B. 智能运维 --- 质量保障 --- 异常检测 --- 指标异常定位

B. 智能运维 --- 质量保障 --- 异常检测 --- 指标异常定位
    瓶颈分析 --- 决策树
        目标：找出哪些因素的影响会导致搜索响应时间大于1秒钟
        解决方案
            首先FOCUS使用系统每天产生的日志数据来训练决策树，从决策树中可以分析得到引发高搜索响应时间（HSRT）的条件，由于每天的数据会训练出一棵决策树，因此多天后会有多棵决策树产生；
            接下来在多棵决策树中挖掘出相似的会引发高搜索响应时间（HSRT）的条件，这些条件在多天中重复出现，可以判断为长期的引起高搜索响应时间（HSRT）的可能条件；
            最后评估挖掘出的引发高搜索响应时间（HSRT）条件中每个属性的影响，从而得出优化系统性能的方案。下面对这三部分进行举例说明。
        影响评估
            通过控制实验的方式，每次只对条件中的一个属性取反，然后在历史数据中寻找满足新条件的数据，将该条件下高搜索响应时间（HSRT）的比例与原始条件下高搜索响应时间（HSRT）的比例进行比较，分析该属性的影响。最终，运维人员通过分析结果制定系统瓶颈的优化策略。
    版本上线如何智能提示熔断
        复杂度
            同时满足低检测时延和高准确性要求。
            KPI数量巨大。
            KPI类型多样。
            KPI曲线剧变可能由其他因素导致。
        FUNNEL设计思想
            确定影响集合:  由于运维人员会基于服务层次来命名服务，所以FUNNEL可以自动化地确定影响集合。影响集合指的是可能受影响的服务器、实例和服务的集合。
                变更服务：模块A。
                关联服务：模块B、模块C、模块D。
                测试实例：服务器1到服务器l以及进程1到进程l。
            检测性能变化：FUNNEL使用一种基于奇异谱变换的性能变化检测方法，以准确快速地检测KPI曲线剧变。
                SST 将训练数据映射到正常子空间中，并找出正常子空间和需要测试的数据之间的差异。SST 的核心思想是发现时刻t 的数据点 x(i) 的前后变化。然而，在正常子空间出现噪声时，SST 时具有较低的准确性， 另外SST 具有较高的计算开销。
                为了减轻由突发性流量等原因导致的噪声(例如尖峰)对最终变化得分的影响，FUNNEL通过使用前置矩阵更多信息的方法，提高了SST的鲁棒性。为了提高SST算法的计算效率，FUNNEL使用矩阵压缩和隐式内积计算的方法，降低了SST算法的计算复杂度。这样，改进的SST算法具有检测时延低、计算效率高、鲁棒性高的优点，解决了同时满足低检测时延和高准确性要求、KPI数量巨大、KPI类型多样三个挑战。
            排除其他因素导致的KPI曲线剧变：FUNNEL使用分流测试的思想确定这些KPI曲线剧变是否由软件变更导致。
                针对灰度发布中非关联服务的场景
                    FUNNEL采用分流测试的思想，对比测试组和对照组。这一对比的原理是，除了软件变更以外的其他因素既会影响测试组，也会影响对照组。测试服务器的KPI曲线构成测试组，而对照服务器的KPI曲线构成对照组。
                    FUNNEL使用DiD方法来确定KPI剧变是否由软件变更导致。DiD用以评估在特定时间点实施的干预措施的效果。具体的，DiD 比较测试组与对照组随时间的变化，并将差异归因于软件变更的影响。DiD 基于以下假设:在没有软件变更的情况下，测试组 KPI 曲线的平均测量值与对照组 KPI 曲线的平均测量值之间的差异不会随时间的变化而变化。
                针对关联服务和非灰度发布的场景
                    因为关联服务中没有对照服务器或对照实例，所以对照组为空。此外，如果运维人员一次性在所有服务器上部署软件变更，而不是以灰度发布的方式部署软件变更，此时对照组也为空。
                    在本场景中，测试组由软件变更前后的 KPI 曲线测量值构成，而对照组由 KPI 曲线的历史测量值构成。如果 Web 服务或服务器的性能变化是由周期性导致的，那么对照组和测试组之间应该没有相对的性能变化。
    MSRA AIOps多维指标突变定位: iDice
        项目背景
            维护大型在线软件系统的一个挑战，是对于用户上报的问题(Issue Reports)，运维人员需要快速识别其中的主要异常原因，以便尽快解决问题、及时改善用户体验。不同于传统基于BI工具的人工分析方法， 本文介绍的快速定位主要异常的方法——iDice，是一个基于AIOps自动方法。
            通常情况下，一个软件系统下的issue report的数量是相对稳定的，但是有时会发生issue report的数量突变（通常是骤增）的情况，往往由个别attribute combination对应的issue report数量突变引起的（attribute combination或combination，指特定属性值组合，如“Country=India; TenantType=Home; DataCenter=DC1”），这些突变的combination称为effective combination，其对应的issue report称作emerging issue，本文的要解决的问题就是如何快速找出导致issue report数量突变的effective combination。
