隨著 AI 技術(shù)在各個(gè)應(yīng)用領(lǐng)域的落地及實(shí)踐，IT 運(yùn)維也將迎來一個(gè)智能化運(yùn)維的新時(shí)代。算法的效率提升了 AIOps 的價(jià)值，通過持續(xù)學(xué)習(xí)，智能運(yùn)維將把運(yùn)維人員從紛繁復(fù)雜的告警和噪音中解放出來。

那么，基于算法的 IT 運(yùn)維與自動(dòng)化運(yùn)維的區(qū)別是什么?在現(xiàn)階段，運(yùn)維中的哪些痛點(diǎn)適合引入人工智能技術(shù)?如何加速落地?

8 月 26 日下午 51CTO 在北京舉辦了第十四期以“Tech Neo”為主題的技術(shù)沙龍活動(dòng)，進(jìn)一步拓寬運(yùn)維/開發(fā)人員的運(yùn)維思路、激發(fā)創(chuàng)新能力。由清華計(jì)算機(jī)系副教授，智能運(yùn)維算法專家裴丹為大家分享主題為“智能運(yùn)維如何落地”的精彩演講。

[[201635]]

在演講開始，裴丹教授通過運(yùn)維背景介紹，普世化智能運(yùn)維關(guān)鍵技術(shù)，意在讓所有公司都能用上***的智能運(yùn)維技術(shù)。裴丹教授認(rèn)為，解決智能運(yùn)維普世化的問題在數(shù)據(jù)、算法、算力、人才四方面。

第二部分是分解定義智能運(yùn)維中的關(guān)鍵技術(shù)，通過分解關(guān)鍵技術(shù)來定義科研問題。

裴丹老師指出的科研問題要求分別為：

• 清晰輸入，數(shù)據(jù)可獲得。
• 清晰輸出，輸出目標(biāo)切實(shí)可行。
• 有 high-level 的技術(shù)路線圖。
• 有參考文獻(xiàn)。
• 非智能運(yùn)維領(lǐng)域的學(xué)術(shù)界能理解、能解決。

裴丹教授還指出，Gartner報(bào)告中關(guān)于智能運(yùn)維的問題描述太寬泛。智能運(yùn)維如何做好?裴丹教授認(rèn)為，機(jī)器學(xué)習(xí)本身有很多成熟的算法和系統(tǒng)，及其大量的優(yōu)秀的開源工具。

如果成功的將機(jī)器學(xué)習(xí)應(yīng)用到運(yùn)維之中，還需要以下三個(gè)方面的支持：

• 數(shù)據(jù)。互聯(lián)網(wǎng)應(yīng)用本身具有海量的日志。需要做優(yōu)化存儲(chǔ)。 數(shù)據(jù)不夠還需要自主生成。
• 標(biāo)注的數(shù)據(jù)。日常運(yùn)維工作會(huì)產(chǎn)生標(biāo)注的數(shù)據(jù)。 比如出了一次事件后，運(yùn)維工程師會(huì)記錄下過程， 這個(gè)過程會(huì)反饋到系統(tǒng)之中， 反過來提升運(yùn)維水平。
• 應(yīng)用。運(yùn)維工程師是智能運(yùn)維系統(tǒng)的用戶。 用戶使用過程發(fā)現(xiàn)的問題可以對智能系統(tǒng)的優(yōu)化起正向反饋?zhàn)饔谩?/li>

裴丹教授通過與百度運(yùn)維、搜索部門的合作，分享了智能運(yùn)維的三個(gè)案例，包括異常檢測、瓶頸分析以及智能熔斷。***個(gè)案例是基于機(jī)器學(xué)習(xí)的 KPI 自動(dòng)化異常檢測。

上圖表示運(yùn)維人員判斷 KPI 曲線的異常并標(biāo)注出來， 系統(tǒng)對標(biāo)注的特征數(shù)據(jù)進(jìn)行學(xué)習(xí) 。這是典型的監(jiān)督式學(xué)習(xí)，需要高效的標(biāo)注工具來節(jié)省運(yùn)維人員的時(shí)間： 如可以拖拽，放大等方式。

***，裴丹教授在通過構(gòu)建 KPI 異常檢測系統(tǒng)中分享了相關(guān)的實(shí)踐與挑戰(zhàn)等相關(guān)的解決方案。以下為演講實(shí)錄：

智能運(yùn)維的發(fā)展歷程

我們大家都知道，在運(yùn)維發(fā)展的過程中，最早出現(xiàn)的是手工運(yùn)維;在大量的自動(dòng)化腳本產(chǎn)生后，就有了自動(dòng)化的運(yùn)維;后來又出現(xiàn)了 DevOps 和智能運(yùn)維。

