IP Insights-Inferenzdatenformate

Im Folgenden sind die verfügbaren Eingabe- und Ausgabeformate für den IP Insights-Algorithmus aufgeführt. Die integrierten Algorithmen von Amazon SageMaker halten sich an das unter Gängige Datenformate für die Inferenz beschriebene allgemeine Eingabe-Inferenzformat. Allerdings unterstützt der SageMaker IP Insights-Algorithmus derzeit nicht das RecordIO-Format.

IP Insights-Eingabeanforderungsformate

EINGABE: CSV-Format

Die CSV-Datei muss zwei Spalten enthalten. Die erste Spalte ist eine opake Zeichenfolge, die der eindeutigen Kennung einer Entity entspricht. Die zweite Spalte enthält die IPv4-Adresse des Zugriffsereignisses der Entity in Dezimalpunkt-Notation.

Inhaltstyp: text/csv

entity_id_1, 192.168.1.2
entity_id_2, 10.10.1.2

EINGABE: JSON-Format

JSON-Daten können in verschiedenen Formaten zur Verfügung gestellt werden. IP Insights folgt den gängigen SageMaker-Formaten. Weitere Informationen zu Inferenzformaten finden Sie unter Gängige Datenformate für die Inferenz.

Inhaltstyp: application/json

{
  "instances": [
    {"data": {"features": {"values": ["entity_id_1", "192.168.1.2"]}}},
    {"features": ["entity_id_2", "10.10.1.2"]}
  ]
}

EINGABE: JSONLINES-Format

Der JSON Lines-Inhaltstyp ist für die Ausführung von Stapeltransformationsaufträgen nützlich. Weitere Informationen zu SageMaker-Schlussfolgerungsformaten finden Sie unter Gängige Datenformate für die Inferenz. Weitere Informationen zum Ausführen von Stapeltransformationsaufträgen finden Sie unter Verwenden der Stapeltransformation.

Inhaltstyp: application/jsonlines

{"data": {"features": {"values": ["entity_id_1", "192.168.1.2"]}}},
{"features": ["entity_id_2", "10.10.1.2"]}]

IP Insights-Ausgabeantwortformate

AUSGABE: JSON-Antwortformat

Die Standardausgabe des SageMaker IP Insights-Algorithmus ist dot_product zwischen der Eingabeentität und der IP-Adresse. Das dot_product gibt an, wie kompatibel das Modell die Entity und IP-Adresse berücksichtigt. Das dot_product ist unbegrenzt. Um Prognosen zu erstellen, inwieweit ein Ereignis anormal ist, müssen Sie einen Schwellenwert basierend auf Ihrer definierten Verteilung festlegen. Informationen über die Verwendung des dot_product für die Erkennung von Anomalien finden Sie im Abschnitt Einführung in den SageMakerIP-Insights-Algorithmus.

Akzeptiert: application/json

{
  "predictions": [
    {"dot_product": 0.0},
    {"dot_product": 2.0}
  ]
}

Fortgeschrittene Benutzer können auf die gelernten Entity- und IP-Einbettungen zugreifen, indem sie den zusätzlichen Inhaltstyp-Parameter verbose=True im Akzeptiert-Header angeben. Sie können die entity_embedding und ip_embedding für die Fehlersuche, Visualisierung und Verdeutlichung des Modells verwenden. Darüber hinaus können Sie diese Einbettungen in anderen Machine Learning-Techniken, wie Klassifizierung oder Clustering, verwenden.

Akzeptiert: application/json;verbose=True

{
  "predictions": [
    {
        "dot_product": 0.0,
        "entity_embedding": [1.0, 0.0, 0.0],
        "ip_embedding": [0.0, 1.0, 0.0]
    },
    {
        "dot_product": 2.0,
        "entity_embedding": [1.0, 0.0, 1.0],
        "ip_embedding": [1.0, 0.0, 1.0]
    }
  ]
}

AUSGABE: JSONLINES-Antwortformat

Akzeptiert: application/jsonlines

{"dot_product": 0.0}
{"dot_product": 2.0}

Akzeptiert: application/jsonlines; verbose=True

{"dot_product": 0.0, "entity_embedding": [1.0, 0.0, 0.0], "ip_embedding": [0.0, 1.0, 0.0]}
{"dot_product": 2.0, "entity_embedding": [1.0, 0.0, 1.0], "ip_embedding": [1.0, 0.0, 1.0]}