AIOps在美团的探索与实践——故障发现篇（整理）

原文地址
https://tech.meituan.com/2020/10/15/mt-aiops-horae.html

整理：

1. 故障大致可分为 3 类：周期型，平稳型，无规律型。对于时序数据来说，最合适的算法可能是 CNN 。
2. 异常数据的特征大致包括：
   - 周同比
   - 日环比
   - 波动比
   - 移动平均
   - 水平方向孤立森林特征
   - 垂直方向孤立森林特征
   - 余弦相关
   - 标准差
   - 熵
   - 斜率

---

将AI和运维很好地结合起来，这个过程需要三方面的知识：
1. 行业、业务领域知识，跟业务特点相关的知识经验积累，熟悉生产实践中的难题。
2. 运维领域知识，如指标监控、异常检测、故障发现、故障止损、成本优化、容量规划和性能调优等。
3. 算法、机器学习知识，把实际问题转化为算法问题，常用算法包括如聚类、决策树、卷积神经网络等。

相似：统一的数据上报和命名规范，源数据
差异：场景编排，多目标自动调整

基础：异常检测，包括：周期型，平稳型，无规律型
扩展：根因分析
提升：故障止损，故障自愈
关联：知识图谱

时序数据自动分类
卷积神经网络分类：参考对Human Activity Recognition（HAR）进行分类的实践[7]，我们用CNN（卷积神经网络）实现了一个分类器，该分类器在时序数据分类上表现优秀，准确率能达到95%以上。CNN在训练中会逐层学习时序数据的特征，不需要成本昂贵的特征工程，大大减少了特征设计的工作量。

特殊场景：
低峰期
节假日
整体抬升/下降