Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
# IP Insights
Amazon SageMaker AI IP Insights ist ein unbeaufsichtigter Lernalgorithmus, der die Nutzungsmuster für IPv4-Adressen lernt. Er wurde entwickelt, um Zuordnungen zwischen IPv4-Adressen und verschiedenen Entitys, wie beispielsweise Benutzer-IDs oder Kontonummern, zu erfassen. Sie können ihn z. B. zum Identifizieren eines Benutzers verwenden, der versucht, sich von einer anormalen IP-Adresse bei einem Web-Service anzumelden. Sie können ihn auch verwenden, um ein Konto zu identifizieren, das versucht, Datenverarbeitungsressourcen von einer ungewöhnlichen IP-Adresse aus zu erstellen. Trainierte IP Insight-Modelle können an einem Endpunkt für Echtzeit-Prognosen gehostet oder zum Verarbeiten von Stapeltransformationen verwendet werden.
SageMaker AI IP Insights nimmt historische Daten als Paare (Entität, IPv4-Adresse) auf und lernt die IP-Nutzungsmuster jeder Entität kennen. Bei einer Abfrage mit einem Ereignis (Entität, IPv4-Adresse) gibt ein SageMaker AI IP Insights-Modell einen Wert zurück, der darauf schließen lässt, wie ungewöhnlich das Muster des Ereignisses ist. Wenn ein Benutzer z. B. versucht, sich von einer IP-Adresse anzumelden, und die IP Insights-Punktzahl hoch genug ist, entscheidet ein Web-Login-Server möglicherweise ein Multifaktor-Authentifizierungssystem auszulösen. In erweiterten Lösungen können Sie die IP Insights-Punktzahl in ein anderes Machine-Learning-Modell einspeisen. Sie können beispielsweise den IP Insight-Wert mit anderen Funktionen kombinieren, um die Ergebnisse eines anderen Sicherheitssystems, z. B. denen von [Amazon](https://docs.aws.amazon.com/guardduty/latest/ug/what-is-guardduty.html), zu bewerten GuardDuty.
Der SageMaker AI IP Insights-Algorithmus kann auch Vektordarstellungen von IP-Adressen, sogenannte *Einbettungen*, lernen. Sie können vektorcodierte Einbettungen als Funktionen in nachgelagerten Machine-Learning-Aufgaben verwenden, die die in den IP-Adressen erkannten Informationen nutzen. Beispielsweise können Sie sie in Aufgaben wie Messen von Gemeinsamkeiten zwischen IP-Adressen in Cluster- und Visualisierungsaufgaben verwenden.
**Topics**
+ [Input/Output Schnittstelle für den IP Insights-Algorithmus](#ip-insights-inputoutput)
+ [EC2-Instance-Empfehlung für den IP Insights-Algorithmus](#ip-insights-instances)
+ [Beispiel-Notebooks für IP Insights](#ip-insights-sample-notebooks)
+ [So funktioniert IP Insights](ip-insights-howitworks.md)
+ [IP Insights-Hyperparameter](ip-insights-hyperparameters.md)
+ [Optimieren eines IP Insights-Modells](ip-insights-tuning.md)
+ [IP Insights-Datenformate](ip-insights-data-formats.md)
## Input/Output Schnittstelle für den IP Insights-Algorithmus
**Training und Validierung**
Der SageMaker AI IP Insights-Algorithmus unterstützt Trainings- und Validierungsdatenkanäle. Er verwendet den optionalen Validierungskanal zum Berechnen einer Area-under-curve (AUC)-Punktzahl in einer vordefinierten negativen Sampling-Strategie. Die AUC-Metrik validiert, wie gut das Modell zwischen positiven und negativen Stichproben unterscheidet. Trainings- und Validierungsdaten müssen im `text/csv`-Format vorliegen. Die erste Spalte der CSV-Daten besteht aus einer opaken Zeichenfolge, die eine eindeutige ID für die Entity angibt. Die zweite Spalte ist eine IPv4-Adresse in Dezimalpunkt-Notation. IP Insights wird derzeit nur im Dateimodus unterstützt. Weitere Informationen und Beispiele finden Sie unter [IP Insights – Datenformate für das Training](ip-insights-training-data-formats.md).
**Inferenz**
Für die Inferenz unterstützt IP Insights die Eingabedaten-Inhaltstypen `text/csv`, `application/json` und `application/jsonlines`. Weitere Informationen zu den gängigen Datenformaten für Inferenzen, die von SageMaker KI bereitgestellt werden, finden Sie unter[Gängige Datenformate für die Inferenz](cdf-inference.md). Die IP Insights-Inferenz gibt eine als `application/json` oder `application/jsonlines` formatierte Ausgabe zurück. Jeder Datensatz in den Ausgabedaten enthält das entsprechende `dot_product` (oder eine Kompatibilitätspunktzahl) für die einzelnen Eingabedatenpunkte. Weitere Informationen und Beispiele finden Sie unter [IP Insights-Inferenzdatenformate](ip-insights-inference-data-formats.md).
