教程：使用 Foundry 工具进行异常情况检测

本教程介绍如何使用 Foundry Tools 轻松扩充 Azure Synapse Analytics 中的数据。你将使用 Azure AI 异常检测器查找异常情况。 Azure Synapse 中的用户可以直接选择某一个表进行扩充，以检测异常。

本教程涉及：

获取包含时序数据的 Spark 表数据集的步骤。
在 Azure Synapse 中使用向导体验，通过使用异常检测器来扩充数据。

如果没有 Azure 订阅，可在开始前创建一个试用帐户。

先决条件

Azure Synapse Analytics 工作区，其中 Azure Data Lake Storage Gen2 存储帐户配置为默认存储。你需要成为所使用的 Data Lake Storage Gen2 文件系统的存储 Blob 数据参与者。
Azure Synapse Analytics 工作区中的 Spark 池。有关详细信息，请参阅在 Azure Synapse 中创建 Spark 池。
完成 Azure Synapse 中“配置 Foundry 工具”教程中的预配置步骤。

登录到 Azure 门户。

创建 Spark 表

本教程需要一个 Spark 表。

创建 PySpark 笔记本并运行以下代码。

from pyspark.sql.functions import lit

df = spark.createDataFrame([
    ("1972-01-01T00:00:00Z", 826.0),
    ("1972-02-01T00:00:00Z", 799.0),
    ("1972-03-01T00:00:00Z", 890.0),
    ("1972-04-01T00:00:00Z", 900.0),
    ("1972-05-01T00:00:00Z", 766.0),
    ("1972-06-01T00:00:00Z", 805.0),
    ("1972-07-01T00:00:00Z", 821.0),
    ("1972-08-01T00:00:00Z", 20000.0),
    ("1972-09-01T00:00:00Z", 883.0),
    ("1972-10-01T00:00:00Z", 898.0),
    ("1972-11-01T00:00:00Z", 957.0),
    ("1972-12-01T00:00:00Z", 924.0),
    ("1973-01-01T00:00:00Z", 881.0),
    ("1973-02-01T00:00:00Z", 837.0),
    ("1973-03-01T00:00:00Z", 9000.0)
], ["timestamp", "value"]).withColumn("group", lit("series1"))

df.write.mode("overwrite").saveAsTable("anomaly_detector_testing_data")

现在，默认的 Spark 数据库中应显示名为 anomaly_detector_testing_data 的 Spark 表。

打开 Foundry 工具向导

右键单击在上一步中创建的 Spark 表。选择“机器学习”“使用新模型进行预测”打开向导。
此时会显示配置面板，你需要选择一个预训练模型。选择“异常检测器”。

配置异常检测器

提供以下详细信息以配置异常检测器：

Azure 认知服务链接服务：作为先决条件步骤的一部分，你创建了一个链接到 Foundry 工具的链接服务。请在这里选择该服务。
粒度：采样数据的速率。选择“每月一次”。
时间戳列：表示时序的列。选择时间戳（字符串）。
时序值列：表示“时间戳”列所指定时间所对应序列值的列。选择“值 (double)”。
分组列：对系列进行分组的列。也就是说，在此列中具有相同值的所有行应形成一个时序。选择组(字符串)。

完成后，选择“打开笔记本”。这将使用 PySpark 代码生成笔记本，该代码使用 Foundry 工具检测异常。

显示异常检测器的配置详细信息的屏幕截图。

运行笔记本

刚刚打开的笔记本使用 SynapseML 库连接到 Foundry 工具。你提供的 Foundry Tools 链接服务允许你在此使用环境中安全地引用 Foundry Tools，而无需透露任何机密信息。

现在，您可以运行所有单元格以执行异常检测。选择“全部运行”。详细了解 Foundry 工具中的异常检测器。

显示异常情况检测的屏幕截图。

后续步骤

Last updated on 2026-02-28