中国应用性能管理行业盛宴——2016中国应用性能管理大会（简称APMCon 2016）于8月18日至19日在北京新云南皇冠假日酒店隆重召开。APMCon由听云、极客邦和InfoQ联合主办的作为国内APM领域最具影响力的技术大会，首次举办的APMCon以“驱动应用架构优化与创新”为主题，致力于推动APM在国内的成长与发展。
清华大学计算机系副教授 裴丹于运维自动化专场发表了题为《基于机器学习的智能运维》的演讲，现场分享了基于机器学习的智能运维目前面临的挑战和解决思路。
以下为演讲实录：
我今天分享的题目是《基于机器学习的智能运维》，下面是今天这个报告的大概内容：
首先会做一个背景的介绍；为什么清华大学的老师做的科研跟运维有那么多关系？智能运维现在已经有一个很清晰的趋势，从基于规则的智能运维自动化逐渐转为基于机器学习了；再介绍几个跟百度的运维部门、搜索部门进行合作的案例；最后，还要讲一下挑战与思路。
一、背景介绍
谈一下参加这次大会的感受，昨天各位讲师们的报告，特别是今天早上几位讲师的报告特别精彩，讲到了在生产一线过程中遇到的各种挑战以及大家的实践和经验，我们又加了运维的群，对于像我这样在科研领域做运维相关科研的工作者来说，感觉找到了组织。介绍一下我的经验，特别是跟海峰老师开场的时候，讲的一个概念是相关的。海峰老师提到说我们做运维很苦，正好我大概在去年这个时候，我在百度的运维部门，讲了一下做运维如何做得更高大上一些，我的题目叫做《我的运维之路》。我们先简单看一下，我个人学术上的官方简历。
我读了博士，然后在AT&T研究院实习，AT&T研究院前身是贝尔实验室的一部分，这里面大概有200个博士，有C++发明者、防火墙之父，当然我其实没有怎么见到过他们，但是办公室是在一起的。之后在里面做了大概6年时间，发了不少论文，得了一些奖，发表了23项运维相关的专利。然后，回清华做了不少科研，这是我的官方简历。
实际上我在做什么事情？我就是一个运维人员。在一个30万人的大公司里面做运维，当然主要是通过大数据分析的方法。我读博期间跟美国各种运维人员打交道了五年；在实习过程中，喜欢上了分析实际的运维数据；真正在那边工作的时候，基本上就是一个第五级的运维，做的事情是基于大数据技术管理网络和应用的性能，各种网络协议、IPTV、Video等等；回到清华做科研的时候，开设的也是网络性能管理/应用性能管理相关的课程，所有的科研都是跟运维相关的，在国内有一些合作者，包括百度的运维部门、搜索部门以及中石油数据中心等等。我可以认为自己是一个运维人员，很高兴在这里跟大家分享我们之前的一些经验。
为什么说运维是可以做得很高大上的事情？这是一个会议叫SIGCOMM，网络里面最顶级的会议，如果计算机网络的事情是像电影一样，这就是奥斯卡，每年大概录用三四十篇论文，录用一篇，就跟中彩票一样。我们看它的submission，就是这么多，跟我们运维相关的占了40%。
再看评委会，我只列出了AT&T研究院里面的前实习人员和前员工的一些同事们，基本上现在都到大学里当教授了。所以说运维苦不苦，是不是可以做得更高大上一些，取决于怎么做。数据分析、机器学习，这是很好的路线。再看评委会，我只列出了AT&T研究院里面的前实习人员和前员工的一些同事们，基本上现在都到大学里当教授了。所以说运维苦不苦，是不是可以做得更高大上一些，取决于怎么做。数据分析、机器学习，这是很好的路线。
不光是最顶级的会议，我们还有一个专门做运维相关的会议。这个会议，就是这拨人里面，觉得SIGCOMM这个会一年30多篇，实在是收得太少了，我们再开一个会议，全部都是运维相关的，这是一个顶级的会议，是我科研领域一个主要的战场之一。
铺垫一下，就是说运维是有很多可以钻研的地方，有很多科研问题。
