智能运维之道 基于AI技术的应用实践

系统总结智能化运维的过程及方法，展现中国智慧剖析十二大智能化运维真实场景案例，分享人工智能技术应用实践经验

   本书是一本介绍智能运维的实战指南，聚焦实际应用场景，通过十余个实战案例，详细讲解每个场景中的痛点、适用的算法、试验和最终方案，系统介绍了AI技术在运维工作中的应用。本书内容分为3部分，第1部分是智能运维、人工智能的概念和发展趋势，包括第1、2章；第2部分是智能运维中需要用到的人工智能技术和算法，包括第3、4、5章；第3部分是智能运维实战案例，包括第6~11章。
本书适合从事企业数字化转型建设工作的一线从业者、管理者，尤其适合在ICT领域从事运维工作的人员学习。

钱兵，现任中国电信研究院 AI 研发中心能力研发总监、AI创新工作室负责人，美国营销国际协会大数据营销专家讲师，高校外聘专家讲师，发表SCI/EI/核心论文多篇。拥有10多年数据分析和挖掘工作经验，目前主要从事人工智能和大数据技术在网络 AI、泛娱乐大数据、商业地理洞察等领域的研发工作。

第1章智能运维概述
1.1智能运维的概念
1.1.1运维与运营的区别
1.1.2智能运维与开发运维的区别
1.2智能运维的发展历程及趋势
1.2.1推动运维工作发展的内外部力量
1.2.2智能运维的发展历程
1.2.3智能运维未来发展趋势
1.3智能运维应用场景
1.3.1异常检测
1.3.2根因诊断
1.3.3故障自愈
1.3.4事件预警
1.3.5效能优化第2章人工智能技术概述
2.1人工智能的概念及发展历程
2.2人工智能的核心技术
2.2.1机器学习
2.2.2深度学习
2.2.3自然语言处理
2.2.4知识工程
2.2.5机器人
2.3人工智能技术的应用领域及发展趋势
2.3.1人工智能应用领域
2.3.2人工智能发展趋势第3章智能运维中的关键技术
3.1数据处理技术
3.1.1数据离线技术及数据存储技术
3.1.2数据实时计算及快速响应技术
3.1.3数据采集及辅助处理技术
3.1.4大数据技术在智能运维领域面临的挑战
3.2知识图谱
3.2.1知识图谱的基本概念
3.2.2一般知识图谱的构建流程
3.2.3知识图谱在智能运维中的应用
3.3自然语言处理
3.3.1领域短语挖掘
3.3.2同义词匹配
3.3.3命名实体识别
第4章智能运维中的常用算法
4.1异常检测算法
4.1.1基于概率模型的检测方法
4.1.2基于邻近度的检测方法
4.1.3基于分类的检测方法
4.1.4基于专家经验的综合评价方法
4.2根因诊断算法
4.2.1数据驱动的根因诊断
4.2.2基于领域知识的根因诊断
4.3趋势预测算法
4.3.1数据特征
4.3.2基于统计方法的线性预测模型
4.3.3基于机器学习的非线性预测模型
4.4事物分类算法
4.4.1传统事物分类算法
4.4.2事物分类算法新进展第5章智能运维——从数据预处理开始
5.1结构化数据质量监控与预处理
5.1.1结构化数据质量监控
5.1.2结构化数据预处理技术
5.2文本数据预处理与标注
5.2.1数据清洗
5.2.2数据标注
5.3图片数据预处理与标注
5.3.1智能运维中的视觉任务
5.3.2图像标注工具第6章应用聚类算法实现网元智能分类
6.1LTE网元分类存在的问题
6.2网元分类算法设计
6.2.1数据与关键指标选取
6.2.2数据清洗及平稳性检验
6.2.3特征生成与选择
6.2.4聚类算法
6.3网元初始聚类结果
6.3.1平稳性检验结果
6.3.2主成分分析结果
6.3.3聚类结果
6.4基于改进后聚类算法的网元分类结果
6.4.1原有聚类方法的改进点
6.4.2数据预处理
6.4.3特征提取
6.4.4算法设计
6.4.5聚类效果
6.4.6小结第7章应用有监督无监督算法实现异常检测
7.1单指标异常波动检测
7.1.1异常波动检测的概念
7.1.2基于统计分布的检测算法
7.1.3其他检测算法
7.2单指标异常检测
7.2.1适用单指标异常检测的算法
7.2.2算法计算结果
7.2.3小结
7.3多指标异常检测
7.3.1基于有监督算法与无监督算法相
结合检测
7.3.2基于深度学习检测
7.3.3基于专家经验的综合评价法检测
第8章应用知识图谱解决网元异常问题
8.1网元异常诊断的传统方案
8.2网元异常诊断知识图谱
8.2.1知识表示与数据获取
8.2.2实体关系的抽取与对齐
8.2.3知识图谱的建立
8.2.4知识图谱的应用
8.3应用知识图谱的成效第9章应用时序模型实现长短期趋势预测
9.1短周期预测：未来五分钟IPTV
播放用户数的预测
9.1.1背景介绍
9.1.2算法选择
9.1.3参数选择
9.1.4计算结果
9.1.5小结
9.2中周期预测：未来一周网络流量
变化的预测
9.2.1算法选择
9.2.2数据预处理
9.2.3计算结果
9.2.4小结
9.3长周期预测：基站扩缩容
预测
9.3.1算法设计
9.3.2数据预处理
9.3.3特征工程
9.3.4计算结果
9.3.5小结第10章应用分类预测模型实现质差设备预见性识别
10.1物联网NB业务质差预测
10.1.1需要解决的问题
10.1.2方案设计
10.1.3应用效果
10.1.4小结
10.2网络设备隐患预测
10.2.1背景介绍
10.2.2面临的挑战
10.2.3在特征较少的条件下进行预测
10.2.4在数据粒度较细的条件下进行预测
10.2.5小结第11章应用因果分析实现故障根因定位
11.1物联网NB业务根因的因果分析
11.1.1背景介绍
11.1.2面临的挑战
11.1.3算法实现
11.1.4应用效果
11.1.5小结
11.2IPTV设备根因的因果分析
11.2.1背景介绍
11.2.2算法实现
11.2.3应用效果
11.2.4小结
参考文献