在運(yùn)維的過程中，涉及到的步驟可以概括為：產(chǎn)生海量的監(jiān)測日志，進(jìn)行分析決策，并通過自動(dòng)化的腳本進(jìn)行控制。

運(yùn)維的發(fā)展過程，主要是分析決策步驟發(fā)生了變化：起初，由人工決策分析;后來，在采集數(shù)據(jù)的基礎(chǔ)上，使用自動(dòng)化的腳本進(jìn)行決策分析;***，用機(jī)器學(xué)習(xí)方法做決策分析。

根據(jù) Gartner Report，智能運(yùn)維相關(guān)的技術(shù)產(chǎn)業(yè)處于上升期。2016 年，AIOps 的部署率低于 5%，Gartner 預(yù)計(jì) 2019 年 AIOps 的全球部署率可以達(dá)到 25%。所以，AIOps 的前景一片光明。

如果 AIOps 普遍部署之后會(huì)是什么樣的呢?現(xiàn)在做運(yùn)維的同學(xué)們會(huì)變成怎樣?

從機(jī)器的角度，基礎(chǔ)性、重復(fù)性的運(yùn)維工作都交給計(jì)算機(jī)來做了;同時(shí)，機(jī)器通過機(jī)器學(xué)習(xí)算法為復(fù)雜的問題提供決策的建議，然后向運(yùn)維專家學(xué)習(xí)解決復(fù)雜問題的思路。

從運(yùn)維專家的角度，運(yùn)維專家主要處理運(yùn)維過程中的難題，同時(shí)基于機(jī)器建議給出決策和訓(xùn)練機(jī)器徒弟。

運(yùn)維工程師將逐漸轉(zhuǎn)型為大數(shù)據(jù)工程師，主要負(fù)責(zé)開發(fā)數(shù)據(jù)采集程序以及自動(dòng)化執(zhí)行腳本，負(fù)責(zé)搭建大數(shù)據(jù)基礎(chǔ)架構(gòu)，同時(shí)高效實(shí)現(xiàn)基于機(jī)器學(xué)習(xí)的算法。

機(jī)器學(xué)習(xí)科學(xué)家主要負(fù)責(zé) AI 的落地應(yīng)用，智能運(yùn)維領(lǐng)域相對于其他 AI 應(yīng)用領(lǐng)域的優(yōu)勢在于，我們不僅有大量的應(yīng)用數(shù)據(jù)，而且有實(shí)際的應(yīng)用場景和部署環(huán)境。

因此，人工智能在計(jì)算機(jī)視覺、自然語言理解、語音識別之外，又多了一個(gè)落地應(yīng)用——這是一座尚未開采的金礦。

智能運(yùn)維科研門檻高-工業(yè)界

一般有“前景光明”、“前途光明”這些詞的時(shí)候，下面跟著的就是“道路曲折”。實(shí)際上，智能運(yùn)維是一個(gè)門檻很高的工作。

為什么呢?因?yàn)橹悄苓\(yùn)維需要三方面的知識：

• 我們要熟悉應(yīng)用的行業(yè)，比如互聯(lián)網(wǎng)、電信或者相對傳統(tǒng)的行業(yè)，如金融、電力等等。
• 我們要熟悉運(yùn)維相關(guān)的場景，包括異常檢測、故障預(yù)測、瓶頸分析、容量預(yù)測等。
• 雖然工業(yè)界熟悉運(yùn)維行業(yè)和場景，熟悉生產(chǎn)實(shí)踐中的挑戰(zhàn)，也有數(shù)據(jù)。但是，工業(yè)界并不熟悉整個(gè)智能運(yùn)維中最重要的部分——如何把實(shí)際問題轉(zhuǎn)化為算法問題(后面會(huì)講到如何把實(shí)踐中的難題分解成多個(gè)算法并逐個(gè)解決)。

同時(shí)，工業(yè)界也不太熟悉查閱科研文獻(xiàn)，特別是跨行業(yè)的文獻(xiàn)。因此，智能運(yùn)維是一個(gè)需要三方面領(lǐng)域知識結(jié)合的高門檻領(lǐng)域。

