本文属于机器翻译版本。若本译文内容与英语原文存在差异,则一律以英文原文为准。
IP 洞察推理数据格式
以下是 IP 洞察算法的可用输入和输出格式。Amazon SageMaker 内置算法遵循中用于推理的常用数据格式描述的通用输入推理格式。但是, SageMaker IP Insights 算法目前不支持 Recordio 格式。
IP 洞察输入请求格式
输入:CSV 格式
CSV 文件一定具有两个列。第一列是对应于实体的唯一标识符的不透明字符串。第二列是十进制点表示法中实体访问事件的 IPv4 地址。
content-type: text/csv
entity_id_1, 192.168.1.2 entity_id_2, 10.10.1.2
输入:JSON 格式
JSON 数据可以采用不同的格式提供。《知识产权见解》遵循常见 SageMaker 格式。有关推理格式的更多信息,请参阅用于推理的常用数据格式。
content-type: application/json
{ "instances": [ {"data": {"features": {"values": ["entity_id_1", "192.168.1.2"]}}}, {"features": ["entity_id_2", "10.10.1.2"]} ] }
输入:JSONLINES 格式
JSON 行内容类型对于运行批量转换作业非常有用。有关 SageMaker 推理格式的更多信息,请参阅用于推理的常用数据格式。有关运行批量转换作业的更多信息,请参阅使用 Amazon 进行批量转换以进行推理 SageMaker。
content-type: application/jsonlines
{"data": {"features": {"values": ["entity_id_1", "192.168.1.2"]}}}, {"features": ["entity_id_2", "10.10.1.2"]}]
IP 洞察输出响应格式
输出:JSON 响应格式
SageMaker IP Insights 算法的默认输出是输入实体和 IP 地址dot_product
之间的输出。dot_product 表示模型认为实体与 IP 地址之间的相容程度。dot_product
是无界的。要预测某个事件是否异常,您需要根据定义的分布设置阈值。有关如何使用进行异常检测的信息,请参阅 SageMakerIP Insights 算法简介dot_product
accept: application/json
{ "predictions": [ {"dot_product": 0.0}, {"dot_product": 2.0} ] }
高级用户可以通过向 Accept 标题提供额外的 content-type 参数 verbose=True
,访问模型已经学习的实体和 IP 嵌入。您可以将 entity_embedding
和 ip_embedding
用于调试、可视化和了解模型。此外,您可以在其他机器学习技术(例如分类或聚类)中使用这些嵌入。
accept: 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] } ] }
输出:JSONLINES 响应格式
accept: application/jsonlines
{"dot_product": 0.0} {"dot_product": 2.0}
accept: 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]}