Im dritten Teil dieser Intune-Suite-Serie möchte ich dir mehr Einblicke in Advanced Endpoint Analytics geben. Ich freue mich wirklich, dass Intune den Weg in Richtung Machine Learning und Anomalieerkennung eingeschlagen hat. Über diese Themen habe ich bereits vor einigen Monaten gebloggt und beschrieben, wie man Intune-Daten mithilfe der Anomalieerkennung von Cognitive Services analysieren kann. Es ist großartig, dass Intune dies nun out-of-the-box im Tool mitbringt. Leider kann ich dieses Feature in meinem eigenen Tenant nicht testen, da Endpoint Analytics mindestens 10 Geräte voraussetzt und das in meinem Test-Tenant nicht möglich ist. Dennoch werde ich in diesem Blog alle Elemente des Features behandeln.
Quelle: https://learn.microsoft.com/en-us/intune/advanced-analytics/
Inhaltsverzeichnis
Was ist Advanced Endpoint Analytics?
Advanced Endpoint Analytics ist Teil der Intune Suite und ein Add-on-Feature, das in Microsoft Intune integriert ist. Zu den erweiterten Funktionen gehören Anomalieerkennung, benutzerdefinierte Gerätebereiche (Custom Device Scopes) und eine erweiterte Geräte-Timeline. Diese bieten detaillierte Einblicke, die proaktive Erkennung nicht gemeldeter Probleme und verbesserte Möglichkeiten zur Fehlerbehebung.
Die Anomalieerkennung ermöglicht es IT-Administratoren, potenzielle Probleme von Windows-Geräten in ihrer gesamten Endbenutzer-Computing-Landschaft proaktiv zu identifizieren und effektiver zu beheben. Mit benutzerdefinierten Gerätebereichen können Kunden die Leistung und Zuverlässigkeit von Teilmengen ihrer Geräte analysieren und erhalten so detailliertere Einblicke für bestimmte Geschäftsbereiche oder geografische Regionen. Die erweiterte Geräte-Timeline unterstützt die Fehlerbehebung bei Geräteproblemen, indem sie mehr Ereignisse und eine geringere Datenlatenz bietet.
Voraussetzungen
- Du musst mindestens 10 Geräte für Endpoint Analytics onboarden und registrieren.
- Add-on-Lizenz für Advanced Endpoint Analytics (in Kürze verfügbar) oder Intune-Suite-Lizenz
- Die erweiterten Funktionen in Endpoint Analytics sind nur für Intune-verwaltete (einschließlich co-managed) Geräte verfügbar.
- Mindestens Endpoint-Analytics-Leseberechtigungen (RBAC)
So öffnest du Endpoint Analytics
- Öffne die Intune-Konsole
- Navigiere zu „Reports“
- Klicke dann unter dem Abschnitt „Monitor“ auf „Endpoint analytics“
Welche Funktionen sind derzeit in Advanced Analytics enthalten?
Die Anomalieerkennung in Endpoint Analytics dient als Frühwarnsystem, das den Zustand der Geräte in deiner Organisation auf Verschlechterungen der Benutzererfahrung und Produktivität nach Konfigurationsänderungen überwacht. Sie hilft, Probleme, die die Benutzererfahrung beeinträchtigen, zu erkennen, bevor sie über andere Kanäle eskalieren. Der Hauptfokus der Anomalieerkennung liegt auf Anwendungsabstürzen bzw. -hängern und Neustarts aufgrund von Stop-Fehlern.
Endpoint Analytics verwendet verschiedene statistische Modelle zur Bestimmung von Anomalien, darunter:
- Schwellenwertbasiertes heuristisches Modell
- Gepaarte t-Test-Modell (Paired t-tests)
- Population-Z-Score-Modell
- Zeitreihen-Z-Score-Modell
Quelle: https://learn.microsoft.com/en-us/intune/advanced-analytics/
Die erweiterte Geräte-Timeline in Endpoint Analytics ermöglicht es dir, einen Verlauf der Ereignisse anzuzeigen, die auf einem bestimmten Gerät aufgetreten sind. Du kannst die Art der Ereignisse filtern, die auf der Geräte-Timeline erscheinen, und einen interessierenden Zeitraum auswählen. Die Timeline enthält Ereignisse für App-Abstürze, nicht reagierende Apps, Gerätestart, Geräteanmeldung und erkannte Anomalien.
