从 “香农熵” 到 “告警降噪” ，如何提升告警精度？

简介：ARMS 智能降噪功能依托于 NLP 算法和信息熵理论建立模型，从大量历史告警事件中去挖掘这些事件的模式规律。当实时事件触发后，实时为每一条事件打上信息熵值与噪音识别的标签，帮助用户快速识别事件重要性。

作者：董善东 & 白玙

对于大部分人来说，信息是一个非常抽象的概念。人们常常说信息很多或信息较少，但却很难说清楚信息到底有多少。比如一份帮助文档或一篇文章到底有多少信息量。直到 1948 年，C.E.Shannon（香农）提出了“信息熵”的概念，才解决了对信息的量化度量问题。信息熵这个词是香农从热力学中借鉴而来来的。热力学中的热熵是表示分子状态混乱程度的物理量。而香农用信息熵的概念来描述信源的不确定度。

香农的信息熵本质上是对我们司空见惯的 “不确定现象” 的数学化度量。譬如说，如果天气预报说 “今天下午下雨的可能性是 60%” ，我们就会不约而同想到出门带伞；如果预报说 “有 60% 的可能性下雨” ，我们就会犹豫是否带伞，因为雨伞无用时确是累赘之物。显然，第一则天气预报中，下雨这件事的不确定性程度较小，而第二则关于下雨的不确定度就大多了。

作为数学中颇为抽象的概念，我们可以把信息熵理解成某种特定信息的出现概率。而信息熵和热力学熵是紧密相关的。根据 Charles H. Bennett 对 Maxwell's Demon 的重新解释，对信息的销毁是一个不可逆过程，所以销毁信息是符合热力学第二定律的。而产生信息，则是为系统引入负（热力学