标签:卷积 美团 知识 时序 故障 算法 CNN AIOps
原文地址
https://tech.meituan.com/2020/10/15/mt-aiops-horae.html
整理:
- 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 。
- 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
标签:卷积,美团,知识,时序,故障,算法,CNN,AIOps 来源: https://blog.csdn.net/qq_21998289/article/details/114232177
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。