وإذ تشير إلى تاريخ تطور العملية برمتها والصيانة، وإدارة النظام من البداية وحتى عملية النصي الأساسية وصيانتها، لتشغيل الآلي والصيانة، وأخيرا إلى عملية استخباراتية والصيانة. بعد هذه السنوات من التطور، ويعمل أفراد التشغيل والصيانة محتوى ديه تغيرات هائلة خضعوا:

قبل عشر سنوات، لم نكن نعرف مكان حدوث خطأ، لا أعرف متى سوف تفشل، فقط عندما يحدث فشل في أجل العثور على السبب الجذري وحل المشكلة، وهذا هو النهج السلبي جدا.

في وقت لاحق على نطاق واسع مقدمة من السيناريو، والطريقة التي نتعامل بها مع المشكلة أصبحت أكثر علمية، وسرعة السير، ولكن لم تتغير من أجل حل المشكلة ذات الطابع السلبي لهذه الظاهرة؛ والخبرة السابقة، قدمت العديد من الشركات نظام الرصد، وضعت الخاصة منصة تشغيل الآلي وصيانته تهدف إلى تلقائيا أو مشاكل في حل المشكلة على وشك أن تحدث، وبهذه الطريقة فقط لتفريق جوهر كل "عملية سلبية وصيانة" من قبل، يمكن اتخاذ تدابير وقائية، وعدم خنق في المهد. ولكن مع ذلك يأتي ولكن كان هناك الكثير من أجهزة الإنذار والمراقبة كميات هائلة من البيانات، وكيفية حل أكثر فعالية وأصبحت المشاكل خطأنا التي يجب معالجتها الآن.

عصر الذكاء الاصطناعي فقط على حل المشاكل المذكورة أعلاه التي نواجهها، ويؤمل AIOps استنادا إلى البيانات الموجودة التشغيل والصيانة (السجلات، معلومات الرصد والمعلومات التطبيق، وما إلى ذلك)، وطرق تعلم الآلة لمزيد من أتمتة لم تشغيل وصيانة لن يحل حل لهذه المشكلة.

ونحن حاليا تعمل بنشاط على تعزيز الانتقال من تشغيل وصيانة معدات التشغيل الآلي قاعدة بيانات للمخابرات. وكما نعلم جميعا، واستخراج البيانات وآلة التعلم لا ينفصل عن كميات هائلة من البيانات كأساس للسلام والعلم والتكنولوجيا من خلال عملية الآلي وصيانة التطبيقات في السنوات الأخيرة، والتي تراكمت لديها أداء قاعدة بيانات ضخمة بيانات متعددة الأبعاد، وبيانات السجل والبيانات المضيف.

باستخدام هذه البيانات، يمكننا أن نتعلم من خلال وسائل مثل آلة سلسلة كشف شذوذ الوقت، تحليل الأسباب الجذرية، ورسائل التنبيه التقارب، والتنبؤ قدرة والعديد من سيناريوهات التطبيقات الأخرى ونحن نريد للحصول على المعلومات، لأداء خطأ لصناعة السيارات في الاكتشاف، لصناعة السيارات في تشخيص وتلقائيا عزم.

أولا، شذوذ يكتشف السلاسل الزمنية

بيانات السلاسل الزمنية هو أساس AIOps البيانات، لديها على نطاق واسع، متعددة الأنواع، وخصائص الاحتياجات المتنوعة. في مرحلة التشغيل والصيانة الآلية، استخدمنا طريقة عتبة معظمها ثابت.

وهذه طريقة بسيطة وسهلة التنفيذ، ولكن العيوب هي أيضا واضحة: فهو لا يكفي مرنة، كما وجدت أن الخطأ ليس ما يكفي من الوقت، لا تستطيع ان تلبي الطلب الحالي على التنبيه. كما هو مبين أدناه، فإن تقلبات عتبة التنبيه التقليدية تجاهل اثنين من الاستثناءات:

طريقة عتبة المستمر

ظهرت طريقة عتبة ديناميكية في هذا الوقت، الطريقة التقليدية من استخدام عتبة ديناميكية تقوم على أساليب إحصائية العام وسلسلة، وهذه الطريقة التفسيرية قوية وسهلة لتنفيذ، ولكن أقل مرونة، وتتأثر الأعياد (كما الرقم، مهرجان منتصف الخريف يوم 24 سبتمبر، وتدفق وانخفضت مقارنة بالأسبوع الماضي الواضح، في هذا الوقت من السنة، وطريقة سلسلة NA)، كما وجدت أن المشكلة ليست ما يكفي من الوقت.

