K8s AIOps 算法落地优先选3σ、Prophet、孤立森林、DBSCAN、XGBoost，覆盖 80% 场景

我直接给你最精简、能立刻落地的版本：
5 个算法 = 覆盖 K8s AIOps 80% 场景
每个算法只给：作用 + 用在哪 + 最简代码，你照着用就行。

---

1. 3σ 原则（动态阈值）

定位：最简单、最稳、最先落地

• 做什么：指标突增、突降、异常波动
• K8s 场景：CPU/内存/磁盘/网络 异常
• 优势：不用训练、秒上线

import numpy as np
def detect_3sigma(data):
    mu = np.mean(data)
    sigma = np.std(data)
    upper = mu + 3*sigma
    lower = mu - 3*sigma
    return [x for x in data if x > upper or x < lower], upper, lower

---

2. Prophet（时序预测）

定位：资源预测、容量规划

• 做什么：预测未来 CPU/内存/Pod 负载
• K8s 场景：防 OOM、防拥堵、自动扩缩容依据
• 优势：自带节假日、周期，适配 K8s 流量规律

from prophet import Prophet
model = Prophet()
model.fit(df)  # ds, y 时间序列
future = model.make_future_dataframe(periods=24, freq='h')
forecast = model.predict(future)

---

3. 孤立森林（Isolation Forest）

定位：多维度指标异常检测

• 做什么：K8s 节点 / Pod 综合异常
• 场景：CPU+内存+磁盘+网络 一起判断
• 优势：高维数据强、无监督、不用标异常

from pyod.models.iforest import IForest
clf = IForest(contamination=0.05)
clf.fit(X)  # X=[[cpu, mem, disk, net], ...]
anomaly_score = clf.decision_scores_
label = clf.labels_  # 0正常 1异常

---

4. DBSCAN（告警聚类）

定位：雪崩告警去重、找根告警

• 做什么：把一堆相似告警聚成一类
• K8s 场景：Node 挂 → 一堆 Pod 告警 → 聚成 1 个根因
• 优势：不用指定簇数量，适合告警文本聚类

from sklearn.cluster import DBSCAN
db = DBSCAN(eps=0.5, min_samples=2, metric='cosine')
clusters = db.fit_predict(alert_vectors)

---

5. XGBoost（根因排序 Top5）

定位：根因分析核心

• 做什么：看哪些特征最“导致故障”
• K8s 场景：Pod 重启 → 输出 OOM/节点故障/磁盘满 权重
• 优势：可解释、工业级稳定

import xgboost as xgb
model = xgb.XGBClassifier()
model.fit(X, y)
importance = model.feature_importances_  # 根因得分

---

这 5 个组合 = 完整 K8s AIOps 能力

1. 3σ → 指标异常
2. Prophet → 预测未来负载
3. 孤立森林 → 多维综合异常
4. DBSCAN → 告警聚类降噪
5. XGBoost → 根因 TopN

真正覆盖：80% K8s 故障场景

• Pod 重启
• Node NotReady
• 资源打爆
• 网络抖动
• 磁盘满
• 告警风暴
• 根因定位

---