在智能運(yùn)維文獻(xiàn)里有幾十種常見的基礎(chǔ)算法。但是，工業(yè)界并不熟悉這些算法。所以，我們利用微信公眾號介紹這些算法。

下面我將介紹一個(gè)例子——通過機(jī)器學(xué)習(xí)方法提升視頻流媒體的用戶體驗(yàn)和觀看時(shí)長。

這是一位 CMU 教授的系列文章，這位教授在一個(gè)做視頻分發(fā)的創(chuàng)業(yè)公司做了若干工作。

2011 年，他在學(xué)術(shù)界發(fā)表了一篇文章，這一工作比較簡單，主要為了提升用戶觀看流媒體的體驗(yàn)，其中用到了相關(guān)分析、線性回歸、信息增益等簡單算法。

2013 年，該教授基于網(wǎng)絡(luò)行為數(shù)據(jù)和性能數(shù)據(jù)，使用決策樹方法預(yù)測用戶的觀看時(shí)長。該教授于 2017 年發(fā)表了一篇新的文章，將視頻質(zhì)量的實(shí)時(shí)優(yōu)化問題轉(zhuǎn)化為一種基礎(chǔ)的強(qiáng)化學(xué)習(xí)問題，并使用上限置信區(qū)間算法有效解決了這一問題。

智能運(yùn)維科研門檻高-學(xué)術(shù)界

在學(xué)術(shù)界中，很少有人做智能運(yùn)維方向。這是因?yàn)椋瑢τ趯W(xué)術(shù)界來說，進(jìn)入到智能運(yùn)維這一科研領(lǐng)域具有很強(qiáng)的挑戰(zhàn)性。為什么呢?

雖然學(xué)術(shù)界研究人員的算法能力相對較強(qiáng)，但是他們往往不熟悉行業(yè)和運(yùn)維領(lǐng)域的相關(guān)知識。而智能運(yùn)維處于三個(gè)領(lǐng)域的交叉部分。這就導(dǎo)致智能運(yùn)維的門檻比較高，需要花大量的時(shí)間和精力才能進(jìn)入智能運(yùn)維領(lǐng)域。

前面講了如何降低工業(yè)界進(jìn)入智能運(yùn)維的門檻。同時(shí)，我也做了一些工作，以降低學(xué)術(shù)界進(jìn)入智能運(yùn)維領(lǐng)域的門檻。例如，我應(yīng)邀在《中國計(jì)算機(jī)學(xué)會(huì)通訊》上發(fā)表文章，向?qū)W術(shù)界的同行介紹智能運(yùn)維中的科研問題。

但是，僅僅宣傳是遠(yuǎn)遠(yuǎn)不夠的，我們還要實(shí)踐。去年，我在***屆 APMCon 會(huì)議上做了報(bào)告，講述了當(dāng)時(shí)和百度合作的三個(gè)案例，包括異常檢測、瓶頸分析以及智能熔斷。

這種公開的宣傳給我自己帶來了很多新的合作。除了與百度的合作，我們清華實(shí)驗(yàn)室相繼與滴滴、搜狗、阿里巴巴、騰訊簽署了正式的合作協(xié)議。

這驗(yàn)證我的在去年我在 APMCon 上演講的觀點(diǎn)：工業(yè)界可以獲得算法層面的深度支持，學(xué)術(shù)界可以獲得現(xiàn)實(shí)世界的前沿問題和數(shù)據(jù)，有利于發(fā)表論文和申請國家項(xiàng)目。

工業(yè)界-學(xué)術(shù)界合作

1.0：一對一交流合作

但是，現(xiàn)在這種工業(yè)界跟學(xué)術(shù)界的合作方式，還處于1.0階段，即一對一的交流。

在這個(gè)過程中，我們遇到了諸多挑戰(zhàn)：

• 交流合作效率低，見效慢。比如說我是這個(gè)教授，我跟 A 公司討論一下，再跟 B 公司討論一下。很多情況下，不同公司遇到的問題都是類似的，比如異常檢測。但是，我需要跟每個(gè)公司梳理一遍這些問題。

C 公司可能不知道我，就找另外一位教授，他依然需要梳理這些問題。這就大大降低了交流合作的效率。我們知道，科研最難的部分，就是把一個(gè)實(shí)踐中的問題定義好。當(dāng)定義好問題之后，只要數(shù)據(jù)準(zhǔn)備好，其他問題都可以迎刃而解。

