智能运维探索 | 云系统中的异常检测方法

云系统异常检测背景

随着云技术的飞速发展，云系统的复杂性和规模不断增加，云系统的稳定性受到了极大挑战。为了解决运维问题，运营商会通过指标（Metrics）、日志（Logs）等多个维度信息来了解云系统的运行状态。

本文介绍的方法是通过分析系统指标（如CPU 使用率、I/O 请求数、网络吞吐量等）对云系统进行异常检测。

对于这些指标数据，研究人员提出了单变量的时间序列异常检测方法。但随着云系统复杂性的增加，运维人员可以收集的指标越来越多，该方法往往无法反映云系统整体的异常情况。

基于此种情况，研究人员又提出了多元时间序列异常检测，这种方法虽然考虑了云系统中多个指标，但没有将云系统中的组织结构考虑进来，适用性也不太好。

在复杂的云系统中我们以系统拓扑结构为基础，获得系统状态的基于图的表示，进而进行异常检测。随着深度神经网络的迅速发展，研究人员提出了基于深度学习的异常检测方法，将图神经网络与RNN和CNN一起应用来同时考虑空间和时间关系，对云系统中数据以及拓扑结构进行建模。

01. 常用的异常检测方法

1. 传统异常检测方法

● 静态阈值：原指标超过阈值即异常。

● 3sigma：计算当前值是否偏离历史均值且偏离程度达3个标准差。

● 基于分类的方法，例如支持向量机。

● 基于最邻近方法，例如局部异常因子。

2