Connettore Anomaly Detection

Panoramica

Il connettore Anomaly Detection utilizza machine learning per rilevare anomalie nei flussi di dati.

Tipo Connettore: MeddleAnomalyDetect

Algoritmo: Isolation Forest

Configurazione

{
  "type": "MeddleAnomalyDetect",
  "config": {
    "algorithm": "IsolationForest",
    "parameterKeys": ["temperature", "pressure"],
    "iforestConfig": {
      "numTrees": 100,
      "subsampleSize": 256,
      "anomalyRatio": 0.05,
      "retrainEvery": 50,
      "windowSize": 1000
    }
  }
}

Parametri di Configurazione

• algorithm: IsolationForest (attualmente l’unico algoritmo supportato)
• parameterKeys: Array di chiavi payload da analizzare
• iforestConfig: Configurazione specifica Isolation Forest

Parametri Isolation Forest

• numTrees: Numero di alberi nella foresta (default: 100)
• subsampleSize: Dimensione campione per ogni albero (default: 256)
• anomalyRatio: Rapporto atteso di anomalie (default: 0.05 = 5%)
• retrainEvery: Riaddestra il modello ogni N campioni (default: 50)
• windowSize: Dimensione finestra di addestramento (default: 1000)

Come Funziona

1. Fase di Addestramento: Raccoglie dati iniziali per costruire il modello
2. Fase di Rilevamento: Assegna punteggio ai nuovi punti dati per anomalie
3. Riaddestramento: Aggiorna periodicamente il modello con nuovi dati
4. Output: Aggiunge anomaly_score e is_anomaly al payload

Esempio Output

Input:

{
  "temperature": 25.5,
  "pressure": 101.3
}

Output:

{
  "temperature": 25.5,
  "pressure": 101.3,
  "anomaly_score": 0.42,
  "is_anomaly": false
}

Anomalia rilevata:

{
  "temperature": 95.0,
  "pressure": 150.0,
  "anomaly_score": 0.89,
  "is_anomaly": true
}

Casi d’Uso

1. Manutenzione predittiva - Rileva anomalie attrezzatura prima del guasto
2. Controllo qualità - Identifica prodotti difettosi
3. Monitoraggio processi - Rileva comportamento insolito del processo
4. Sicurezza - Identifica comportamento anomalo del sistema

Tuning Parametri

Per Dati Rumorosi

Aumenta anomalyRatio e subsampleSize:

{
  "anomalyRatio": 0.1,
  "subsampleSize": 512
}

Per Processi Stabili

Diminuisci anomalyRatio e aumenta windowSize:

{
  "anomalyRatio": 0.01,
  "windowSize": 2000
}

Per Condizioni a Rapido Cambiamento

Diminuisci retrainEvery:

{
  "retrainEvery": 25
}

Best Practice

1. Seleziona parametri rilevanti - Includi solo metriche significative
2. Permetti periodo di addestramento - Il modello necessita dati iniziali per apprendere
3. Regola rapporto anomalie - Adatta in base al tuo dominio
4. Monitora falsi positivi - Regola parametri se troppi falsi allarmi
5. Combina con avvisi - Usa con connettore Alert per notifiche

Esempio Flusso di Lavoro

OpcuaReader → AnomalyDetect → Trigger → Alert
                                  ↓
                            InfluxDb2Writer

1. Leggi dati sensori
2. Rileva anomalie
3. Attiva su is_anomaly == true
4. Invia avviso e archivia nel database

Connettori Correlati

• Trigger - Agisci sulle anomalie
• Alert - Invia notifiche
• Filter - Filtra anomalie