Quelle: Microsoft Learn: Intune Advanced Analytics
Benutzerdefinierte Gerätebereiche in Endpoint Analytics verwenden Scope-Tags, um Berichte auf eine Teilmenge von Geräten einzugrenzen. Mit diesem Feature kannst du Scores, Einblicke und Empfehlungen für eine bestimmte Teilmenge deiner registrierten Geräte anzeigen. Benutzerdefinierte Gerätebereiche werden für die folgenden Endpoint-Analytics-Berichte unterstützt:
- Startup performance
- Work from anywhere
- Application reliability
Einschränkungen:
- Die erweiterte Geräte-Timeline ist nur für Intune-verwaltete Geräte verfügbar; für reine Configuration-Manager-Geräte steht keine Geräte-Timeline zur Verfügung.
- Du kannst bis zu 100 benutzerdefinierte Gerätebereiche speichern, von denen bis zu 20 gleichzeitig aktiv sein können.
- Zum Erstellen eines benutzerdefinierten Gerätebereichs kann nur ein Scope-Tag verwendet werden.
Wie funktionieren die Modelle für die Anomalieerkennung
- Schwellenwertbasiertes heuristisches Modell: Bei diesem Modell werden ein oder mehrere Schwellenwerte für Anwendungsabstürze bzw. -hänger oder Neustarts aufgrund von Stop-Fehlern festgelegt. Geräte werden als anomal markiert, wenn ein festgelegter Schwellenwert überschritten wird. Dieses Modell ist einfach, aber effektiv und eignet sich, um auffällige oder statische Probleme mit Geräten oder deren Apps aufzudecken. Derzeit sind die Schwellenwerte vorgegeben und können nicht angepasst werden.
- Gepaarte t-Test-Modell: Gepaarte t-Tests sind eine mathematische Methode, die Beobachtungspaare in einem Datensatz vergleicht und nach einem statistisch signifikanten Abstand zwischen ihren Mittelwerten sucht. Die Tests werden auf Datensätze angewendet, deren Beobachtungen in irgendeiner Weise miteinander zusammenhängen, etwa die Anzahl der Neustarts aufgrund von Stop-Fehlern desselben Geräts vor und nach einer Richtlinienänderung oder App-Abstürze auf einem Gerät nach einem OS-Update (Betriebssystem-Update).
- Population-Z-Score-Modell: Auf dem Population-Z-Score basierende statistische Modelle berechnen die Standardabweichung und den Mittelwert eines Datensatzes und verwenden diese Werte dann, um zu bestimmen, welche Datenpunkte anomal sind. Standardabweichung und Mittelwert werden verwendet, um für jeden Datenpunkt den Z-Score zu berechnen, der die Anzahl der Standardabweichungen vom Mittelwert darstellt. Datenpunkte, die außerhalb eines bestimmten Bereichs liegen, gelten als anomal. Dieses Modell eignet sich gut, um Ausreißer-Geräte oder -Apps gegenüber der breiteren Baseline hervorzuheben, benötigt jedoch ausreichend große Datensätze, um genau zu sein.
- Zeitreihen-Z-Score-Modell: Zeitreihen-Z-Score-Modelle sind eine Variante des Standard-Z-Score-Modells, die für die Erkennung von Anomalien in Zeitreihendaten konzipiert ist. Zeitreihendaten sind eine Folge von Datenpunkten, die in regelmäßigen Abständen über die Zeit erfasst werden, etwa die Aggregation von Neustarts aufgrund von Stop-Fehlern. Standardabweichung und Mittelwert werden für ein gleitendes Zeitfenster anhand aggregierter Metriken berechnet. Diese Methode ermöglicht es dem Modell, empfindlich auf zeitliche Muster in den Daten zu reagieren und sich an Veränderungen ihrer Verteilung im Zeitverlauf anzupassen.
Graph Endpoints
Im Kontext von Advanced Endpoint Analytics können Graph Endpoints verwendet werden, um Daten wie Anomalien abzufragen und auf Grundlage der gesammelten Informationen benutzerdefinierte Warnungen zu erstellen. So können IT-Administratoren proaktiv handeln und die erforderlichen Maßnahmen ergreifen, sobald ein Problem auftritt. Nachfolgend findest du einige Beispiele für Graph Endpoints, die du mit der Anomalieerkennung von Advanced Endpoint Analytics verwenden kannst:
Übersicht über den Schweregrad von Anomalien
https://graph.microsoft.com/beta/deviceManagement/userExperienceAnalyticsAnomalySeverityOverview
Anomalien
https://graph.microsoft.com/beta/deviceManagement/userExperienceAnalyticsAnomaly?&$orderBy=severity%20asc&$top=40
Comments are closed.