Guiyang_个人页

【新功能】智能巡检支持更加灵活的告警

主要介绍如何通过SLS的告警2.0的能力去管理【智能巡检】任务产生的异常事件。通过实体维度和特征纬度的单独配置您需要的告警事件。

如何将“智能巡检”嵌入“业务系统”中？

智能巡检借助强大的SLS“告警2.0”消息系统，可以很好的桥接很多内部和外部的系统（EventBridge、FC等），也可以借助SLS的SDK和自定义的函数去解决针对“告警结果”的下一步“分析任务”，从而更好的实现对于问题的排查和解决。

2022年AIOps热身赛数据可视化详解

本次介绍2022年AIOps国际挑战赛--热身赛数据的可视化详解，希望可以更好的帮助选手使用SLS平台进行赛题数据的理解。接下来主要介绍下，如何不写一行代码就可以在SLS平台上实现数据的可视化部分。我们提供的DEMO已经同步发不到网上(https://sls.aliyun.com/)，各位可以去查阅。

在SLS上进行异常点的绘制

对于很多流量、访问量、延时等场景，很对同学在绘制大盘时想能在指标中，体现出来异常值的位置，这就是需要在SLS的图表中支持同时在一个图表中绘制曲线并标记点。接下来，我们一步步操作下，如何绘制异常点

以Trace为核心的根因分析概述

近期一直在学习和复现“根因分析”领域的相关文章，在这里跟大家一起分享下相关内容。这里不在赘述关于“可观测性”和“AIOps”的重要性和必要性，也不过多的陈述在“复杂系统”中进行快速根因诊断的必要性，直接进入到相关算法和系统设计部分。

智能巡检告警配置最佳实践

智能异常分析的检测结果通过 SLS 告警功能输出到用户配置的通知渠道。在智能巡检场景中，单个任务往往会巡检大量的实体对象，涉及到的对象规则很多，我们通过SLS新版告警可以实现较好的对于巡检事件的管理。

智能巡检告警配置最佳实践

智能异常分析的检测结果通过 SLS 告警功能输出到用户配置的通知渠道。在智能巡检场景中，单个任务往往会巡检大量的实体对象，涉及到的对象规则很多，我们通过SLS新版告警可以实现较好的对于巡检事件的管理。

智能巡检云监控指标的最佳实践

在真实的企业生产中，对研发和运维的同学都会面临一个十分繁复且艰难的问题，就是对指标的监控和告警。具体我枚举一些特定的问题请对号入座，看看在算力爆炸的时代能否通过算力和算法一起解决！

一分钟完成ECS机器数据的智能巡检告警

对于运维的日常工作来说，服务器监控是必须且最基础的一项内容。在企业基础设施运维过程中，管理员必须能够掌握所有服务器的运行状况，以便及时发现问题，尽可能减少故障的发生。本次主要介绍如何使用智能巡检，帮助您快速完成机器（ECS）相关指标的监控，降低您设置告警的复杂规则和冗余的设置。

一分钟完成访问数据的智能巡检告警

本篇文章主要介绍针对访问日志类型的数据如何使用SLS的智能巡检服务，通过简单的业务梳理和SQL的使用，就可以实现智能化的指标巡检。通过简单的告警配置，就可以让丰富的告警信息整体推送到您的钉钉机器人中，交互式的打标让您的巡检结果更满足您的业务场景。

AIOps：自适应机器学习异常检测

以下内容来自【2021阿里云开发者大会】中的内容分享，本次分享的题目是《AIOps：自适应机器学习异常检测》，该分享意在阐述机器学习算法在企业中的落地实践，通过算法和算力尽可能的提升企业运维人员的效率，为业务的快速发展保驾护航。

基于SLS中台的数据分析实战：带你玩转埋点数据

增长！增长！增长！业务增长是每一个创业者每天面临的最大问题。无论你的产品是APP，还是web，或者是小程序，只能不断的维持用户的增长，才能向资本市场讲出一个好故事，融资活下去。活到最后的产品，才有机会盈利。日志服务提供了强大的数据采集和分析的能力，然你轻松搞定运营分析数据，给业务插上一对翅膀！！！

SLS机器学习最佳实践：时序相似性分析

阿里云日志服务平台提供了针对DevOps和AIOps相关的一系列工具，涵盖了时序指标数据的异常检测、时序聚类、时序预测等相关方法。为降低使用的门槛，我们将算法整合到SQL中，让用户以最底的成本完成相关的配置。今天为您介绍时序聚类和时序相关性分析的最佳实践使用指南。

SLS机器学习最佳实践：时序异常检测

SLS机器学习介绍：时序补点和版本比较

在SLS中开启时序指标的智能巡检

时序图在SLS中的使用技巧

场景问题 通过SQL分析出实际场景中的数据，如果有数据缺失怎么办？ 在折线图中如果有一些显著的异常点，能否主动的标记出来？ 能否自定义某个观测指标的区间，在折线图中，添加区间的绘制能力？ 能否支持多张图表在相同的时间轴上的联动操作？ 基础数据的提取 假设我们现在有一个网站的访问日志，我们去找某个域名("aaa.aliyun.log.com")，访问的路径为("/account/query") 的分钟级别的流量，通过如下SQL，我们可以得到一条时序曲线，我们选择普通的折线图，我们可以发现，折线图中横坐标显示的比较凌乱，没有很好的适应数据本身对时间进行格式化。