• 智能運(yùn)維算法不幸成了特權(quán)。因?yàn)楹苌儆薪淌谠敢馊プ鲞@種一對一交流，而愿意或有渠道和學(xué)?？蒲腥藛T溝通交流的公司也不多。

這就導(dǎo)致，在國外，只有少數(shù)大公司和教授才能合作。比如，目前只有 Google、 Microsoft、Linkedin、Facebook、雅虎等大公司發(fā)表過智能運(yùn)維有關(guān)的論文。

• 涉及知識產(chǎn)權(quán)，不符合開源大趨勢。因?yàn)橐粚σ坏暮献餍枰炇鹕婕爸R產(chǎn)權(quán)的協(xié)議，不符合開源的大趨勢。

2.0：開源開放

一對一交流效率低，那具體應(yīng)該怎么做呢?我們希望擁抱開源開放的文化，形成工業(yè)界與學(xué)術(shù)界合作的 2.0。

開源開放的大趨勢已經(jīng)對工業(yè)界和學(xué)術(shù)界產(chǎn)生了巨大的影響。大家耳熟能詳?shù)?Hadoop、Ecosystem、TensorFlow 等，都是開源開放的產(chǎn)物。

在算法層面，當(dāng)前有 arXiv 共享算法(論文)平臺，和 Github 代碼共享;在數(shù)據(jù)層面，ImageNet 等數(shù)據(jù)共享平臺對機(jī)器學(xué)習(xí)算法的研究起到了巨大的推動(dòng)作用;在計(jì)算能力層面，各大公司都建立了 AI 云;在人才層面，我們也可以看到，學(xué)術(shù)界和工業(yè)界的人才流動(dòng)比原來順暢多了。

所以，我們的基本思路是，希望能夠建立智能運(yùn)維的問題庫。具體的，我們嘗試把運(yùn)維的常見問題梳理出來，并存儲(chǔ)到一個(gè)問題庫里。

這樣的話，對于缺乏智能運(yùn)維背景知識的科研人員，在問題的輸入、輸出、數(shù)據(jù)集齊全的前提下，可以很容易地著手解決問題庫中的科研問題。對于做運(yùn)維實(shí)踐的工業(yè)界的同學(xué)們，當(dāng)遇到實(shí)際的問題時(shí)，可以查詢問題庫中的解決方案。

這一思路受到了斯坦福教授李飛飛的影響。她最近在宣傳普世化 AI 的思路——讓所有人都可以使用 AI。李飛飛教授建立的 ImageNet 上面有 1000 多萬張圖片的分類標(biāo)注數(shù)據(jù)。

在 2012 年 Hinton 教授提出了一種基于 CNN 的圖片分類算法，取得比以往***結(jié)果高好幾個(gè)百分點(diǎn)的結(jié)果， 引起了深度學(xué)習(xí)的復(fù)興。

現(xiàn)在，她同時(shí)兼任 Google 機(jī)器學(xué)習(xí)部門的負(fù)責(zé)人。她在宣傳普世化 AI 思路時(shí)，提到普世化有四個(gè)基本點(diǎn)：計(jì)算能力、數(shù)據(jù)、算法、人才。

這四個(gè)基本點(diǎn)跟我們要落地智能運(yùn)維所遇到的挑戰(zhàn)是一樣的。 因?yàn)槲覀円残枰玫綑C(jī)器學(xué)習(xí)和 AI 的技術(shù)來解決智能運(yùn)維中的挑戰(zhàn)性問題。

除了問題庫，學(xué)術(shù)界還需要數(shù)據(jù)集。此外，工業(yè)界***能提供云計(jì)算資源，讓學(xué)術(shù)界提供的算法在云端跑。數(shù)據(jù)公開后，學(xué)術(shù)界可以公布訓(xùn)練好的算法，工業(yè)界就可以直接使用這些算法。

在人才方面，工業(yè)界可以與學(xué)術(shù)界合作。同時(shí)，那些參與我們的智能運(yùn)維算法大賽且排名靠前的學(xué)生，也可以成為工業(yè)界的人才儲(chǔ)備。最終，我們希望所有的公司都能用上***的智能運(yùn)維算法。

分解定義智能運(yùn)維中的科研問題

下面分解定義一下智能運(yùn)維中的科研問題，由于時(shí)間關(guān)系，我只能概述算法的特性。

為什么我們要定義科研問題呢?對于科研工作者來說，類似 Gartner Report 中列舉的智能運(yùn)維問題太寬泛。

首先，科研問題需要清晰的輸入，并且數(shù)據(jù)是可以獲得的;其次，科研問題要有清晰的輸出，并且輸出的目標(biāo)要切實(shí)可行;再次，科研問題要有高層面的技術(shù)路線圖，以及參考文獻(xiàn);***，非智能運(yùn)維領(lǐng)域的學(xué)術(shù)界要能理解該科研問題。

