AI故障预测与智能运维系统搭建

📚 共计 30 章节

课程导论与系统全景

AI故障预测与智能运维（AIOps）的定义、发展历程、核心价值与行业应用场景。

运维数据采集与治理

多源数据（日志、指标、调用链）采集方法、数据清洗、标准化与存储策略。

数据工程ETL

时间序列分析基础

时间序列概念、平稳性检验、自相关与偏自相关函数、经典分解模型。

异常检测算法（一）

基于统计的方法（3-Sigma、Grubbs检验、MAD）与基于距离的方法（KNN、LOF）。

异常检测算法（二）

基于树的方法（孤立森林）与基于深度学习的方法（AutoEncoder、LSTM-AE）。

树模型深度

故障根因分析（RCA）

相关性分析、格兰杰因果检验、PC算法与随机游走模型。

因果图算法

故障预测模型

基于回归的预测（ARIMA、Prophet）与基于分类的预测（XGBoost、LightGBM）。

深度学习在AIOps中的应用

LSTM、GRU、Transformer在时序预测与异常检测中的实战。

深度学习时序

告警降噪与关联分析

告警风暴处理、基于时间窗口的关联规则、频繁项集挖掘（Apriori、FP-Growth）。

智能运维知识图谱构建

实体识别、关系抽取、图数据库（Neo4j）存储与查询。

知识图谱Neo4j

模型训练与评估

数据集划分、交叉验证、评估指标（Precision、Recall、F1、AUC-ROC）与模型调优。

特征工程实战

特征提取（统计特征、频域特征）、特征选择（过滤法、包裹法、嵌入法）与特征降维（PCA、t-SNE）。

数据管道与ETL工程

Apache Kafka消息队列、Flink流处理、Airflow工作流调度。

流处理调度

模型部署与服务化

Flask/FastAPI模型API封装、Docker容器化、Kubernetes编排。

实时推理引擎搭建

基于Spark Streaming或Flink的在线推理架构设计与实现。

AIOps平台架构设计

微服务架构、前后端分离、数据中台与算法中台设计。

可视化与监控大屏

Grafana、Kibana、ECharts实现运维数据可视化与实时监控。

可视化大屏

自动化运维（AutoOps）

基于规则的自动化、ChatOps与事件驱动的自动化运维。

自动化ChatOps

混沌工程与系统韧性

混沌工程原则、Chaos Monkey实践、故障注入与系统弹性测试。

容量规划与资源优化

基于历史数据的容量预测、弹性伸缩策略与成本优化。

安全运维与智能风控

异常登录检测、DDoS攻击识别、数据泄露预警模型。

多模态数据融合

文本日志、数值指标与图像数据的联合分析与建模。

多模态融合

联邦学习在运维中的应用

隐私保护下的跨部门/跨数据中心模型训练。

联邦学习隐私

强化学习在资源调度中的应用

基于DQN、PPO的集群资源动态调度。

强化学习调度

AIOps成熟度模型

从人工运维到智能化运维的演进路径与评估标准。

成熟度演进

项目实战（一）

基于公开数据集（如NASA Turbofan）构建故障预测系统。

实战故障预测

项目实战（二）

搭建完整的告警关联与根因分析系统。

项目实战（三）

构建实时异常检测与自动修复流水线。

实战自动修复

前沿技术探索

LLM（大语言模型）在运维领域的应用、AIOps与DevSecOps融合。

课程总结与职业发展

AIOps工程师技能树、认证路径与行业趋势展望。