智能运维AIOps关键技术概览

需要注意，有些算法对异常值非常敏感。任何依赖均值/方差的算法都对离群值敏感，因为这些统计量受极值的影响极大。另一方面，一些算法对离群点具有更强的鲁棒性。数据分析中的描述性统计分析认为：当我们面对大量信息的时候，经常会出现数据越多，事实越模糊的情况，因此我们需要对数据进行简化，描述统计学就是用几个关键的数字来描述数据集的整体情况。

 2、算法工程集成

在智能运维（AIOps）算法分析系统中，不同算法对应不同的适配场景，需要根据数据特征模式来选择合适的算法应用。如指标异常算法的应用：针对周期稳定性数据，我们采取动态极限的模型；针对周期不稳定的数据，采频域分析的模型；针对稳定性的数据采极限阈值判断的模型。通过模型选择的算法，对同的数据的模型进适配，达到最优的效果。

因此，想要以开箱即用的方式、采用某种标准的机器学习算法直接应用，而不考虑业务特征，通常并不可行。

我们需要首先考虑该组业务指标间的关联性，如果有应用或系统间的调用链或调用拓扑供参考，这是最好不过的。如果没有调用链或拓扑，则需要先根据已知可能的业务相关性，进行曲线波动关联、回归分析等算法分析，获得极限阈值尝试得到因果匹配，通过一系列的事件归集得到相关性，再对每一次反馈进行适应，尝试自动匹配更为准确的算法和参数，才可能达到期望的异常检测目标。

智能运维的工程化过程，是一个算法、算力与数据相结合，平台自身与业务系统反馈相结合的复杂过程。在与业务场景结合的前提下，灵活的算力组织、高效的数据同步、可插拔的服务化、模型应用过程中的高精度与高速度，是AI工程化本身的核心诉求。

总结和展望

智能运维（AIOps）落地的过程中的坑非常多，这是云智慧过去几年大量行业实践得到的真实体验。它对数据平台搭建、数据采集与传输、数据汇聚、存储与建模、数据计算、AI体系化、场景与工程化融合等方面提出了极其苛刻的要求，需要更专业的、更高质量标准的运维数据库，还需要一支强有力的分析、架构和开发团队支撑，才能真正带来生产力的提高。（作者：高驰涛）

（编辑：应用网_阳江站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!