智能運維場景解析：如何通過異常檢測發(fā)現(xiàn)業(yè)務系統(tǒng)狀態(tài)異常

通常情況下，業(yè)務系統(tǒng)出現(xiàn)異常，最直接、最直觀反映就是關鍵業(yè)務指標出現(xiàn)異常波動。以保險行業(yè)為例，當業(yè)務系統(tǒng)出現(xiàn)異常時，系統(tǒng)處理保單的能力會顯著下降，對應到業(yè)務指標描述，即：業(yè)務系統(tǒng)出現(xiàn)問題時，“保單量”會出現(xiàn)下降。

如何正確判斷“保單量”出現(xiàn)下降呢?傳統(tǒng)的方式就是設置一個固定的閾值，例如：定義在正常情況下，系統(tǒng)每分鐘可以處理的保單量應該在200～600之間。當實時監(jiān)控到的保單量超出上述閾值時，即認為保單量出現(xiàn)異常。傳統(tǒng)監(jiān)控系統(tǒng)的固定閾值告警，就是通過設置固定的告警閾值與真實數(shù)據(jù)進行對比產(chǎn)生告警信息。

這個邏輯表面看上去沒有問題，但是仔細想一下，每天凌晨的時候，會有多少新的保單提交到系統(tǒng)中呢(假設保險公司只受理國內(nèi)的業(yè)務)?顯然，每天上午10點到12點之間新提交到系統(tǒng)中的保單量要遠遠多于每天凌晨提交到系統(tǒng)中的保單量。

以此類推，業(yè)務系統(tǒng)在節(jié)假日和工作日處理的保單量也存在顯著的差別。如果據(jù)此邏輯進行深入分析，會發(fā)現(xiàn)，企業(yè)很難用預先設定的規(guī)則(閾值)來判斷業(yè)務系統(tǒng)保單量指標的是否出現(xiàn)異常。

為了解決上述問題，云智慧DOCP平臺的DOEM數(shù)字化運維事件管理產(chǎn)品采用多算法集成學習模式，并引入3種針對時序型監(jiān)控指標進行異常檢測的方法：動態(tài)基線、同比/環(huán)比和指標異常檢測。

動態(tài)基線基于歷史數(shù)據(jù)，利用智能算法進行深度學習后，對未來一段時間內(nèi)的每個時間點的數(shù)值進行精準預測，以預測值作為基線，并通過比較實際值與基線的偏離度(百分比差異)來監(jiān)控和告警。

動態(tài)基線適用于已知某數(shù)據(jù)指標呈周期性變化且沒辦法給出每個周期的準確值或者周期內(nèi)的數(shù)據(jù)變化過多的場景。以保險行業(yè)業(yè)務場景為例，我們根據(jù)歷史保單量的學習，識別出歷史數(shù)據(jù)的趨勢性和周期性的變化，預測未來一段時間保單量的變化。同時根據(jù)歷史數(shù)據(jù)的分布情況，給出未來一段時間的上下限的變化情況。當待檢測指標高于基線高于上限/低于下限時，即判斷為出現(xiàn)異常。監(jiān)測發(fā)現(xiàn)預測實際值數(shù)據(jù)頻繁小于預測數(shù)據(jù)，我們有效的檢測到這種異常，并追蹤到事件的根源。

同/環(huán)比異常檢測用于發(fā)現(xiàn)某個待監(jiān)測指標的變化趨勢是持續(xù)變好還是持續(xù)變壞。將目標監(jiān)控值與歷史同期數(shù)據(jù)的分布和同環(huán)比的變化情況進行對比，根據(jù)數(shù)值或百分比差異情況判斷新進數(shù)據(jù)是否異常，并作出判斷是否進行告警。

為了應對不對業(yè)務模式的差異化數(shù)據(jù)特點，DOEM采用無監(jiān)督集成學習算法進行單/多指標異常檢測，無需人工設置固定閾值和定義基線偏離度，系統(tǒng)根據(jù)不同的數(shù)據(jù)特點，選擇不同算法去做針對性的檢測，并對異常進行整體的評估，自動識別出不符合期望的數(shù)據(jù)后產(chǎn)生告警消息。

云智慧DOEM(Digital Operation Event Management的縮寫)數(shù)字化運維事件管理產(chǎn)品面向技術和管理，以事件為核心，實現(xiàn)問題事件全生命周期的全局管控。DOEM基于大數(shù)據(jù)技術和機器學習算法，對來自于各種監(jiān)控系統(tǒng)的告警消息與數(shù)據(jù)指標進行統(tǒng)一的接入與處理，支持告警事件的過濾、通知、響應、處置、定級、跟蹤以及多維分析。DOEM產(chǎn)品基于動態(tài)基線等多種算法，能夠實現(xiàn)事件的告警收斂、異常檢測、根因分析、智能預測，幫助企業(yè)打通數(shù)據(jù)孤島，統(tǒng)一運維的標準與管理規(guī)范，減少對運維的事務性干擾，提升運維的整體管理水平。

生成海報

免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權或存在不實內(nèi)容時，應及時向本網(wǎng)站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內(nèi)容或斷開相關鏈接。