這是我們已經(jīng)梳理出來的一些科研問題，我將用后面的時(shí)間來解釋一下這些算法。

這些算法分為三種：

• ***種算法是相對獨(dú)立的基礎(chǔ)模塊，面臨的挑戰(zhàn)較少，可以直接落地。
• 第二種算法依賴于其他的算法，我們需要把這些算法分解成一個(gè)個(gè)切實(shí)可行的解決問題。
• 第三種是把非常難的問題降低要求和難度，“退而求其次”。

基礎(chǔ)模塊

先講一下基礎(chǔ)模塊，基礎(chǔ)模塊是相對獨(dú)立并能夠落地的。

KPI 瓶頸分析算法

我介紹的***個(gè)基礎(chǔ)模塊算法是 KPI 瓶頸分析算法。在智能運(yùn)維領(lǐng)域和 APM 領(lǐng)域，我們收集了很多的數(shù)據(jù)，數(shù)據(jù)的形式有 KPI 時(shí)間序列、日志等。

假如打開一個(gè)頁面的響應(yīng)時(shí)間(首屏?xí)r間)是我們的 KPI，當(dāng)首屏?xí)r間不理想、不滿意時(shí)，我們希望能夠找出哪些條件的組合導(dǎo)致了首屏?xí)r間不理想。這就是我們要解決的 KPI 瓶頸分析的定義。

該問題的輸入為一張又寬又長的表，其中包含 KPI 和影響到 KPI 的多維屬性。 輸出為可能影響 KPI 性能的屬性組合。這一科研問題具有廣泛的應(yīng)用場景，包括首屏?xí)r間、應(yīng)用加載時(shí)間、軟件報(bào)錯(cuò)、視頻傳輸用戶體驗(yàn)等。

在具體應(yīng)用時(shí)，這一科研問題面臨著諸多挑戰(zhàn)：搜索的空間巨大;不同屬性之間可能存在關(guān)聯(lián)關(guān)系，導(dǎo)致用簡單的分析方法是不可行的。

KPI 瓶頸分析的常用基礎(chǔ)算法有：決策樹、聚類樹(CLTree)、層次聚類。

故障預(yù)測算法

我介紹的第二個(gè)基礎(chǔ)模塊算法，是我們最近跟百度系統(tǒng)部合作的一個(gè)案例——交換機(jī)故障預(yù)測。

在交換機(jī)故障之前，我們可以從交換機(jī)日志中提取一些預(yù)示故障的信號。如果找到這些信號，我們就可以提前兩小時(shí)預(yù)測出交換機(jī)故障。

故障預(yù)測的應(yīng)用場景還包括硬盤故障預(yù)測、服務(wù)器故障預(yù)測等，使用到的算法包括隱式馬爾科夫模型、支持向量機(jī)，隨機(jī)森林等。

在具體應(yīng)用時(shí)，故障預(yù)測面臨著一些挑戰(zhàn)。訓(xùn)練故障預(yù)測模型的數(shù)據(jù)需要足夠多，但往往實(shí)踐中的故障案例比較少。雖然日志量很大，但日志中的有益信息相對較少。我們已經(jīng)實(shí)現(xiàn)了切實(shí)可行的系統(tǒng)，且已經(jīng)在百度運(yùn)行。

庖丁解牛

當(dāng)我們應(yīng)用層出現(xiàn)問題的時(shí)候，我們希望找到問題的原因。這里要解決的問題都描述過了，常用的根因分析算法有基于故障傳播鏈的、有基于概率圖模型的。這里我們對基于故障傳播鏈的的思路來庖丁解牛。

假如說我們有這樣的故障傳播鏈，同時(shí)又對事件有很好的監(jiān)測和準(zhǔn)確的報(bào)警，那根因的分析就簡單了。因?yàn)橹恍枰樦收蟼鞑ユ湼鱾€(gè)報(bào)警找，找到***一個(gè)就是根因。

這其中有兩個(gè)關(guān)鍵的步驟，一個(gè)是 KPI 異常檢測，另一個(gè)是故障傳播鏈，下面會(huì)詳細(xì)介紹這兩部分。

異常檢測

首先是異常檢測，很多算法是基于 KPI 的趨勢預(yù)測的，還有一些算法是基于機(jī)器學(xué)習(xí)的，機(jī)器學(xué)習(xí)的算法需要有標(biāo)注。而標(biāo)注會(huì)給運(yùn)維人員帶來很多開銷，所以能不能做一些工作減少標(biāo)注的開銷呢?