简单介绍一下我在清华大学的实验室，叫NetMan。我的网络管理实验室做的科研，基本上都是跟NPM、APM运维相关的。我们跟互联网公司做一些合作，主要做运维相关的自动化工作，跟SmoothAPP相关的运维工作，跟清华校园网WiFi做一些网络性能优化的工作。我们做了一个核心的基于云的运维算法平台，具体这些运维的应用，下面都有一个核心的算法，再下面还有一个大数据分析的平台，就是常用的各种开源工具。
前面所讲的是背景部分。我想要表达的一点，工业界、学术界应该在运维领域里面能够密切合作，各取所需。工业界有很多实际问题，有很多的经验，也有实际的数据，学术界老师们有时间，有算法，有学生，大家一起结合，这样就会产生很好的效果。
值得各位运维界同仁们关注的就是学术界的顶级会议，我比较推荐的是上面图中的这些会议，这些会基本上一年三五十篇论文的样子，简单浏览一下，跟大家做得工作是不是相关，浏览一下最新的会议论文集，看看有没有相关的，还是很有帮助的。美国的工业界，像谷歌、Facebook都已经在这些会议上发表过一些论文，包括他们在工程上的一些实践。
二、智能运维：从基于规则到基于学习
简单介绍一下智能运维大概的历程，基于规则到基于机器学习。我简单回顾一下，我们这个趋势，不光是说我们这个领域的趋势，整个人工智能领域发展的趋势。人工智能也是经历了起起伏伏，最近又非常火。基本历程，就是从基于专家库规则到逐渐变成机器学习，再到深度学习。
我讲一下几年前基于专家库规则到机器学习的经历。我们在做降维分析的时候，需要一个规则集，什么事件导致另外一个事件，再导致额外顶级的事件，最后倒推回来，什么导致了这个事情。我们当时针对骨干网做的各种事件的关联分析，基本上是基于规则的。当时CDN的性能事件，这个事件导致这个事件，单独对它进行分析，如果这个事件发生，可以通过监测到的各种事件一直推到这儿。当时做出来的时候，起到了很好的效果，发表了论文，审稿评价也很高，也有专利，现在还在非常常规地使用，并且用得很好，效果很好。但是这里面有个问题，规则是由运维人员给出来的，为什么能够运行的很好？因为在网络骨干网上面情况不是那么复杂，网络协议一层接一层，事件比较少，所以比较容易把规则弄出来。
我们跟百度进行合作的时候，发现不是那么好做。因为在互联网公司里面，大家都在讲微服务，模块特别多，规模很大，百度这边一百多个产品线，上万个微服务模块，上万台机器，每天上万个软件更新，想通过人把这些规则表达出来，运行到你的系统里，根本就不行。我们试了一下，很快就碰壁了。最后怎么办？我们采用了基于机器学习，把这些规则挖出来。我们在做的过程中不断总结，不断遇到新的问题，实现了基于规则的智能运维过渡到基于机器学习。
机器学习本身已经有很多年了，有很多成熟的算法。要想把机器学习的应用做成功，要有数据，有标注数据，还要有工具（算法和系统），还要有应用。
对于我们运维领域来说，这几点到底是怎么做的？
第一点是数据，互联网的应用天然就有海量日志作为特征数据，想各种办法做优化存储。在运行过程中遇到数据不够用还能按需自主生成，这是很好的。
第二点，在运维日常工作中还会产生各种标注数据，比如说工单系统，发生一次运维事件之后，具体负责诊断的人员会记录下过程，这个过程会被反馈到系统里面，我们可以从里面学到东西，反过来提升运维水平。
第三点就是应用，做出来的系统，我们运维人员就是用户，我们可以设计、部署、使用、并受益于智能运维系统，形成有效闭环。建模、测量、分析、决策、控制，很容易形成一个闭环。我们能够形成闭环，因为我们有这样的优势。
总结一下，基于机器学习的智能运维具有得天独厚的基础，互联网应用天然有海量日志作为特征数据，运维日常工作本身就是产生标注数据的来源，拥有大量成熟的机器学习算法和开源系统，可以直接用于改善我们的应用，所以我个人有一个预测，智能运维在今后若干年会有飞速的发展。
