisation anwenden können. Ganz gleich, ob Sie die Assistenten des Splunk Machine Learning-Toolkits verwenden oder lieber direkt in SPL arbeiten – Die Modelle werden in Standard-SPL-Suchen übertragen, die weiter angepasst und mühelos in die Produktion übernommen werden können, um Benachrichtigungen in Echtzeit oder Berichte und Dashboards zu generieren.