数据库运维的那些难题，我们用机器学习解决了

这种要领确实会镌汰一部门告警，可是尚有一些显而易见的告警可以通过拟定法则的要领来实现进一步的告警收敛。好比统一个集群内的数据库都呈现了ping不通的题目，，又好比统一个网段内的全部IP流量突增，就可以将这些告警整合后再发送。

而在AIOps期间，告警收敛和根因说明每每是一路举办的。

和根因说明要领二相同，我们可以先获取告警项集数据，并提取频仍项。假如在频仍告警项齐集，告警A和告警B常常一路呈现而且在A呈现的时刻比B早，则在邮件告警中，我们可以忽略B告警，只将A告警推送给运维职员。

差异场景下的告警收敛有着差异的需求，和AIOps对比，传统的告警收敛要领越发简朴和高效，基于法则的要领也具有很强的拓展性息争释性；而AIOps却能发掘出我们操作知识和履历无法发明的关联项并举办告警收敛。

四、容量猜测

容量猜测在数据库运维中的许多处所都应用着，差异的应用场景有差异的特征，我们很难找到一个模子去顺应全部的数据。

在容量猜测上，我们的典范应用是数据库DB_SIZE容量猜测，数据库容量具有总体上升、无纪律、颠簸大的特点。对数据库容量举办公道的猜测，短期可以提前发明也许的妨碍，举办主动提防和提前办理，无需在题目产生时被动处理赏罚；恒久可以举办公道的容量筹划和资源分派。

最开始，我们想到的是线性回归加上简朴的数据预处理赏罚，可是功效异常不抱负。因为营业局限的落差，差异数据库的容量有着很大的不同，而且在数据库举办导表，扩容等操纵时，线性拟合可能非线性拟合的结果不尽人意。

显然，传统的线性回归要领固然简朴，可是猜测结果较差，不能满意要求。为了办理这一题目，我们将容量数据举办了分类，分为周期型和突升突降型，分类的要领可以回收统计要领，也可以行使聚类或分类的要领。

对付周期型数据，我们可以以为着实线性可拟合的，由于在总体上升的趋势上，周期型的数据在周期内的增添值是线性递增的。对付这种范例的数据，我们可以回收线性回归的呆板进修要领来对数据库容量举办猜测。

周期型数据

而对付突增突降型的数据，线性拟合结果较差，这时我们行使环比增量求和的要领，求得汗青数据中礼拜一到礼拜天的详细天天增量的加权均匀值；再将这个增量应用到猜测中。和纯真的线性拟合要领对比，这种要领的精确性进步了许多，均匀猜测数据的均方残差缩小了近一倍。

突升突降型数据

以上四个应用场景的技能开辟都是致力于通过AI让运维越发高效，让更多的妨碍可以被提前发明息争决。关于AIOps，我们尚有许多对象可以去实行和试探，如智能问答呆板人、日记齐集说明平台等，后续有相干成就再与各人分享。

【编辑保举】

1. 梁堰波：数据发掘与呆板进修算法
2. 呆板进修机制正在崛起
3. 浅谈呆板进修中的线性回归
4. 挨踢部落坐诊第六期：呆板进修怎样判定突发环境？
5. 通过呆板进修来自动调优数据库

（编辑：湖南网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!