三、百度案例
下面讲一下实际的案例，这边有三个案例：
第一个场景，横轴是时间，纵轴是百度的搜索流量，大概是一天几亿条的级别，随着时间的变化，每天早上到中午上升，到下午到晚上下去，我们要在这个曲线里面找到它的异常点，要在这样一个本身就在变化的曲线里面，能够自动化的找到它的坑，并且进行告警。那么多算法，如何挑选算法？如何把阈值自动设出来？这是第一个场景。
第二个场景，我们要秒级。对于搜索引擎来说，就是要1秒的指标，这个时候有30%超过1秒，我们的目标是要降到20%及以下，如何找到具体的优化方法把它降下来？我们有很多优化工具，但是不知道到底用哪个，因为数据太复杂了，这是第二个应用场景。
第三个场景，自动关联KPI异常与版本上线。上线的过程中，随时都有可能发生问题，发生问题的时候，如何迅速判断出来是你这次上线导致发生的问题？有可能是你上线导致的，也有可能不是，那么多因素，刚才说了几十万台机器，你怎么判断出来？这是百度实际搜索广告的收入，我们看到有一个上线事件，收入在上线之后掉下来了。
下面这个是我们一个学生在百度实习的时候做出来的一个方案，基于机器学习的KPI自动化异常检测。
横轴是时间，纵轴是流量，要找到异常。我们要迅速识别出来，并且准确识别出来，帮助我们迅速进行诊断和修复，进一步阻止潜在风险。
我们学术界，包括其他的领域，包括股票市场，已经研究几十年了，如何根据持续的曲线预测到下一个值是多少？有很多算法。我们的运维人员，就是我们的领域专家，会对自己检测的KPI进行负责，但是我们有海量的数据，这KPI又是千变万化各种各样的，三个曲线就很不一样，如何在这些具体的KPI曲线里取得良好的匹配？这是非常难的一件事情。
我们看看为什么是这样的？有一个运维人员负责检测这样的曲线，假如说要试用一下算法，学术界的常规算法，要跟算法开发人员进行一些描述。算法开发人员说，你看我这儿有三个参数，把你的异常按照我的三个参数描述一下，运维人员肯定不干这个事情。开发人员还不了解KPI的专业知识，就想差不多做一做吧，做完了之后说你看看效果怎么样？往往效果差强人意，再来迭代一下，可能几个月就过去了。
运维人员难以事先给出准确、量化的异常定义；对于开发人员来说，选择和综合不同的检测器需要很多人力；检测器算法复杂，参数调节不直观，这些都是存在的问题。
所以我们方法的主要思想是，做一个机器学习的工具。我们跟着运维人员学，做一个案例学一个，把他的知识学下来，不需要挑具体的检测算法，把这个事情做出来，根据历史的数据以及它的异常学到这个东西。
运维人员需要做什么事情？我看着这些KPI的曲线，这段是异常，标注出来，就有了标注数据。本身就是有特征数据的，提供一下，说你这个小徒弟，你要想把它做好，我有一个要求，准确率要超过80%，小徒弟就拼命的跟师傅学。
具体做的时候，比如说KPI的具体曲线，假如说这里有一个异常点，我们把能拿到的理论界上，学术界上的各种算法都已经实现了，它还有各种参数，把参数空间扫一遍，大概100多种，用集体的智慧把KPI到底是不是异常，通过跟运维人员去学，把这个学出来。为什么能够工作？就是因为它的基本工作原理，就是我会学历史信息，学到了之后生成一些信号，对于同样的异常会有预测值，红色是检测出来的信号。检测出来的信号略有不同，但是我们觉得集体的智慧，能够最后给出一个非常好的效果，这就是一个基本的思路。
如何把它转化成机器学习的问题？我们有特征数据、有标注，想要的就是它是异常还是非异常，就是一个简单的监督机器学习分类的问题。运维人员进行标注，产生各种特征数据，这就是刚才100多种检测器给出的特征数据，然后进行分类，效果还是比较理想的。