توظف المرجحة المتوسط المتحرك طريقة للقيام عتبة الحيوية، وتعتبر العديد من الشركات التي في نفس البعد، وهذه نقطة معينة في ضرورة وقيمة الفترة قبل صدور البيانات ذات الصلة، كما هو مبين في المعادلة التالية:

9 / 18-9 / 25 بيانات مؤشر FIG

تعودنا حاليا في آلة التعلم سلسلة البيانات الشذوذ الكشف، وبالمقارنة مع الأسلوب أعلاه، آلة تعلم طريقة أكثر دقة، وتكلفة أكبر.

أساسا الشذوذ يمكن أن ينظر إليها أيضا سلسلة زمنية كشف بأنها "طبيعية" و "غير طبيعية" في مشكلة تصنيف الثنائية، من خلال رصد البيانات التاريخية للعلامة، ثم تشرف وخوارزمية غير خاضعة للرقابة مجتمعة النموذج، يمكنك تحديد ما إذا كانت سلسلة الزمنية الحالية انه امر طبيعي.

ثانيا، تحليل السبب الجذري

في معظم الحالات، وذلك بسبب المرتبطة مؤشرات الرصد، إذا كان مؤشرات غير طبيعية، فإن العديد من المؤشرات ذات الصلة تكون استثناء. إذا كان كل من التحليل وتجهيز جميع مؤشرات الإنذار سوف تضيع الكثير من القوى العاملة. لحل هذه المشكلة، نحن بحاجة إلى تحليل الأسباب الجذرية للعلاج المستهدفة.

وعادة ما يمكننا إجراء تحليل السبب الجذري للبيانات عن طريق الطرق الثلاثة التالية:

• مؤشر اقتناء ذات الصلة، بحث، ومؤشرات غير طبيعية مؤشرات مماثلة في فترة محددة الوقت.

• في عدد كبير من العينات لتحديد مؤشرات غير طبيعية غالبا ما تحدث معا (يتم تحويل المشكلة إلى سلسلة من التعدين مشاكل متكررة)، وقواعد التنفيذ المرتبطة بها، APRIORI، FP_GROTH وهلم جرا.

• تصنف قرار شجرة تفسيرها قوي العينات الإيجابية والسلبية من قبل نهج شجرة التصنيف ومؤشرات غير طبيعية، ومجموعة مؤشر شذوذ وجدت في كثير من الأحيان.

إلى قاعدة بيانات أوراكل DB_TIME كمثال على ارتفاع:

• الطريقة الأولى لتحديد الفترة الزمنية الحالية مع مماثلة لمؤشرات مؤشرات منحنى DB_TIME، وبما أن معظم المؤشرات السبب الجذري مماثل TOP N؛

• الطريقة الثانية هي في البيانات التاريخية، عندما DB_TIME غير طبيعي، والآخر يتكون من عدد من المؤشرات من البنود غير العادية المقرر، ثم العثور على قواعد علاقة قوية بسبب مجموعة من هذه العناصر من داخل المجموعة، وغيرها من المؤشرات من هذه المجموعات هي ينظر إليها على أنها السبب الجذري.

• الطريقة الثالثة تقوم على DB_TIME غير طبيعي، والبيانات التاريخية البيانات التاريخية إلى عينات الإيجابية والسلبية، وتدريب نموذج شجرة القرار للحصول على السبب الجذري النهائي.

تحليل السبب الجذري

تحليل السبب الجذري للاثنين

تحليل السبب الجذري أسلوب ثلاثي

الثالث، والتنبيه التقارب

عندما رصد لتطوير الأعمال لحجم معين، وعدد من الرسائل يوميا تلقى الانذار سوف تنمو باطراد، وخاصة عند بعض من التردد العالي للرصد رصد المشاكل البند، فإن هذا الوضع هو واضح بشكل خاص.

لحل هذه المشكلة، في البداية، وضعنا تردد التنبيه، بحيث نفس التحذير يظهر مرة واحدة فقط في فترة من الزمن.

هذا النهج لا يقلل من جانب ناقوس الخطر، ولكن هناك بعض الخطر الواضح لا يمكن أن يتحقق من خلال مزيد من وضع القواعد التقارب التنبيه. على سبيل المثال، في مجموعة من قواعد البيانات هي مشكلة بينغ في أي مكان، مثل حركة IP حالا من زيادة مفاجئة في قطعة شبكة الاتصال، يمكنك إرسال هذه التنبيهات قبل الاندماج.

في عصر AIOps، وغالبا ما يتم تنفيذ التقارب التنبيه وتحليل الأسباب الجذرية معا.

