云智慧 AIOps 社区是由云智慧发动，针对运维业务场景，提供算法、算力、数据集整体的服务体系及智能运维业务场景的解决方案交换社区。该社区致力于流传 AIOps 技术，旨在与各行业客户、用户、研究者和开发者们独特解决智能运维行业技术难题，推动 AIOps 技术在企业中落地，建设衰弱共赢的 AIOps 开发者生态。

本文由云智慧智能研究院研究员，通过浏览大量文献并联合实践经验，对指标的异样类型划分、罕用的异样检测算法分类、数据分类进行了初步介绍。

前言

指标异样检测是 AIOps（智能运维）畛域的重要落地场景，其旨在通过算法发现 KPI（要害效益指标）工夫序列上的异样点，而后通过告警告知运维人员相干危险。与此同时，指标异样检测也是其余 AIOps 场景的前置场景，其检测后果为后续的告警收敛、根因定位、故障自愈等场景提供输出信息，因而指标异样检测在整个 AIOps 落地场景中具备重要意义。

在理论工业场景中，很多业务零碎通常须要监控数万至百万指标，个别企业通常采纳固定阈值的办法对其开展异样监控。因为这些数据数量繁多，运维人员无奈基于业务教训对每条指标设置正当的高低阈值；另一方面，监控指标从数据角度具备丰盛的状态（数据品种，如平稳性、周期性、趋势性等），简略的固定阈值无奈对全副状态品种见效。因而在工业环境下存在广泛的异样监控误报景象，给运维人员带来极大困扰的同时，也给企业经营带来较大的商业危险。因而，如何精确疾速地对监控零碎进行异样告警是当今 AIOps 畛域及泛滥工业企业亟待解决的问题。

在事实工业环境中，因为指标数据具备丰盛的数据状态，并且诸多异样检测算法通常仅实用于某种或局部状态，因而如何对不同品种数据进行辨别及如何对不同品种的算法和数据进行匹配对于指标异样检测成果至关重要。本文将对指标异样类型的划分、罕用异样检测算法的分类及指标数据的分类进行初步介绍，并在将来对指标异样检测算法和不同类型数据间的适配性进行形容。

一、指标异样类型

工夫序列数据中数据点的信息即蕴含其数值的信息，也蕴含其所处的工夫点信息。通常将通过数值信息辨认的异样称为空间异样，无奈仅通过数值信息辨认的异样称为工夫异样。如图 1 所示，a1 异样点，单从数值上无奈将其辨别进去，但思考工夫信息，历史同期没有类似的模式呈现，这类异样为工夫异样，也称模式异样；a2 异样点，其数值显著低于指标数据常态的数值，可能应用 k -sigma 等统计形式辨认，这类异样为空间异样，亦被称为数值异样。（下图为空间异样与工夫异样示例）

学术界将指标异样分为点异样（point anomaly）、上下文异样（contextual anomaly）与连续性异样（collective anomaly）三类。点异样指显著有别于其余点的单点异样如下图（a）；上下文异样指在指标失常的变动范畴内的频率异样如下图（b）；连续性异样为在指标失常变动范畴内模式产生的变动如下图（c）。

二、指标异样检测算法类型

1. 按算法原理划分

针对不同类型的数据的不同类型异样，通常选用不同的算法进行异样检测。依据算法原理不同，指标异样检测算法能够划分为统计类算法、工夫序列类算法、机器学习类算法以及深度学习类算法。

统计类算法中常见的有 K -sigma, Boxplot, KDE, EVT 等。应用统计类算法检测异样时，不思考数据点的工夫信息，因而，统计类算法只实用于检测点异样。应用统计类办法进行异样检测时，要求指标数据满足一阶安稳、数据噪声遵从高斯分布、数据法则满足线性法则等的条件。基于统计办法的指标异样检测算法因为其计算逻辑简洁，因而具备较高的计算性能，但因为其对指标数据要求较高，因而实用的数据类型无限。

工夫序列类算法中常见的有 ARIMA, Holt-Winters, Prophet,STL 等。工夫序列钻研是一个较大的畛域，被利用在多个工业场景，有较多的实践和算法积攒。工夫序列类算法进行异样检测时具备较好的可解释性。工夫序列类算法，旨在提取数据的趋势和周期性，实用于趋势或周期显著的数据类型。与统计类算法相比，时序类算法实用于更多类型的数据，并且其检测成果更优，但其计算性能略差，难以进行实时检测。

机器学习类算法中常见的有 LOF, IForest, One-Class SVM, k-means 等。机器学习类算法次要对数据的特色进行提取。不同状态的指标数据，其失常与异样数据在不同特色上存在不同。因而如何实现特色的自动化抉择是利用机器学习类算法进行指标异样检测的要害。

深度学习类算法中常见的有 AE，VAE，LSTM，GAN 等。深度学习类算法具备捕获简单非线性法则的劣势，可能同时解决点异样、上下文异样、间断异样，并且可能解决模式更简单的数据，算法能力下限高。然而，在理论利用中，深度学习类算法的参数泛滥，无奈开箱即用，因而一线用户很难通过培训疾速上手，用户敌对性差。并且，深度学习算法可解释性差，算法后果很难失去用户认可。在理论工业环境中，业务零碎数据模式的变更，使得采纳深度学习类的算法难以在短时间内积攒足够的训练数据，以适应新的数据模式，而运维人员往往心愿能够疾速对指标数据进行监控，这对深度学习算法的疾速适应能力提出了挑战。综上，在理论落地中，与其余类算法相比深度学习类算法的难度最大。