這其中就包括相似異常的查找，運(yùn)維人員標(biāo)一個(gè)異常后，能不能自動(dòng)地把相似的、相關(guān)的異常都找出來? 以上是對異常檢測問題的簡單分解，后面會(huì)更詳細(xì)的說明。

異常檢測的問題定義很簡單，就是對于這樣的隨著時(shí)間有周期性變化的KPI曲線，當(dāng)它發(fā)生異常的時(shí)候能夠快速準(zhǔn)確的報(bào)警。

它的常見算法有：基于窗口，基于預(yù)測，基于近似性，基于隱式馬爾可夫模型，也有機(jī)器學(xué)習(xí)，集成學(xué)習(xí)，遷移學(xué)習(xí)，深度學(xué)習(xí)，深度生成模型等等。

異常檢測所面對的挑戰(zhàn)就是 KPI 種類各異，如果基于趨勢預(yù)測算法，調(diào)整算法參數(shù)費(fèi)時(shí)費(fèi)力，同時(shí)需要人工標(biāo)注，人工標(biāo)注也可能不準(zhǔn)確。

我們再分解一下，剛剛提到了異常檢測的一種思路是基于 KPI 趨勢預(yù)測。KPI 趨勢預(yù)測就是通過時(shí)序數(shù)據(jù)的算法能預(yù)測出來 KPI 將來一段時(shí)間是什么樣的，取什么值，常見的算法有 ARIMA、EWMA、Holt-Winters、時(shí)序數(shù)據(jù)分解、RNN等。

主要挑戰(zhàn)包括突發(fā)事件的影響、節(jié)假日的影響、數(shù)據(jù)不規(guī)則的影響，最重要的就是大家對異常的定義不一樣，會(huì)有主觀的因素，***導(dǎo)致這些算法很難調(diào)。

異常檢測的另外一個(gè)思路是基于機(jī)器學(xué)習(xí)來做， 但是這種方法通常都需要標(biāo)注，而標(biāo)注是需要消耗人力資源的。

并且如果標(biāo)注不全或不準(zhǔn)確，這個(gè)機(jī)器學(xué)習(xí)模型的效果就會(huì)打折扣。我們把減少異常標(biāo)注的工作分解一下，在同一條曲線內(nèi)找相似的異常，跨 KPI 找異常。

KPI 相似異常查找是在 KPI 內(nèi)找異常，運(yùn)維人員標(biāo)注異常，然后算法以標(biāo)注的異常為模塊，在曲線上找出類似的其他的異常，這樣就能減少標(biāo)注開銷。

例如圖中的紅色部分即為標(biāo)注，輸出為其他類似的異常。常用基本算法包括 DTW，MK ***配對等。

如果跨 KPI，可以先把一個(gè)模塊的各種 KPI 提前進(jìn)行聚類，在同一個(gè)類別中的某條曲線上進(jìn)行標(biāo)注，那么其他的同類的曲線上的對應(yīng)位置也為異常。聚類用到的基本算法包括 DBSCAN，K-medoids、CLARANS。

聚類是基于曲線的相似性，如果曲線不相似，但是其內(nèi)在有關(guān)聯(lián)導(dǎo)致它們經(jīng)常一起變化，這也能夠找出更多的異常，從而可以作為一個(gè)減少標(biāo)注開銷的方法。

這個(gè)是“KPI 關(guān)聯(lián)分析”科研問題， 其基本算法包括關(guān)聯(lián)分析算法和 Granger 因果性分析算法等。

故障傳播鏈

另一個(gè)關(guān)鍵因素是故障傳播鏈的構(gòu)建，即 A 事件發(fā)生會(huì)導(dǎo)致 B 事件的發(fā)生。如果理清了事件的傳播關(guān)系，就可以構(gòu)成故障傳播圖。

上文提到的 KPI 的關(guān)聯(lián)分析和 KPI 的聚類都可以用上。下面介紹異常事件的關(guān)聯(lián)關(guān)系和 KPI 的關(guān)聯(lián)關(guān)系挖掘。

