智能运维

运维工作人员日常监测服务器的运行情况，数据库的连接情况以及服务器的CPU的占用率、内存环境指数等。

但由于企业机器较多，用人去观察机器的运行情况难免会造成不如用大数据或者AI手段来的更加迅速；而且也节约了大量的人力成本，故引入了智能运维这个概念。
 

相关场景：

资源发生故障（CPU突然飙升，数据库运行缓慢）可以和所影响的业务（用户访问量，访问延迟）做关联分析。

智能阈值：

固定阈值就相当于资源的使用率；

动态阈值像是一个性能曲线，CPU的使用率、页面响应、图片加载可以使用动态阈值（移动均线）；

超过阈值既可以报警。

时间诊断和时序关联：

某个时间段出现的故障，都会产生一些相关的时间，对他们进行筛选和过滤能够详细捕捉到故障和定位到根因。

HSRT：

高响应，用决策树分析加载图片数量、浏览器内核、后台负载等条件；哪个特征的影响权重更大。

KPI瓶颈分析算法：

输入为一张又宽又长的表，其中包含KPI和影响到KPI的多维属性，输出为可能影响KPI性能的属性组合。这一科研问题包括首屏时间、应用加载时间、软件报错、视频传输用户体验等。

常用的KPI瓶颈基础算法有：决策树、聚类树(CLTree)、层次聚类。

故障预测算法：

使用多种模型或方法分析服务当前的状态，并基于历史的经验判断在近期是否发生故障; 譬如交换机故障预测，从交换机日志中提取一些预示故障的信号，常用的场景包括：硬盘故障预测、服务器故障预测; 使用的算法包括隐式马尔可夫链、支持向量机、随机森林。

KPI异常检测：

检测KPI的异常行为; 输入：KPI时序测量数据，KPI异常标注区间; 输出：KPI是否发生了异常。

KPI趋势预测算法：

通过分析历史数据，判断未来一段时间KPI的趋势，常用的算法有ARIMA、EWMA、时序数据分解。

KPI相似异常：找出与KPI曲线上与模板相似的异常片段; 常用的算法有DTW，MK 最佳配对。

KPI聚类算法：大规模KPI曲线，刻画曲线间的相似性; 大量KPI时序数据曲线、每条曲线所属类别。

故障传播关系图构建算法：异常时间众多且具有相互导致关系，借助精准故障传播关系图，可以快速进行根因定位。

异常事件关联规则挖掘算法：分析异常时间两两之间的关联关系; 现有算法FP-Growth、Apriori、随机森林。

智能熔断：

异常报警聚合算法：

故障定位算法：