2. 按应用形式划分

工业场景中，要求可能尽早给出新数据点的异样检测后果来发现故障，这对异样检测算法的性能有较高的要求。依照各类异样检测算法的职能或应用形式划分，咱们将算法分为实时检测类算法与非实时检测类算法。实时检测类算法如 LOF，AE 只能通过实时检测的形式进行数据异样检测。实时检测类算法对算法性能和计算资源有更高的要求。非实时检测类算法如 arima 与 prophet 在进行指标异样检测时尽管运算耗时多，但能够一次性预测指标将来一段时间的值。通过比拟预测值和实在值来检测异样，能够达到告警低提早的要求。

综上所述，统计类算式适宜安稳类型的数据；工夫序列类算法，适宜周期性、趋势性显明的数据；机器学习和深度学习类算法下限较高，可能解决更简单的数据，但调参、利用较难。工业生产环境中指标数据泛滥又模式各异，很难通过几个算法实现全副指标高准确度的检测。为不同的数据调配不同的异样检测算法，是保障生产环境中异样检测成果的要害。

三、指标分类

指标异样检测算法有诸多分类。同时，指标数据的类型也同样丰盛，包含根底监控指标、中间件指标、业务指标等多个品种，每种类型都有各自的数据特点（如周期性、趋势性、平稳性等）。面对品种繁多的指标异样检测算法，如何抉择与指标数据相适配的算法是一个辣手的问题。业界个别通过对指标数据的正当分类来解决上述问题。

首先，正当的指标数据分类有助于异样检测算法选型。每类算法均有其实用的指标数据类型，如果不对指标数据类型进行判断，简略输出算法检测异样，很可能会导致检测后果出错。因而，指标数据分类对异样检测算法选型至关重要。一方面，在充沛理解各类异样检测算法特点的前提下，如果可能对指标数据进行正当分类，则能够精确匹配各类算法，晋升异样检测准确性；另一方面，基于算法适配性的指标分类，也能够防止自觉抉择不同算法在同一份指标数据中进行尝试的算法选型过程，大幅缩小计算量。

此外，在进行异样检测前运维人员可对通过分类的指标数据进行有针对性的预处理。如果间接对指标数据利用异样检测算法，不对不同指标数据执行适宜的预处理，往往会呈现谬误的检测后果。例如银行跑批工作，这是一种周期性执行的工作，如果间接利用异样检测算法而不提前思考周期性，算法易将跑批工夫的数据视为异样，导致检测后果出错。因而，须要在预处理阶段对数据进行周期性检测，而后再进行异样检测。

由以上两个利用场景可知，在对指标数据和异样检测算法有足够积攒和了解的前提下，正当的指标数据分类可进一步晋升异样检测成果。

通过指标数据分类，匹配不同的异样检测算法，能够进步异样检测的准确性。理论落地过程中，咱们能够调整、优化算法，但无奈抉择、扭转指标数据。因而，在进行指标分类时，咱们只思考指标特色，分类实现后再为各类数据匹配已有算法或研发新算法，而非基于已有算法善于解决的数据个性对指标数据分类。

目前指标数据分类的难点在于没有明确的分类规范，不同使用者有不同的分类规范，比方业务剖析人员习惯按场景划分数据类型，数据分析人员习惯按数据特色划分数据类型。（下图为不同工夫序列类型示例）

四、总结

异样检测算法多种多样，包含统计类算法、机器学习类算法和深度学习类算法等，各有优缺。运维畛域的指标数据也具备丰盛的状态。面对数量泛滥、类型各异的指标数据，目前没有一种通用的异样检测办法可能满足各类指标的异样检测需要。一线运维人员在配置指标监控时，只管能够利用自身教训筛选算法，以取得相较于固定阈值办法更高的检测准确性。但如何对算法进行选型和调参仍是运维人员面临的最大难点。通过对指标分类以及指标与算法适配性的钻研，岂但能够进步异样检测的准确性，同时也能真正缩小运维人员的工作累赘。

写在最初

近年来，在 AIOps 畛域疾速倒退的背景下，IT 工具、平台能力、解决方案、AI 场景及可用数据集的迫切需要在各行业爆发。基于此，云智慧在 2021 年 8 月公布了 AIOps 社区， 旨在树起一面开源旗号，为各行业客户、用户、研究者和开发者们构建沉闷的用户及开发者社区，独特奉献及解决行业难题、促成该畛域技术倒退。

社区先后 开源 了数据可视化编排平台 -FlyFish、运维治理平台 OMP 、云服务治理平台 - 摩尔平台、 Hours 算法等产品。

可视化编排平台 -FlyFish：

我的项目介绍：https://www.cloudwise.ai/flyF…

Github 地址：https://github.com/CloudWise-…

Gitee 地址：https://gitee.com/CloudWise/f…

行业案例：https://www.bilibili.com/vide…

局部大屏案例：

请您通过上方链接理解咱们，增加小助手（xiaoyuerwie）备注：飞鱼。退出开发者交换群，可与业内大咖进行 1V1 交换！

也可通过小助手获取云智慧 AIOps 资讯，理解云智慧 FlyFish 最新进展！