وطريقة تحليل السبب الجذري هو مماثل لاثنين، يمكننا الحصول على أول البنود بيانات مجموعة التنبيه، واستخراج العناصر متكررة. إذا كان التركيز الإنذارات المتكررة المدى، وأجهزة الإنذار والتنبيه ألف وباء غالبا ما تظهر معا في وقت ويحدث في وقت سابق من B، ثم تنبيهات البريد الإلكتروني، يمكننا تجاهل التحذير B، ولن يتم دفع تحذير لموظفي التشغيل والصيانة.

التقارب إنذار تحت سيناريوهات مختلفة لديهم احتياجات مختلفة، وAIOps مقارنة مع نهج التقارب ناقوس الخطر التقليدي هو أكثر بسيطة وفعالة، لديها نهج قائم على قواعد أيضا التوسع القوي والتفسيرية، وكان AIOps قادرة على حفر من استخدامنا للالحس السليم وتجربة لا يمكن العثور عليها في الجمعية والتنبيه التقارب.

رابعا، توقعات الطاقة

تشغيل وصيانة توقعات سعة قاعدة البيانات في أجزاء كثيرة من التطبيق، وسيناريوهات مختلفة لها خصائص مختلفة، فمن الصعب العثور على نموذج لتناسب كافة البيانات.

من حيث التنبؤ حجم، وتطبيق نموذجي لدينا هو التنبؤ سعة قاعدة البيانات DB_SIZE، والقدرة على قاعدة البيانات مع زيادة إجمالية في الخصائص الشاذة والمتقلبة. سعة قاعدة البيانات معقولة على التنبؤ على المدى القصير يمكن العثور عليها في وقت مبكر من فشل محتمل، والوقاية الاستباقية وحلها في وقت مبكر، دون الحاجة للتعامل مع السلبي عندما تحدث مشاكل، ويمكن أن يكون هناك معقول القدرة على التخطيط طويل الأجل وتخصيص الموارد.

في البداية، كنا نظن أن بسيطة الانحدار الخطي بالإضافة إلى البيانات وتجهيزها، ولكن النتيجة غير مرضية للغاية. منذ حجم الخدمة الفجوة، وقدرة قواعد بيانات مختلفة ومختلفة جدا، وتحولت في جدول قاعدة بيانات، عندما عملية التوسع وما شابه ذلك، خطية أو غير خطية صالح المناسب تأثير غير مرضية.

ومن الواضح أن الطريقة التقليدية الانحدار الخطي هو بسيط، ولكن النتيجة سيئة للتنبؤ، لا يمكن تلبية الاحتياجات. لحل هذه المشكلة، وكنا تصنيف البيانات القدرات في الدوري والمفاجئ تفريغ ارتفاع اكتب أسلوب وطريقة تصنيف يمكن استخدام الأساليب الإحصائية ويمكن أيضا أن يكون التجميع المستخدمة أو التصنيف.

البيانات للفترة، يمكننا أن نقول أنه في حقيقة الخطية مناسبا يمكن، لأنه في الاتجاه التصاعدي العام، نمو الدوري في قيمة البيانات في دورة يتزايد خطيا. لهذا النوع من البيانات، يمكننا التنبؤ سعة قاعدة البيانات الخطية أساليب التعلم آلة الانحدار.

البيانات دورة

لالمفاجئ البيانات نوع الزيادة تفريغ نوبة الخطي هو تأثير الفقراء، وعندما نستخدم الجمع من طريقة سلسلة تدريجي، والبيانات التاريخية التي تم الحصول عليها من الاثنين إلى الأحد محددة بالوزن متوسط الزيادة اليومية، ثم يتم تطبيق هذه الزيادة لتوقعات. وبسيطة طريقة تركيب خطي، مقارنة دقة هذه الطريقة قد تحسنت كثيرا، يعني متوسط البيانات توقعات انكماش المتبقية مربع تضاعف تقريبا.

تفريغ البيانات ارتفاع مفاجئ

ملتزمون هذه السيناريوهات الأربعة لتطوير تكنولوجيا AI لجعل تشغيل وصيانة أكثر كفاءة، بحيث أكثر من خطأ ويمكن الاطلاع على وحلها في وقت مبكر. حول AIOps، هناك العديد من الأشياء التي يمكن محاولة لاستكشاف، مثل Q روبوت ذكي، مركزية سجل منصة التحليل.

التكنولوجيا من فوق التشغيل الآمن وفريق الصيانة مهندس تطوير قواعد البيانات.