上圖是故障傳播鏈，當(dāng)應(yīng)用層、業(yè)務(wù)層發(fā)生故障的時(shí)候，如果有故障傳播圖，就可以從中找到對應(yīng)時(shí)間范圍內(nèi)的相關(guān)事件。

如果有就沿著傳播鏈繼續(xù)往上找，直至找到根因。我們希望能得到這樣的故障傳播圖，但是很多軟件之間的模塊關(guān)系很復(fù)雜，很難描述。

另外，剛才提到的調(diào)用關(guān)系，即 A 模塊調(diào) B 模塊，并不代表 A 發(fā)生異常就會(huì)導(dǎo)致 B 發(fā)生異常，而是還有很多其他的因素。 通過機(jī)器學(xué)習(xí)算法挖掘各種關(guān)聯(lián)關(guān)系，再輔以模塊調(diào)用關(guān)系鏈，則構(gòu)建準(zhǔn)確完整的調(diào)用關(guān)系鏈就相對比較容易了。

挖掘關(guān)聯(lián)關(guān)系包括之前闡述過的 KPI 聚類，KPI 關(guān)聯(lián)分析，下面我們再講述另外的兩個(gè)算法。

先看異常事件的關(guān)聯(lián)關(guān)系。兩個(gè)關(guān)聯(lián)事件是不是在歷史上經(jīng)常一起發(fā)生，比如說這個(gè)時(shí)間窗口內(nèi)發(fā)生了這四個(gè)不同的事件，如果說經(jīng)常一起發(fā)生，它們就有兩兩對應(yīng)關(guān)系?，F(xiàn)有文獻(xiàn)中常見的算法有：FP-Growth、Apriori、隨機(jī)森林。 

另外就是事件和 KPI 的關(guān)聯(lián)關(guān)系，比如程序啟動(dòng)的事件，在某個(gè)時(shí)間點(diǎn)程序 A 啟動(dòng)了，下個(gè)時(shí)間點(diǎn)程序 B 啟動(dòng)了。在程序 A 每次啟動(dòng)的時(shí)候 CPU 利用率就上了一個(gè)臺階，而 B 沒有。

所以說事件和曲線的關(guān)聯(lián)關(guān)系，還包括先后順序、變化方向。 常用基本算法包括 Pearson 關(guān)聯(lián)分析， J-Measure， Two-sample test 等。

退而求其次

前面我們分解了根因分析問題，但是有時(shí)由于數(shù)據(jù)采集不全等原因，完整的根因分析條件不具備，這就要求我們降低要求，“退而求其次”，解決簡單一些但是同樣有實(shí)際意義的問題。

智能熔斷

眾所周知，80% 的線上故障都是由產(chǎn)品上線或者變更導(dǎo)致的。也就是說在這種情況下，運(yùn)維人員自己的操作、上線和變更就是業(yè)務(wù)出問題的根因，那么對于這種根因我們能不能做一些工作呢?

答案是肯定的，就是智能熔斷。當(dāng)產(chǎn)品上線時(shí)，根據(jù)現(xiàn)有的數(shù)據(jù)判斷業(yè)務(wù)層出現(xiàn)的問題是否為該上線操作所導(dǎo)致的。具體實(shí)現(xiàn)的時(shí)候可以用 CUSUM，奇異譜變換(SST)，DID 等算法。

異常報(bào)警聚合算法

再換一個(gè)角度，現(xiàn)在有各種監(jiān)控的報(bào)警，如果運(yùn)維人員聚合不準(zhǔn)，就無法決定下一步的操作。因?yàn)楸O(jiān)控的 KPI 太多，導(dǎo)致異常報(bào)警冗余。

我們的算法會(huì)將各種報(bào)警原始數(shù)據(jù)聚合，比如將 100 個(gè)異常報(bào)警聚合成 5 個(gè)，這樣實(shí)際處理的時(shí)候就會(huì)相對容易些。具體的算法包括基于服務(wù)、機(jī)房、集群等拓?fù)涞膶哟畏治?，還有基于挖掘的關(guān)系和基于故障傳播鏈的報(bào)警聚合。

故障定位算法

***舉一個(gè)退而求其次的方案。當(dāng)業(yè)務(wù)發(fā)生故障時(shí)， 故障定位并不是給出完全的根因，而是能夠大致區(qū)分是哪里的問題，輸入是各種各樣的性能指標(biāo)，輸出根因所發(fā)出的具體位置。