        复杂度分析
            效率低下（Inefficient）。如果属性较多，并且每个属性都较多属性值，那么combination的数目将非常巨大，这使得人工定位时间成本变得非常高昂，甚至不可能完成。
            有效性差（Ineffective）。人工方法是非常ad-hoc的探寻工作。有时可能会漏掉一些可能的effective combination，有时找到的结果包含冗余和重复信息。当某些元素变化不明显时，准确性也会比较低。例如总指标没有触发异常报警，但是有部分细粒度指标变化量已经非常大，这种情况人工查找非常困难。
        要点分析
            影响力（Impactful）。由于用以运维的各项资源有限，首先要解决的问题肯定是影响力最大的问题。因此，一个effective combination对应的issue report数量应该是比较大的。
            足够的变化量(Reflecting changes)。一个effective combination应该在变化程度上足够显著，才能够将自己与其他combination区分开。
            冗余要少（Less redundant）: 一个effective combination应该是简洁的，因为冗余度高的结果会降低检测的准确性，并且浪费的后续调查工作的时间。
        具体细节
            Impact based Pruning：为了有效地减少搜索空间，本文根据combinations的影响力进行剪枝，也就是只考虑issue report数量大的combinations，对于那些数量不足够大的combinations，直接剪枝删掉的报告。iDice通过采用数据挖掘算法、计算支持度、设定阈值的方法来实现这一目的。
            Change Detection based Pruning：除了具有影响力之外，要寻找的effective combination还应该与新出现的问题相关。换句话说，需要找出与问题报告数量显著增加相对应的effective combination。iDice通过应用异常检测算法（本文采用了GLR: Generalized Likelihood Ratio 算法）来衡量combination是否显著变化，然后将变化不显著的 combinations 剪枝删除。
            Isolation Power based Pruning:一个effective combination应该能够将具有变化的combinations与没有变化的其他combinations隔离开来，这个性质可以帮助进一步消除结果集合中可能存在的冗余。
            Result Ranking：经过以上三步剪枝，通常可以得到一个effective combination的集合，再根据这些combination的相对重要性对它们进行排序，进行进一步剪枝。
    清华AIOps新作:蒙特卡洛树搜索定位多维指标异常
        项目背景
            本文问题需求是尽可能准确的找到根因集合，即使集合中的元素指标值比较小或者占比比较小，也不宜采用暴力剪枝的方法将这些元素剪枝掉（上一篇文章中的iDice算法就是这样做的，但其场景有所差异）。例如某一元素(*,location1,*,*)的PV值虽然很小（表示来自location1的访问量较少），对于我们的运维也是非常重要的，若它是根因的一部分，需要尽可能的找出它并尽快恢复。
        复杂度分析
            准确衡量一个元素或集合是根因的可能性非常困难。不同元素的值是相互依赖和影响的，首先父元素和子元素间具有加和关系，此外如表 1 所示，元素间还有更为复杂的关系
            要遍历搜索所有可能的集合是不可能做到的。由于可加和的KPI拥有多维度的属性，随着维度的增加或粒度的细化，元素数目呈指数级爆炸式增长。
        HotSpot算法设计
            核心思想：HotSpot概览见图 2，它将问题转化为在一个巨大空间的搜索问题后，应用 MCTS 作为基础搜索算法，并且提出了一个根因可能性评分指标，作为每个集合的度量和 MCTS 中的价值函数; 此外，HotSpot还采用分层剪枝的方法以进一步降低搜索复杂度（逐层搜索，利用前一层的结果对该层先做剪枝）。
        具体细节
            Ripple effect:该规则旨在说明，任何一个元素值变化时，最细粒度层次中它的后代节点值将按照一定比例（通常是相同比例）进行变化；因体系的可加和性，有了最细粒度元素值，即可推导出其他所有元素值。
            Potential score:由Ripple effect知，任何一个元素值变化时最细粒度元素会等比例变化，而最细粒度变化元素又可将这些变化“传导给”其他所有元素。
            MCTS算法：MCTS解决一个Cuboid中的空间过大、搜索太慢的问题。它是一种启发式算法，理论上给的时间越长结果越准确，实际中常通过设定阈值（准确性阈值、时间阈值等）的方法，当找到满足阈值的结果即可停止搜索。
            分层剪枝：随着cuboid中元素数目的增加，在相同时间内其准确性会下降。因此，为了进一步降低搜索的复杂度，本文在层间采用 分层剪枝 的策略。基本思想是，HotSpot逐层搜索cuboid，即从第1层到第L层；对于前一层中ps过小的元素，将其在本层中的子元素剪枝去掉。