Format Data Inferensi Wawasan IP - Amazon SageMaker
Permintaan MasukanTanggapan Keluaran

Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Format Data Inferensi Wawasan IP

Berikut ini adalah format input dan output yang tersedia untuk algoritma IP Insights. Algoritma SageMaker bawaan Amazon mematuhi format inferensi input umum yang dijelaskan dalam. Format data umum untuk inferensi Namun, algoritma SageMaker IP Insights saat ini tidak mendukung format RecorDio.

Format Permintaan Input Wawasan IP

MASUKAN: Format CSV

File CSV harus memiliki dua kolom. Kolom pertama adalah string buram yang sesuai dengan pengidentifikasi unik entitas. Kolom kedua adalah alamat IPv4 dari peristiwa akses entitas dalam notasi desimal titik.

tipe konten: teks/csv

entity_id_1, 192.168.1.2
entity_id_2, 10.10.1.2

MASUKAN: Format JSON

Data JSON dapat disediakan dalam berbagai format. IP Insights mengikuti SageMaker format umum. Untuk informasi selengkapnya tentang format inferensi, lihatFormat data umum untuk inferensi.

tipe konten: aplikasi/json

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

MASUKAN: Format JSONLINES

Jenis konten JSON Lines berguna untuk menjalankan pekerjaan transformasi batch. Untuk informasi lebih lanjut tentang format SageMaker inferensi, lihatFormat data umum untuk inferensi. Untuk informasi selengkapnya tentang menjalankan pekerjaan transformasi batch, lihatTransformasi Batch untuk inferensi dengan Amazon SageMaker.

tipe konten: aplikasi/jsonlines

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

Format Respons Output Wawasan IP

KELUARAN: Format Respons JSON

Output default dari algoritma SageMaker IP Insights adalah dot_product antara entitas input dan alamat IP. Dot_product menandakan seberapa kompatibel model mempertimbangkan entitas dan alamat IP. dot_productItu tidak terbatas. Untuk membuat prediksi tentang apakah suatu peristiwa anomali, Anda perlu menetapkan ambang batas berdasarkan distribusi yang Anda tentukan. Untuk informasi tentang cara menggunakan deteksi anomali dot_product untuk, lihat Pengantar Algoritma Wawasan SageMaker IP.

terima: aplikasi/json

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

Pengguna tingkat lanjut dapat mengakses entitas yang dipelajari model dan penyematan IP dengan menyediakan parameter verbose=True tipe konten tambahan ke judul Terima. Anda dapat menggunakan entity_embedding dan ip_embedding untuk men-debug, memvisualisasikan, dan memahami model. Selain itu, Anda dapat menggunakan embeddings ini dalam teknik pembelajaran mesin lainnya, seperti klasifikasi atau pengelompokan.

terima: aplikasi/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]
    }
  ]
}

KELUARAN: Format Respons JSONLINES

terima: aplikasi/jsonlines 

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

terima: aplikasi/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]}