但是，还是有很多实际的挑战，我们简单提一个挑战。第一个挑战，我们运维人员需要标注，我得花多长时间去标注？在实际运维过程中，那些真正的异常并没有那么多，本身数量相对比较少。如果能做出一些比较高效的标记工具，是能够很好的帮助我们的。如果把这个标注工具像做一个互联网产品一样，做得非常好，能够节省标注人员很多的时间。我们做了很多工作，鼠标加键盘，浏览同比、环比的数据，上面有放大缩小，想标注一个数据，拿着鼠标拖一下就OK了。一个月里面的异常数据，最后由运维人员实际进行标注，大概一个月也就花五六分钟的时间，就搞定了。
还有很多其他的挑战，比如说历史数据中异常种类比较少，类别不均衡问题，还有冗余和无关特征等。
下面是一个整体的设计。
那么，拿实际运维的数据进行检测的时候效果怎么样呢？
这里拿了四组数据，三组是百度的，一组是清华校园网的。一般的操作，分别对这些数据配一组阈值。我们不管这个数据是什么样的，就是用一种算法把它搞定，就拿刚才给出的运维小徒弟这样的算法，把100多种其他的算法都跑了一遍，比较了一下，在四组数据里面，我们算法的准确率不是第一就是第二，而且我们的好处是不用调参数。超过我们这个算法，普通的可能要把100多种试一下，我们这个不用试，直接就出来。
为了让运维更高效，可以让告警工作更智能，无需人工选择繁杂的检测器，无需调参，把它做得像一个互联网产品一样好。这是第一个案例，关于智能告警的。理论上学术界有很多漂亮的算法，如何在实际中落地的问题，在这个过程中我们使用的是机器学习的方案。
我们看一下第二个案例，刚才说的秒级。先看一个概念，搜索响应时间：
搜索响应时间，这个就是首屏时间了。对于综合搜索来说，用户在浏览器上输入一个关键字，点一下按纽，直到首屏搜索结果返回来，当然这里面有一些过程。
这个为什么很重要？这就是钱。对于亚马逊来说，如果响应时间增加100毫秒，销量降低1%。对于谷歌来说，每增加100毫秒到400毫秒搜索，用户数就会下降0.2%到0.6%，所以非常重要。
看一下在实际中搜索响应时间是什么样的？
横轴是搜索响应时间，纵轴是CDF。70%的搜索响应时间是低于1秒，是符合要求的。30%的时间是高于1秒的，是不达标的。那怎么办呢？大于1秒的搜索原因到底是什么？如何改进？这里面也是一个机器学习的问题。各种日志非常多，答案就藏在日志里面，问题是如何拿到日志分析出来。我们看一下日志的形式：
对于用户每一次搜索，都有他来自于哪个运营商，浏览器内核是什么，返回结果里面图片有多少，返回结果有没有广告，后台负载如何等信息。这次响应，它的响应时间是多少，大于1秒就是不理想，小于1秒就是比较理想，我们有足够多的数据，一天上亿，还有标注，这个标注比较简单了。
我们现在来回答几个问题，在这么多维度的数据里边，如何找出它响应时间比较高的时候，高响应时间容易发生的条件是什么？哪些HSRT条件比较流行？如果找出流行的条件，我们就找到了一些线索，就知道如何去优化。我们能不能在实际优化之前，事先看一下，有可能优化的结果是什么？基本上想做的就是这么一个事情。这里面有些细节我们就跳过，想表达的意思是说对于多维度数据，如果只看单维度的数据，会有各种各样的问题。
在分析多维属性搜索日志的时候也会有很多挑战：
第一，单维度属性分析方法无法揭示不同条件属性的组合带来的影响。
第二，属性之间还存在着潜在的依赖关系，所以单维度分析的结论可能是片面的。
第三，得到的HSRT条件可重叠，每次HSRT被计算多次，不易理解。你如果单维度看，图片数量大于30%，贡献了50%的响应时间，看一下其他的维度，加起来发现120%，这都是单维度看存在的问题。