## EC2-Instance-Empfehlung für den IP Insights-Algorithmus
Der SageMaker AI IP Insights-Algorithmus kann sowohl auf GPU- als auch auf CPU-Instanzen ausgeführt werden. Für Trainingsaufgaben empfehlen wir die Verwendung von GPU-Instances. Für bestimmte Workloads mit großen Trainingsdatensätzen lassen sich die Trainingskosten möglicherweise durch verteilte CPU-Instances reduzieren. Für die Inferenz empfehlen wir die Verwendung von CPU-Instances. IP Insights unterstützt die GPU-Familien P2, P3, G4dn und G5.
### GPU-Instances für den IP Insights-Algorithmus
IP Insights unterstützt alle verfügbaren GPUs. Wenn Sie das Training beschleunigen möchten, empfehlen wir, mit einer einzelnen GPU-Instanz wie ml.p3.2xlarge zu beginnen und dann zu einer Umgebung mit mehreren GPUs wie ml.p3.8xlarge und ml.p3.16xlarge zu wechseln. Multi-GPUs teilt die Mini-Batches mit Trainingsdaten automatisch untereinander auf. Wenn Sie von einer einzigen GPU auf mehrere GPUs umstellen, wird die `mini_batch_size` zu gleichen Teilen auf die Anzahl der verwendeten GPUs aufgeteilt. Als Ausgleich können Sie den Wert der `mini_batch_size` erhöhen.
### CPU-Instances für den IP Insights-Algorithmus
Welchen Typ der CPU-Instance wir empfehlen, hängt vor allem vom verfügbaren Arbeitsspeicher der Instance und der Modellgröße ab. Die Modellgröße wird durch zwei Hyperparameter bestimmt: `vector_dim` und `num_entity_vectors`. Die maximale, unterstützte Modellgröße 8 GB. Die folgende Tabelle listet typische EC2-Instance-Typen auf, die Sie auf der Grundlage dieser Eingabeparameter für verschiedene Modellgrößen bereitstellen würden. In Tabelle 1 reicht der Wert für `vector_dim` in der ersten Spalte von 32 bis 2048 und die Werte für `num_entity_vectors` in der ersten Zeile reichen von 10 000 bis 50 000 000.
| `vector_dim` \\ `num_entity_vectors`. | 10.000 | 50 000 | 100 000 | 500,000 | 1 000 000 | 5,000,000 | 10,000,000 | 50,000,000 |
| --- | --- | --- | --- | --- | --- | --- | --- | --- |
| 32 | ml.m5.large | ml.m5.large | ml.m5.large | ml.m5.large | ml.m5.large | ml.m5.xlarge | ml.m5.2xlarge | ml.m5.4xlarge |
| `64` | ml.m5.large | ml.m5.large | ml.m5.large | ml.m5.large | ml.m5.large | ml.m5.2xlarge | ml.m5.2xlarge | |
| `128` | ml.m5.large | ml.m5.large | ml.m5.large | ml.m5.large | ml.m5.large | ml.m5.2xlarge | ml.m5.4xlarge | |
| `256` | ml.m5.large | ml.m5.large | ml.m5.large | ml.m5.large | ml.m5.xlarge | ml.m5.4xlarge | | |
| `512` | ml.m5.large | ml.m5.large | ml.m5.large | ml.m5.large | ml.m5.2xlarge | | | |
| `1024` | ml.m5.large | ml.m5.large | ml.m5.large | ml.m5.xlarge | ml.m5.4xlarge | | | |
| `2048` | ml.m5.large | ml.m5.large | ml.m5.xlarge | ml.m5.xlarge | | | | |
Die Werte für die Hyperparameter `mini_batch_size`, `num_ip_encoder_layers`, `random_negative_sampling_rate` und `shuffled_negative_sampling_rate` wirken sich auch auf die Größe des erforderlichen Arbeitsspeichers aus. Wenn diese Werte groß sind, müssen Sie möglicherweise einen größeren Instance-Typ als normal verwenden.
## Beispiel-Notebooks für IP Insights
Ein Beispielnotizbuch, das zeigt, wie der SageMaker AI IP Insights-Algorithmus trainiert und daraus Schlüsse gezogen werden können, finden Sie unter [Eine Einführung in den SageMaker AIIP](https://sagemaker-examples.readthedocs.io/en/latest/introduction_to_amazon_algorithms/ipinsights_login/ipinsights-tutorial.html) Insights-Algorithmus. Anweisungen zum Erstellen und Zugreifen auf Jupyter-Notebook-Instanzen, mit denen Sie das Beispiel in KI ausführen können, finden Sie unter. SageMaker [SageMaker Amazon-Notebook-Instanzen](nbi.md) Nachdem Sie eine Notebook-Instanz erstellt haben, wählen Sie den Tab **SageMaker KI-Beispiele**, um eine Liste aller KI-Beispiele zu sehen. SageMaker Zum Öffnen eines Notebooks wählen Sie die Registerkarte **Verwenden** und dann **Kopie erstellen** aus.