算法选择方面首先需要按照已知的监控数据的特性和目标进行大类的划分，前期对数据的摸底和基础分析非常重要。机器学习的目的大致分为回归、分类和聚类这几种，又可以根据有无异常或其他评分标签使用有监督或者无监督的算法。算法的优劣比较较为偏重理论性，建议针对特定的场景...

困难有很多，主要分数据、算法、平台三个方面吧。首先是数据采集方面主要是各类日志数据需要进行统一，海量的运维数据需要大量存储资源等。在做智能化算法初期，主要是缺少对历史异常数据的记录和日志数据格式的统一，通过无监督学习算法对未标注数据进行异常检测后难以判定是否...

计算机报警种类繁，报警的厂商不同。日志格式，内容还有代码也都没有一个统一标准。想要通过机器学习实现精准的故障定位我觉得还有很长的路要走。至少要所有的厂商都开放自己的日志代码。基本实现统一的日志格式。以目前的技术来看。我觉得机器学习只能是帮助运维去简化和梳...

可以将时间分段进行学习，例如将历史数据划分为常规数据和活动数据。对于预热时的毛刺数据，可以通过寻找离群点的一些方法，例如局部异常因子、孤立森林等先对数据进行分类标注，在做预测时将这部分数据剔除。...

我觉得智能化运维将来能实现的应该是帮助运维人员日志分析。简化定位故障的范围，简化重复性的劳动比如代码更新，修改。或者在一定的阀值范围内。按照设定的任务对系统资源或者业务进行调整，简单的说我觉得智能化运维要像一个多功能的工具。去帮助和简化人的运维。而不是代替...

通过引入改良的时间序列模型对单一指标进行预测引入机器学习的聚类算法解决与多个指标相关联的异常问题，并根据专家经验制定相应的规则抓取异常数据，以此提高异常识别的准确性。同时将告警规则与预测结果相结合也可以达到预警的效果提前获知未来可能发生的运维问题不仅为问...

非量化的数据可以利用起来，可以先量化处理，将非量化数据转变为哑变量，通过特诊工程再带入到模型中进行训练。

智能化运维并不能绝对的避免出现误报警，但是误报的概率要比没有引入智能化运维之前低很多

我觉得要实现智能化运维。首先要自动化运维。智能化运维的实现并不是简单依靠某一套系统就可以轻易实现的。首先要规范梳理所有的业务。实现基础运维的自动化，在自动化运维的基础上建立更多的逻辑连接。让运维系统逐步学会根据收集到的数据来进行相应的运维操作。自动化运...

Xgboost是GBDT的优化，在对有标签指标的模型训练中，我们通过Xgboost算法得到的训练结果相比于其他算法是最优的。