因为每个维度有各种各样的取值，一旦组合，空间就爆炸了，人是不可能做的，就算是做了可视化的工具，人是不可能一个个试来得出结论，必须靠机器学习的方法，所以我们把这个问题建模成分类问题，利用监督机器学习算法，决策树得到直观分类模型。
下面这个是我们当时设计的一个架构图，每天日志来了之后，输入到机器学习决策树的模型里面，分析出每天高响应时间的条件，跨天进行分析，之后再去做一些准实验，最后得出一些结果。
下面这个是我们第一步完成了之后，得出的一个决策树，生成决策树的过程，基本上拿一些现成的工具，把数据导进去，调一些参数就OK了。
我们会看一个月的时间内，每天都获得的数据，我们得出一个月里面，哪些条件比较流行，然后，在此基础上，做一些准实验。不是说分析出来了之后，就真的上线调这些优化条件，比如说得出这样的组合，当图片数量大于10，它的浏览器引擎不是WebKit，里面没有打广告，它会容易响应时间比较高。给了我们一些启示，具体哪个条件导致的？优化哪个维度会产生比较好的结果？这不知道。我如果把每个条件调一下，这个大于10，变成小于10，这个条件的组合，在实际的日志数据里面就是存在的，把这个数据取出来，看一下它的响应延迟到底是高还是低，这就是准实验，诸如此类都做一些，很容易得出一些结论。
我们针对当时的场景，图片数量过多是导致响应时间比较长的主要瓶颈，是当时最重要的瓶颈，具体对这个进行了优化，大家可能就比较熟悉了，部署了base64 encoding来提高“数量多、体积小”的图片传输速度。
这里想强调一点，这个优化方式，大家都知道，但是在没有这样分析的情况下，你并没有把握上线之后，就有效果。假如说你运维部门的KPI指标，超过20%就不达标，如果低于20%就达标了，上线这一个就达标了。各种比较都很清晰，就是这样的一个工具，有很多日志，你做一些基于机器学习的分析，找到目前最重要的瓶颈，把这些瓶颈跟拿到手的各种优化的方式方法，应用一下，就能得到很好的效果，这个效果是很不错的，通用性也比较高。
第三个案例跳过去吧，大概意思是说自动更新会产生很多问题，我简单直接把案例给出来就好了。
最后给出一个案例，这个案例就是说百度上线了一个反点击作弊的版本，上线之后，广告收入就出现了下降，实际上用我们这个系统做了一下，10分钟能够准确检测出问题。而人在具体做的时候，要客户申述、检查KPI、定位问题，要一个半小时，差异还是很大的。
刚才举了几个具体的案例，其实还有其他的很多案例：
异常检测之后的故障定位
故障止损建议
故障根因分析
数据中心交换机故障预测
海量Syslog日志压缩成少量有意义的事件
基于机器学习的系统优化（如TCP运行参数）
我们在学术界来说，我们也不做产品，我们是针对一线生产环境中遇到的各种有挑战性的问题，做一些具体的算法。我们的目标就是做一些智能运维算法的集合，运行在云上面，它会有一些标准的API。标准的API支持任意时序数据，它有一个时间戳，有一个关键指标，这个关键指标针对不同场景会不一样，有销售额、利润、订单数、转化率等等不同属性，经过这样的分析之后，跑到云里面，就能得出一些通用性的结果。
四、挑战与思路
这里我想给大家一些具体的启示，包括我们自己的一些思考。
智能运维到底有哪些可行的目标？我们的步子不能迈得太大，又不能太保守，我们到底想达到什么样的效果？谁拿着枪，谁就处于主导地位。像R2-D2是运维人员的可靠助手，最后还是人来起主导作用。
很重要的就取决于人工智能本身发展到哪个地步，下面是我们清华大学张院士的一个报告。第一个图中人工智能解决了一些问题，知其然，又知其所以然。第二个图是知其然，不知其所以然，这个棋我知道它下的好，但是为什么好，计算机算出来的，我并不知道。人工智能发展到现在的阶段，比较可靠的是这个地步：知其然，而不知其所以然，技术方面，通过机器学习相对成熟，在一定条件下比人好。到后面既不知其然，又不知其所以然，以及连问题都不知道，人工智能还没有到那个地步。我们要自动化那些“知其然而不知其所以然”的运维任务。
