Microsoft Lumos er nå åpen kildekode som tillater overvåking av webapp-beregninger og rask oppdagelse av uregelmessigheter ved å eliminere falske positive

Microsoft har åpnet tilgang til 'Lumos', et kraftig Python-bibliotek for automatisk å oppdage og diagnostisere metriske regresjoner i "web-skala" applikasjoner. Biblioteket har angivelig vært veldig aktivt i Microsoft Teams og Skype. I hovedsak er en svært kraftig og intelligent 'anomali detektor' nå åpen og tilgjengelig for webutviklere for å oppdage og adressere regresjoner i viktige ytelsesberegninger, mens de nesten eliminerer de fleste falske positive.

Microsoft Lumos er nå åpen kildekode. Det ble aktivt brukt i utvalgte Microsoft-produkter, og vil nå være tilgjengelig for det generelle nett- og apputviklingssamfunnet. Biblioteket tillot angivelig ingeniører å oppdage hundrevis av endringer i beregninger og avvise tusenvis av falske alarmer som dukket opp av anomalidetektorer.

Lumos reduserer falsk-positiv varslingsfrekvens med over 90 prosent, hevder Microsoft:

Lumos er en ny metode som inkluderer eksisterende, domenespesifikke anomaliedetektorer. Imidlertid forsikrer Microsoft at Python-biblioteket kan redusere den falske positive varslingsfrekvensen med over 90 prosent. Med andre ord kan utviklere nå trygt gå etter vedvarende problemer i stedet for intermitterende som ikke hadde en langsiktig skadelig effekt.

Helsen til elektroniske tjenester overvåkes vanligvis ved å spore beregninger for Key Performance Indicator (KPI) over tid. Ingeniører som gjennomfører ‘Regresjonsanalyse’ krever mye tid og ressurser for å luke ut problemer som kan være en indikasjon på store problemer. Disse problemene kan føre til økende driftskostnader og til og med tap av brukere hvis de ikke blir adressert.

Det er unødvendig å legge til, det er tidkrevende å spore årsaken til hver KPI-regresjon. Videre bruker team ofte mye tid på å analysere problemene bare for å finne at de bare var anomalier. Det er her Microsoft Lumos er nyttig. Python-biblioteket eliminerer prosessen med å fastslå om en endring skyldes et skifte i populasjon eller en produktoppdatering ved å gi en prioritert liste over de viktigste variablene for å forklare endringer i beregningsverdien.

Microsoft Lumos tjener også det bredere formålet med å forstå forskjellen i en beregning mellom to datasett. Interessant nok inkluderer plattformen 'skjevhet', og ved å sammenligne et kontroll- og behandlingsdatasett mens de forblir agnostiske med tidsseriekomponenten, kan Lumos undersøke avvik.

Hvordan fungerer Microsoft Lumos?

Microsoft Lumos jobber med prinsippene for A / B-testing for å sammenligne par datasett. Python-biblioteket begynner med å verifisere om regresjonen i beregningen mellom datasett er statistisk signifikant. Deretter følger den opp med en populasjonsjustering og normalisering av skjevheter for å ta hensyn til eventuelle populasjonsendringer mellom de to datasettene. Lumos bestemmer at problemet ikke er verdt å forfølge hvis det ikke er statistisk signifikant regresjon i beregningen. Imidlertid, hvis deltaet i beregningen er statistisk signifikant, markerer Lumos funksjonene og rangerer dem i henhold til deres bidrag til deltaet i målberegningen.

Lumos Python Library fungerer som det primære verktøyet for scenarioovervåking av hundrevis av beregninger. Utviklere og team som utfører ytelsesanalyse, kan overvåke og jobbe med påliteligheten til å ringe, møte og offentlige byttetelefonnett (PSTN) -tjenester hos Microsoft. Biblioteket er operativt på Azure Databricks, selskapets Apache-gnistbaserte big data-analysetjeneste. Det er konfigurert til å kjøre med flere jobber som er ordnet etter prioritet, kompleksitet og beregningstype. Jobbene fullføres asynkront. Det betyr at hvis systemet oppdager en avvik, utløses en Lumos-arbeidsflyt, og biblioteket analyserer og kontrollerer deretter om avviket er verdt å forfølge og adressere det intelligent.

Microsoft har bemerket at Lumos ikke er garantert å fange alle regresjoner i tjenester. I tillegg vil tjenesten kreve et stort antall datasett for å gi pålitelig innsikt. Selskapet planlegger å inkludere kontinuerlig beregning av analyser, utføre bedre funksjonsrangering og også ta med funksjonsklynger. Disse trinnene bør løse den primære utfordringen med multikollinearitet i funksjonsrangeringen.