机器学习技术在监控工具中的应用已经成为 IT 运维与 DevOps 团队的一大热点话题。尽管相关的使用案例很多，对 IT 团队而已真正的「杀手级应用」是机器学习如何提高实时事件管理能力，从而帮助较大规模的企业提高服务质量。对此，关键在于在用户发现问题之前提早探测异常，进而减少生产事故与中断的负面影响。
那么，在IT运维管理的环境下，机器学习到底是什么？
网上有不少关于机器学习的宏观定义：对于某给定的任务T，在合理的性能度量方案P的前提下，某计算机程序可以自主学习任务T的经验E；随着提供合适、优质、大量的经验E，该程序对于任务T的性能逐步提高。更通俗的来讲，即：随着任务的不断执行，经验的积累会带来计算机性能的提升。
如果在IT运维管理的前提下，也许这样的定义更加准确：机器学习是分析数据，反复地向数据学习，进而在不参考明确模型的情况下，找出隐藏观点的一类方法。
在 IT 运维管理的语境中，机器学习的首要替代方案是为 IT 运维管理建立行为模型，了解这一点非常重要。行为模型方法要求了解基础架构的所有组件，才能理解出现中断或服务质量下降的可能原因。更确切地说，你要试着判断哪些事件和告警模式与你希望监控的条件相匹配。
事实上，大多数 IT 运维管理工具都属于这一类别。不论是过时的遗留事件管理器，还是使用「聚合及查询」方法进行 IT 运维的现代工具。总之，你都要对这些工具进行一定的配置，让它们留意你预先就知道需要搜寻的东西。
而另一方面，机器学习则使用数据本身来寻找值得留意的特征，这些特征可能在事先完全无法预知。例如，非监督式机器学习，可用于分析事件流或日志消息，从而找出异常的消息集群。之后，这些异常可以与某项运维结果相联系，从而捕获潜在中断的原因与症状。
然而，监督式机器学习可用于记录用户针对给定告警及告警集群的活动，并相应地做出算法上的调整。本质上，机器学习利用数据不断地创建并更新行为模型，而不是使用静态的行为模型寻找特定的结果。
在 IT 数字化转型的今天，随之而来的规模复杂度、变更速度以及软件抽象化等挑战成为了机器学习应用于 IT 运维管理的理由。
如果基础架构处于不断变化的状态，根本无法建立起固定的行为模型。如果你想了解来自应用与基础架构的大量数据的意义，使用基于规则的方法无疑是死路一条。在新的软件时代，你必须利用机器学习进行实时的数据分析，这是保证服务质量的必备条件。无可否认，IT 领域正变得越发混杂、虚拟化以及流动化，只有使用机器学习技术，才能坦然应对这些变化。
现代 IT 环境下，不断变化的基础架构会产生大量的事件数据需要处理。在 OneAlert，机器学习主要用于「消除噪音」。例如，面对每秒钟成千上万的告警事件，如何在消除噪音的同时保留有价值的信息事件？
目前 OneAlert 产品对告警事件的压缩率已经高达80%。基于时间片的告警信息压缩已经趋于成熟，基于告警属性相似度的聚类模型能够将告警压缩率达到 95%。而基于机器学习的人工智能压缩更是能够将告警压缩到 99%（我们敬请期待！）
本文转自 OneAPM 官方博客
