概念：

智能运维（AIOps）是基于已有的运维数据（日志、监控信息 、应用信息）并通过机器学习的方法来进一步解决自动化运维没办法解决的问题，其核心是机器学习和大数据平台。

目标：

事前预警：提升事前风险预警能力，能够智能对风险点进行探查，智能设定故障阈值条件

事中管控：强化事中管控风险定位能力，实现快速的风险识别、故障定位即影响范围判定等

事后分析：优化事后分析总结能力，能够通过历史回溯智能分析报表、分析风险发生趋势

架构：

链接：https://zhuanlan.zhihu.com/p/464851418

算法：

一、智能运维相关算法总结

智能运维应用场景包括：1、异常检测，2、根因诊断，3、故障自愈，4、事件预警，5、效能优化

1、异常检测：检测异常孤立点、异常周期、异常集合等

• 基于概率模型的检测算法：如（1）正态分布、（2）指数分布等。
• 基于近邻度的检测算法：
  •  基于距离的异常检测算法（如KNN等）；
  • 基于密度的异常检测算法（如局部离群因子法（Local Outlier Factor, LOF）、影响离群值法（influence outlierness, INFLO）、局部异常概率法（local outlier pobabilities, LoOP）等）。
• 基于分类的检测算法：
  • 基于聚类的无监督检测算法（如基于密度的噪声应用空间聚类算法（Density-Based Spatial Clustering of Applications with Noise, DBSCAN）、K-means算法、CBLOF算法、LDCOF算法等）；
  • 基于支持向量机的方法（SVM中常用核函数主要分为多项式核函数、径向基函数（Radial Basis Function, RBF）和Sigmoid函数）；
  • 基于贝叶斯网络（Bayesian Network, BN）的方法；
  • 基于神经网络的方法（有监督（多层感知器神经网络、径向基函数神经网络、反向传播神经网络和自适应线性神经网络等）、无监督（自组织特征映射神经网络、自适应共振神经网络等））。

2、根因诊断：定界定段、调用链追踪分析、瓶颈分析

• 基于数据驱动的算法：卷积神经网络CNN、凸优化法、贝叶斯网络法、玻尔兹曼机法等。
• 基于领域知识的根因诊断：、基于故障传播图（Anomaly Propagation Graph,APG）的根因诊断方法。

3、故障自愈：保证异常检测和根因分析的结果准确前提下，依据专家规则或AI算法实现自我修复。

4、事件预警：基于KPl指标、告警、日志、感知等一系列历史数据，预测未来将要发生某特定事件的行为，包括异常预测、容量预测等，该场景下使用的算法更倾向时序预测模型，如ARIMA、Holt-Winter、LSTM等

        趋势预测类业务数据归纳为时序特征、空间特征和外部特征3大类：时间序列特性，在时间维度上可以抽象为周期、短时依赖、长时趋势；空间特征中，部分业务在空间始终呈现相似的比例分布，部分在空间上存在先后的依赖关系；外部特征包括节假日信息、气象信息、空气质量信息和重大事件等。

• 基于统计方法的线性预测：马尔可夫模型、自回归模型（Autoregressive model,AR）、差分整合移动平均自回归模型（Autoregressive Integrated Average model,ARMA）等。

• 基于机器学习的非线性预测：机森林算法（Random Forest,RF）、卷积神经网络（Convolutional Neural Network,CNN）、循环神经网络（Recurrent Neural Network, RNN）等

5、效能优化：对资源、系统性能进行优化配置。

二、智能运维中的故障预测与根因分析问题研究(2023)

链接：

https://ossdownload.dic.cool/Applet/2023-12-06/1023070451.nh.pdf?md5=yBlOXwWTKp2INQxAJPWFmw&expires=1702102807

• 预测算法：自回归移动平均模型（ARIMA）、支持向量机（svm）
• 根因分析算法：PageRank算法、分层贝叶斯网络（KHBN）、HotSpot算法