01
智能运维概述
AIOps的定义、发展历程、核心价值与挑战。
概念演进
02
运维数据采集
日志、指标、调用链、事件数据的采集方法与工具。
日志指标工具
03
数据预处理
数据清洗、缺失值处理、异常值检测、数据标准化。
清洗标准化
04
特征工程
时间窗口特征、统计特征、频域特征、特征选择方法。
特征提取选择
05
异常检测基础
统计方法（3Sigma、箱线图）、距离方法（KNN、LOF）。
统计距离
06
时序异常检测
移动平均、指数平滑、ARIMA、季节性分解。
时序ARIMA
07
机器学习异常检测
孤立森林、One‑Class SVM、基于重构的方法。
孤立森林SVM
08
深度学习异常检测
自编码器、LSTM、时序卷积网络（TCN）。
AutoencoderLSTM
09
告警降噪
告警关联分析、告警压缩、根因定位初步。
关联压缩
10
根因分析
基于拓扑的根因定位、基于因果推断的根因分析。
拓扑因果
11
故障预测
基于时间序列的故障预测、基于生存分析的故障预测。
预测生存分析
12
容量预测
资源使用趋势预测、弹性伸缩策略。
容量弹性
13
智能运维模型评估
准确率、召回率、F1、ROC‑AUC、PR‑AUC、MSE、MAE。
指标评估
14
模型训练环境搭建
Python环境、PyTorch/TensorFlow、MLflow、Docker。
环境MLflow
15
模型训练流程
数据加载、模型定义、损失函数、优化器、训练循环、保存。
流程训练
16
模型调优
超参数搜索（网格/随机/贝叶斯）、正则化、早停。
调优早停
17
模型版本管理
MLflow Tracking、DVC、Git LFS。
版本DVC
18
模型部署架构
实时推理（REST API、gRPC）、批处理、流式推理。
架构推理
19
模型服务化
Flask/FastAPI部署、TensorFlow Serving、TorchServe、ONNX Runtime。
服务ONNX
20
模型容器化
Dockerfile编写、多阶段构建、镜像优化。
Docker镜像
21
模型编排与调度
Kubernetes基础、Deployment、Service、Ingress、HPA。
K8sHPA
22
模型监控
模型漂移检测（数据/概念漂移）、性能监控、日志监控。
漂移监控
23
模型A/B测试
流量切分、实验设计、评估指标、回滚策略。
A/B实验
24
模型安全
对抗攻击、模型窃取、数据投毒、防御策略。
安全防御
25
智能运维平台架构
数据层、算法层、服务层、应用层设计。
架构分层
26
端到端实战：日志异常检测
日志异常检测模型从训练到部署全流程。
实战日志
27
端到端实战：指标异常检测
指标异常检测与告警系统搭建。
指标告警
28
端到端实战：根因分析系统
基于调用链的根因分析系统。
调用链根因
29
智能运维最佳实践
踩坑总结、性能优化、成本控制。
实践优化
30
未来展望
大模型在AIOps中的应用、AIOps与FinOps结合、发展趋势。
大模型FinOps