xops工作空间

这里有公开的xops资料，包括调试完成的算例和数据集、阅读过的相关文献和资料。

模型集

• SR异常检测算法

SR（Spectral Residual）算法是一种适用于单维时间序列的无监督异常检测算法，也是2018AIOps挑战赛冠军方案的基础算法，具体可参见SR异常检测算法。

• Opprentice异常检测算法

Opprentice是一种适用于单维时间序列的有监督异常检测方法，也是一套利用机器学习进行异常监控的系统，具体可参见Opprentice异常检测算法。

• PUAD异常检测算法

PUAD是一种适用于大量单维时间序列的半监督异常检测方法，基于正样本无标签学习（PU learning）和少量标签信息进行异常检测，具体可参见PUAD异常检测算法。

• 集成类异常检测算法

集成类异常检测算法是一种适用于单维时间序列的无监督异常检测方法，通过多种算法投票进行异常检测，具体可参见集成类异常检测算法。

其它

• 以统计分析为主的运维解决方案，可以参见
  • 基于概率的方法
  • 核密度估计算法

数据集

• KPI异常检测数据集

这是2018AIOps挑战赛决赛数据集（下载地址），比赛详情可参见KPI异常检测。该数据集包含训练集和测试集，适用于有监督、无监督、半监督等所有种类算法。

• Yahoo异常检测数据集

这是Yahoo Labs提供的时间序列异常检测的benchmark数据集（下载地址）。该数据集只包含测试集，适用于无监督算法。

• AWS异常检测数据集

这是Numenta Anomaly Benchmark (NAB)中的AWS监控指标数据集（下载地址）。该数据集只包含测试集，适用于无监督算法。

以上数据集详细介绍均可参见异常检测数据集详细介绍。

重要资料

这里添加相关文献和资料。

综合

• awesome系列收集了大量高质量资料，包括论文、数据集、工具包、领域知识和公司等。

  • aswsome-AIOps: https://github.com/OpsPAI/awesome-AIOps

  • AIOps 手册: https://github.com/chenryn/aiops-handbook

算法

• 清华裴丹: AIOps落地的15条原则

裴老师总结了模型落地相关经验，包括数据、人工智能、算法路线、数据质量、以及标准化。

• 调用链根因定位算法综述

这篇博文总结十几篇调用链定位论文（最新研究论文汇总参见 https://github.com/dreamhomes/RCAPapers）。其中，Rank相关算法对数据要求较低，且没有系统结构要求。该类算法适合冷启动，适用于客户现场，尤其适合没有历史定位数据、没有图谱经验的客户。此外，该博客有提供算法的详细介绍（写作一般，启蒙较好）。

领域

• 图数据库在CMDB领域的应用

这篇博文对CMDB领域的现状和问题分析比较全面。观点明确：图数据库用于CMDB应注重关联关系分析，而不是强调其数据库性能（因为数据规模没那么大）。此外，文章中有相关分析用例。

• 腾讯AIOps实践十分值得学习

  • T4 级老专家：AIOps 在腾讯的探索和实践：属于非常接地气的工作总结，从规则到模型到演进，从单点项目开始的发展，落地遇到的困难和追求的目标，整个实践过程和项目规划的可行性路径值得借鉴（可能接近客户现场）。

  • 微众银行智能运维AIOps系列：该系列非常值得阅读和学习。但是，相较于上一篇，该系列不太适合落地，主要原因在于客户现场不太可能有微众那样的数据体系和组织方式。

    • AIOps的崛起与实践（一）
    • 智能化监控领域探索（二）
    • 浅析智能异常检测：“慧识图”核心算法（三）
    • 曝光交易路径（四）
    • 浅析基于知识图谱的根因分析系统（五）
    • 根因分析过程中的运维管理实践（六）
    • 化繁为简：业务异常的根因定位方法概述（七）
    • 事件指纹库：构建异常案例的“博物馆”（八）
    • 基于交易树的根因告警定位方法（九）
    • 浅析根因告警的系统分析法（十）
    • 日志文本异常聚类及相似度检测（十一）
    • 智能运维的四大挑战和应对之道（十二）
    • 面向智能化运维的CMDB系统构建（十三）
    • 人与技术相结合的异常管理实践（十四）

其它

• 报告工作空间：收集具有一定参考价值的资料，包括框架、思路、以及不同环节的落地经验等。