例如去年 SIGCOMM 2016 微軟提出的基于數(shù)據(jù)中心的故障定位，先用實(shí)驗(yàn)床把所有可能故障都模擬一下，同時(shí)收集各類監(jiān)控指標(biāo)。

通過機(jī)器學(xué)習(xí)建立模型，這個(gè)模型可以根據(jù)實(shí)際發(fā)生的監(jiān)控指標(biāo)的癥狀， 推斷根因的大致位置，以便加速止損。 在相關(guān)文獻(xiàn)中用到的基礎(chǔ)算法包括隨機(jī)森林，故障指紋構(gòu)建，邏輯回歸，馬爾科夫鏈，狄利克雷過程等方法來進(jìn)行故障定位。

簡單小結(jié)一下， 智能運(yùn)維關(guān)鍵技術(shù)落地可以有三種方式。相對獨(dú)立的算法可以直接落地，依賴其他算法的根因分析可以庖丁解牛，數(shù)據(jù)條件不成熟的可以退而求其次。

另外從前面列舉的那么多的算法例子，大家可以看到的確有很多的算法可以應(yīng)用到智能運(yùn)維里面的。

工業(yè)界的朋友們可以花一些時(shí)間和精力， 簡單了解一下這些算法，知道這些算法的輸入和輸出是什么，能解決運(yùn)維中哪些實(shí)際問題，以及組合起來能解決什么問題，這樣會(huì)對智能運(yùn)維更快落地起到事半功倍的效果。

總結(jié)與前瞻

智能運(yùn)維本身前景非常光明，因?yàn)樗邆湄S富的數(shù)據(jù)和應(yīng)用場景，將極大提高智能運(yùn)維領(lǐng)域的生產(chǎn)力，也是 AI 領(lǐng)域尚未充分開采的金庫。

智能運(yùn)維需要工業(yè)界和學(xué)術(shù)界的密切合作，但是目前仍只限于一對一相對低效的合作，少數(shù)公司和少數(shù)教授的特權(quán)不符合我們大的開源開放的趨勢。

我們的解決思路就是以科研問題為導(dǎo)向， 從日常工作中找到相關(guān)的問題，然后把這些問題分解定義成切實(shí)可行的科研問題， 并匯總成智能運(yùn)維的科研問題庫。

同時(shí)， 工業(yè)界能夠提供一些脫敏數(shù)據(jù)作為評測數(shù)據(jù)集，這樣學(xué)術(shù)界就可以下載數(shù)據(jù)，并貢獻(xiàn)算法。

我的實(shí)驗(yàn)室 NetMan 將會(huì)運(yùn)營一個(gè)“智能運(yùn)維算法競賽”的網(wǎng)站，匯總智能運(yùn)維的科研問題庫，提供數(shù)據(jù)下載，并舉辦智能運(yùn)維算法大賽。已經(jīng)有包括美國 eBay 公司在內(nèi)的多家公司同意為網(wǎng)站提供脫敏的運(yùn)維數(shù)據(jù)。

在此非常感謝工業(yè)界的各位合作伙伴，也感謝我在清華的團(tuán)隊(duì)，NetMan，可以把它認(rèn)為是在智能運(yùn)維算法里面的特種兵部隊(duì)。

***，與大家共勉：智能運(yùn)維落地， 前景是光明的，道路肯定是曲折的。在智能運(yùn)維的領(lǐng)域，我們從去年開始來推動(dòng)智能運(yùn)維算法在實(shí)踐中的落地，我已經(jīng)行動(dòng)了一年了，我們還有四年時(shí)間。

我相信只要我們有更多的學(xué)術(shù)界和工業(yè)界的朋友參與進(jìn)來，再加上我們這樣的“智能運(yùn)維算法競賽”網(wǎng)站的載體，我相信就像 ImageNet 曾經(jīng)推動(dòng)深度學(xué)習(xí)、人工智能的復(fù)興一樣，我們一定能推動(dòng)智能運(yùn)維算法在實(shí)踐中更好的落地! 謝謝大家。

51CTO Tech Neo 技術(shù)沙龍是 51CTO 在 2016 年開始定期組織的 IT 技術(shù)人員線下交流活動(dòng)，目前僅限北京地區(qū)，周期為每月 1 次，每期關(guān)注一個(gè)話題，范圍涉及大數(shù)據(jù)、云計(jì)算、機(jī)器學(xué)習(xí)、物聯(lián)網(wǎng)等多個(gè)技術(shù)領(lǐng)域。