AZ900-Manage#97
Log Analytics で時系列データの異常を機械学習で検出する KQL 関数として最も適切なものはどれですか?
解説
【正解: A】の理由
series_decompose_anomalies() は make_series で生成した時系列を分解し、季節性とトレンドを除去した残差から異常点を機械学習で検出します。anomaly detection に特化した KQL の AI 関数で、しきい値ベース監視より高度な検知が可能です。
【他選択肢が違う理由】
series_decompose_anomalies() は make_series で生成した時系列を分解し、季節性とトレンドを除去した残差から異常点を機械学習で検出します。anomaly detection に特化した KQL の AI 関数で、しきい値ベース監視より高度な検知が可能です。
【他選択肢が違う理由】
- B. 列の選択: project_keep は指定列のみ残す射影演算子で、異常検知ロジックを持ちません
- C. 件数集計: summarize count() は単純な集計関数で、機械学習や時系列分解は実行しません
- D. テーブル結合: join は複数テーブルの結合演算子で、異常検出機能とは無関係です
コメント