aiops 使用到的技术

我给你整理招行智能告警中心里，真正落地用到的机器学习/深度学习技术，全部是AIOps告警场景实战款，不讲虚的，直接对应「异常检测→降噪→根因定位」全流程：

一、时序指标异常检测（核心 ML 技术）

1. 单分类异常检测

   • 孤立森林（Isolation Forest）
   • 一类SVM（One-Class SVM）
     → 作用：识别指标突刺、跳变、缓慢漂移，适合无标签场景。

2. 时序周期性分解算法

   • STL 分解（Season-Trend-Loess）
   • 季节性时序分解
     → 作用：自动学习日/周/月周期，区分“正常波动”和“真异常”，大幅降误报。

3. 鲁棒统计异常检测

   • 改进 3σ、Z-score
   • MAD（中位数绝对偏差）
     → 作用：金融系统抗噪强，不被尖峰数据带偏。

4. 时序预测类模型

   • ARIMA / SARIMA
   • LSTM / GRU（短时序预测）
     → 作用：预测下一刻指标，提前发现偏离。

二、告警智能聚类 & 降噪（ML 核心）

1. 无监督聚类

   • DBSCAN（密度聚类，最常用）
   • K-Means
     → 作用：把同一故障引发的几百条雪崩告警，聚成1条事件。

2. 告警文本相似度

   • TF-IDF
   • Word2Vec（告警日志向量化）
   • 余弦相似度
     → 作用：日志、告警信息自动去重、合并。

3. 关联规则挖掘

   • Apriori、FP-Growth
     → 作用：学习哪些告警经常一起出现，实现智能抑制。

三、根因定位（RCA）用到的 ML 技术

1. 图神经网络（GNN）

   • GCN / GraphSAGE
     → 作用：结合服务拓扑、依赖关系，定位故障传播路径。

2. 根因排序模型

   • 随机森林
   • XGBoost / LightGBM
     → 作用：根据时间先后、关联强度、影响范围输出Top-N根因。

3. 因果推断（高阶）
   → 作用：区分“伴随告警”和“真正根因”，金融级场景非常关键。

四、特征工程（AIOps 机器学习的灵魂）

• 时序统计特征：均值、方差、斜率、波动率、周期强度
• 多源融合特征：指标+日志+拓扑+变更+业务流量
• 时间上下文特征：高峰/低谷、变更时段、节假日

---

极简总结（面试直接背）

招行智能告警中心的机器学习技术栈就4类：

1. 时序异常检测（孤立森林、STL分解、LSTM）
2. 告警聚类降噪（DBSCAN、文本向量化、关联规则）
3. 根因定位（GNN、XGBoost、因果推断）
4. 时序预测（ARIMA、鲁棒统计）

全部围绕：降误报、压告警、快定根因。