智能运维（AIOps），是指将人工智能算法应用于分析运维大数据。有了AIOps，当 IT出现故障隐患，运维人员不需要再等待系统发出故障告警，通过内置的机器学习算法以及大数据技术，就能自动发现系统的各类异常，从而实现从异常入手判断故障发生的可能性、严重性和影响，依赖机器对数据的分析结果，判断最佳的应对方案。

通过多种智能运维算法，实现异常自动检测、故障根因分析。

通过告警归并、LogReduce数据概要、KPI相关度计算等，让分析人员快速聚焦主要问题。

通过时序预测、性能瓶颈分析等实现性能优化及成本管理。

异常检测算法，依赖时序数据来实现； 而运维环境中，大量数据为非结构化数据，需要一个便捷的方式，将非结构化数据转换成时序数据；

支持的数据源： 监控统的结果数据； BPC的时序数据； 日志原始明细数据； 其他数据库记录等数据；

智能运维与日志管理平台无缝对接，借助日志平台的SPL功能，快速实现给智能运维供数，用户无需手工处理/转换数据

静态阈值，很难配置随时间变化的高低值； 需要维护很多白名单来提高精度；

所有数据转换成时间序列数据； 实时检测，并叠加进历史数据集； 提供误报反馈输入机制；

根据历史数据规律告警，比阈值更精准； 违反历史规律，准实时预警，主动预防隐患

没有发生过的故障，不好设置阈值告警； 大量无规则日志，不好发现里面是否有异常；

通过机器学习，识别日志模式和各模式占比，当新产生的数据，违反历史模式和占比时，产生告警；

无需前置工作，就可以发现业务运行是否发生了明显的反常现象；
通过简单标注，就可以发现特定业务是否发生了孤僻事件；

动态阈值会产生海量预警事件； 人工无法肉眼洞察事件关联性； 预警事件的影响性无法度量；

对象间的依赖关系从CMDB导入； 预警事件做时间第一维度关联/聚合； 预警事件基于对象做第二层聚合；

预警事件是否真实影响业务，清晰可见； 事件的时间点，易于查找；

动态阈值会产生海量预警事件； 人工无法肉眼洞察事件关联性； 预警事件的影响性无法度量；

对象间的依赖关系从CMDB导入； 预警事件做时间第一维度关联/聚合； 预警事件基于对象做第二层聚合；

预警事件是否真实影响业务，清晰可见； 事件的时间点，易于查找；

大规模 IT 环境下，一个故障会触发或导致大面积的告警发生。如果能从大面积的告警中，找到最紧迫最要紧的那个？

通过皮尔逊系数计算相关度，快速定位出引起故障的真正原因，提升故障治愈效率，支持数十万KPI相关性秒级计算

预警事件是否真实影响业务，清晰可见； 事件的时间点，易于查找；

影响业务KPI指标维度众多，大多数情况只能分析单KPI维度进行瓶颈排查，无法快速分析多KPI之间的权重关系，找出真正影响因素？

分析百级维度KPI，自动分析各种维度的权重占比，快速给出优化方向和影响性能瓶颈因素

预警事件是否真实影响业务，清晰可见； 事件的时间点，易于查找；

大规模 IT 环境下，通常一个故障会触发大规模告警风暴。虽然能依赖业务关系或者时间段关系做一些简单的归并，但业务关系经常变动，很难手动维护
定期对KPI和告警进行相关度计算和软聚类，生成行为拓扑关系，可以进行智能告警归并分析

实时了解业务关系的变动；提高告警的有效性；从海量告警中快速定位主要告警

在排障过程中，往往需要调阅各种运维数据进行辅助分析； 而且大量事件属于重复性的；

智能问答机器人根据运维人员问题，提取其中的关键［问题语义］，自动返回搜索结果和完成自动化运维操作

通过智能问答机器人，运维人员无需关心具体搜索语句，由机器人自动搜索返回运维人员关注的信息，并通过联动自动化运维，提升故障治愈效率