AIOps算法
包括指标趋势预测、指标聚类、多指标联动关联挖掘、指标与事件关联挖掘、事件与事件关联挖掘、故障传播关系挖掘。
1.指标趋势预测
通过分析指标历史数据，判断未来一段时间指标趋势及预测值，常 见有 Holt-Winters、时序数据分解、ARIMA 等算法。该算法技术可用于异常检测、 容量预测、容量规划等场景。
2.指标聚类
根据曲线的相似度把多个 KPI 聚成多个类别。该算法技术可以应用于大规模的指标异常检测：在同一指标类别里采用同样的异常检测算法及参数，大幅降低训练和检测开销。常见的算法有 DBSCAN, K-medoids, CLARANS 等，应用的挑战是数据量大，曲线模式复杂。
3.多指标联动关联挖掘
多指标联动分析判断多个指标是否经常一起波动或增长。该算法技术可用于构建故障传播关系，从而应用于故障诊断。常见的算法有 Pearsoncorrelation, Spearman correlation, Kendall correlation 等，应用的挑战为 KPI种类繁多，关联关系复杂。
4.指标与事件关联挖掘
自动挖掘文本数据中的事件与指标之间的关联关系（ 比如在程序 A 每次启动的时候 CPU 利用率就上一个台阶）。该算法技术可用于构建故障传播关系，从而应用于故障诊断。常见的算法有 Pearson correlation, J-measure,Two-sample test 等，应用的挑战为事件和 KPI 种类繁多，KPI 测量时间粒度过粗会导致判断相关、先后、单调关系困难。
5.事件与事件关联挖掘
分析异常事件之间的关联关系，把历史上经常一起发生的事件关联在一起。该算法技术可用于构建故障传播关系，从而应用于故障诊断。常见的算法有 FP-Growth, Apriori，随机森林等，但前ᨀ是异常检测需要准确可靠。
6.故障传播关系挖掘
融合文本数据与指标数据，基于上述多指标联动关联挖掘、指标与事件关联挖掘、事件与事件关联挖掘等技术、由 tracing 推导出的模块调用关系图、辅以服务器与网络拓扑，构建组件之间的故障传播关系。该算法技术可以应用于故障诊断，其有效性主要取决于其基于的其它技术。