2、如何更系统的应用机器学习技术。机器学习纷繁复杂，简单说一下。特征选取的时候，早期可以用一些全部数据+容忍度高的算法，如随机森林，还有特征工程、自动选取（深度学习）；不同机器学习算法适用不同的问题；一个比较行之有效的方法，大家做日常运维过程中，可以跟学术界进行具体探讨，针对眼前问题一起探讨一下，可能比较容易找到适合的起点。工业界跟学术界针对具体问题进行密切合作是一个有效的策略。
3、如何从现有ticket数据中提取有价值信息。我们可以把ticketing系统作为智能运维的一部分来设计。
4、如何把智能运维延伸到智能运营？我们有各种各样的数据，数据都在那儿，企业的痛点是，光有海量数据，缺乏真正精准的运营和行动之间有效转化的工具。其实我们思考一下，我们看的那些KPI，如果抽象成时序数据，跟电商的销售数据，跟游戏的KPI指标没有本质的区别。如果抽象成算法层面，可能都有很好的应用场景，具体还会有一些额外的挑战，但是如果在算法层面进行更多投入，可以跳出运维本身到智能运营这块。
总结一下今天的报告。
基于机器学习的智能运维，在今后几年会有飞速的发展，因为它有得天独厚的数据、标注和应用。
智能运维的终极可行目标，是运维人员高效可靠的助手。
智能运维能够更系统应用机器学习技术，学术界和工业界应能够在一些具体问题上密切合作。
更系统的数据采集和标注会帮助智能运维更快发展
下一步把智能运维的技术延伸到智能运营里面。
感谢各位同学听我的报告，非常感谢各位合作者，包括百度的搜索和运维部门，谢谢大家！
Q&A
Q1：第一个案例中有标注过程，您做了一个工具加速了标注，我想问一下，因为您后来说你们的准确率已经达到100%了。
裴丹：没有到100%，是说它性能比别的好，取决于不同的情况70%、80%、90%的都有。
Q2：做到80%、90%的标注，标注样本有多少数量级？另外，肯定要持续运行，一共运行了多少个月达到80%多？
裴丹：标注样本一个月大概十几个、几十个。一共大概运行了七、八个月，我们还在做另外一件事情，人工地注入一些异常，根据历史数据学到异常的特征，人工注入，让运维人员能够进行标注。
Q3：人工注入是百度在线注入？可以手工去改吗？
裴丹：历史数据注入，可能在线注入。不能手工改的，是load到标注界面里去的。
Q4：特征提取和特征工程您是分开来说的，特征工程是指一些方法特征？还是什么意思？
裴丹：主要是推动各种统计方法学选哪些特征应该用在机器学习模型里，以及对哪些特征进行转换。
Q5：刚才咱们那些所谓的算法都是已知算法？还是说我们能够在这里面自己学习一些算法？
裴丹：我们现在正在用卷积神经网络等，通过深度学习的方法，数据来了，我就把它自动学出来了，不用已知的算法。
Q6：刚才咱们那个采样，很多都是指定的关键数据，关键数据的筛选能不能也是智能化的去做？
裴丹：这倒是一个很好的方向，目前还都是运维人员比较关心，并且已经检测了的数据，数据已经采集上来了，我们做监控和异常检测。下一步可以朝您刚才说的方向去做一下尝试，就是说如何动态的、智能的去选取检测哪些KPI，目前还没有做这方面的尝试。
Q7：咱们现在所有的数据都采集上来以后，是挑选了一些影响最大的数据进行处理和分析的吗？
裴丹：刚才说的是，凡是已经进行监控的这些KPI，我们刚才听到几位老师介绍的，基本上可以监控的都监控，我说的进行智能的异常检测是已经监控的KPI里面做更好的工作。
Q8：是有动作的成分了吗？
裴丹：这个动作的成分是在很早之前发生的，没有数据，我也没法异常检测，数据已经被采集了，前面做了很多大量的基础工作，我们就常规采集了数据进行检测就行了。