读《SRE：Google运维解密》一点思考

## 0、为什么诞生SRE？ + 原因一：企业成本的增长通用户的增长不成线性变化。但是随着系统的复杂度提升，组建越来越多，用户的流量压力也越来越大，相关的变更也会越来越多，各模块之间的变更顺序也会越来越复杂。

基于数据流的异常检测：Robust Random Cut Forest

一、解决的问题 数据是实时产生的，对数据进行批处理所花费的成本太高了，数据产生的价值被低估 在高维数据下，如何能发现异常的维度？ If my time-series data with 30 features yields an unusually high anomaly score.

在SLS中快速实现异常巡检

一、相关算法研究 1.1 常见的开源算法 Yahoo：EGADS FaceBook：Prophet Baidu：Opprentice Twitter：Anomaly Detection Redhat：hawkular Ali+Tsinghua：Donut Tencent：Metis Numen...

SLS机器学习最佳实战：批量时序异常检测

如何快速的批量对监控系统中的多时序数据进行异常检测，如何对批量检测的结果进行快速的进行异常模式过滤？ 阿里云日志服务平台，可以让您通过简单的SQL就可以对上千条时序数据进行异常检测，同时快速的针对指定异常模式进行过滤，缩短用户对异常的排查时间。

SLS机器学习最佳实战：日志聚类+异常告警

围绕日志，挖掘其中更大价值，一直是我们团队所关注。在原有日志实时查询基础上，今年SLS在DevOps领域完善了如下功能： - 上下文查询 - 实时Tail和智能聚类，以提高问题调查效率 - 提供多种时序数据的异常检测和预测函数，来做更智能的检查和预测 - 数据分析的结果可视化 - 强大的告...

SLS机器学习最佳实战：根因分析（一）

通过算法，快速定位到某个宏观异常在微观粒度的具体表现形式，能够更好的帮助运营同学和运维同学分析大量异常，降低问题定位的时间。

SLS机器学习介绍（05）：时间序列预测

本文主要介绍了机器学习算法在时间序列预测领域的相关应用和实践，为了更好的适应复杂的实际业务场景，我们探索了小波变换在时序分析中的应用，通过引入小波操作，可以较好的剔除序列中的高频噪声，对序列的整体趋势把握的更好。

SLS机器学习介绍（04）：规则模式挖掘

利用模式挖掘中的算法（Apriori Tree、FP-Growth Tree）进行相关的模式挖掘。针对文本中的各个字段信息的统计模式，得到数据中的关联关系，将海量日志中有频繁的模式进行分析。同时可以针对不同的条件进行差异的模式分析，可以快速的辅助分析日志中的有价值信息。

SLS机器学习最佳实战：时序预测

通过分析序列进行合理预测，做到提前掌握未来的发展趋势，为业务决策提供依据，这也是决策科学化的前提。 时间序列就是按时间顺序排列的一组数据序列。时间序列分析就是发现这组数据的变动规律并用于预测的统计技术。

SLS机器学习最佳实战：时序异常检测和报警

日志服务团队具备强大的日志采集功能，针对建立索引的日志进行快速的查询和分析能力。基于此，我们团队将时序数据分析功能整合到日志服务中去，结合更加强大的告警功能，帮助用户根据自己的业务需求，快速的构建报警规则，提高效率。

SLS机器学习介绍（03）：时序异常检测建模

虽然计算机软硬件的快速发展已经极大提高了应用程序的可靠性，但是在大型集群中仍然存在大量的软件错误和硬件故障。系统要求7x24小时不间断运行，因此，对这些系统进行持续监控至关重要。这就要求我们就被从系统中持续采集系统运行日志，业务运行日志的能力，并能快速的分析和监控当前状态曲线的异常，一旦发现异常，能第一时间将信息送到相关人员手中。

SLS机器学习介绍（02）：时序聚类建模

在大型互联网企业中，对海量KPI（关键性能指标）进行监控和异常检测是确保服务质量和可靠性的重要手段。基于互联网的服务型企业（如线上购物、社交网络、搜索引擎等）通过监控各种系统及应用的数以万计的KPI（如CPU利用率、每秒请求量等）来确保服务可靠性。

SLS机器学习介绍（01）：时序统计建模

时序数据是业务监控中最多方法，双十一大盘、业务监控系统、系统性能平台等都可以看到他的身影。为了更好的在日志服务平台中，针对时序数据进行进行较好的分析和交互，本团队针对单时序数据数据的各种场景，开发了相应的时序数据处理算法，可直接嵌入在标准的MySQL语法中使用，降低了用户对这类算法的使用难度，提供更好的服务。