01
运维系统概述
什么是自主运维 · AIOps发展历程 · 模型训练在运维中的价值
概念AIOps
02
数据采集与清洗
日志/指标采集 · 数据清洗标准化 · 数据标注基础
采集清洗
03
特征工程入门
特征提取/选择 · 时间序列构造 · 特征降维
特征降维
04
异常检测模型
统计/机器学习/深度学习异常检测 · 评估指标
异常模型
05
故障预测与定位
故障预测 · 根因分析 · 关联规则 · 因果推断
故障根因
06
模型训练与调优
数据集划分 · 超参数调优 · 过拟合处理 · 模型部署
调优部署
07
运维知识图谱
知识图谱概念 · 实体关系抽取 · 图数据库 · 知识推理
知识图谱推理
08
强化学习在运维中的应用
强化学习基础 · 状态动作设计 · 奖励函数 · 自动扩缩容
强化学习调度
09
模型监控与持续学习
模型漂移检测 · 在线学习 · 回滚机制
监控持续学习
10
端到端运维实战
需求分析 · 数据管道 · 模型选型 · 系统集成 · 看板设计
实战全流程
11
日志异常检测实战
日志解析 · 序列建模 · CNN/RNN · 多模态分析
日志深度学习
12
指标异常检测实战
周期性处理 · 趋势分解 · Prophet · LSTM异常检测
指标预测
13
调用链分析与根因定位
分布式追踪 · 数据采集 · 拓扑图 · 随机游走根因
调用链根因
14
容量规划与资源预测
容量方法论 · 资源预测 · 时间序列 · 弹性伸缩
容量预测
15
智能告警与降噪
告警聚合 · 关联分析 · 优先级排序 · 自愈自动化
告警降噪
16
运维大模型应用
大模型场景 · RAG知识问答 · 指令生成 · 微调实践
大模型RAG
17
数据湖与特征存储
数据湖架构 · Feast选型 · 实时特征 · 特征服务化
数据湖特征
18
模型可解释性
SHAP/LIME · 特征重要性 · 决策可视化 · 运维价值
可解释SHAP
19
联邦学习在运维中的应用
联邦学习基础 · 隐私保护 · 跨组织训练 · 异构融合
联邦学习隐私
20
运维数据合成与增强
不平衡处理 · SMOTE/ADASYN · GAN生成 · 时序增强
增强GAN
21
图神经网络在运维中的应用
GNN基础 · 节点分类 · 图异常检测 · 拓扑分析
图神经网络拓扑
22
时间序列基础
平稳性 · 差分 · 自相关 · ARIMA等经典模型
时间序列ARIMA
23
深度学习时间序列模型
RNN/LSTM · TCN · Transformer · Informer
深度学习时序
24
模型压缩与边缘部署
剪枝 · 量化 · 知识蒸馏 · ONNX/TensorRT · 边缘推理
压缩边缘
25
运维数据治理
数据质量 · 血缘追踪 · 元数据管理 · 生命周期
治理元数据
26
混沌工程与模型鲁棒性
混沌原则 · 故障注入 · 鲁棒性测试 · 对抗防御
混沌鲁棒性
27
多任务学习与迁移学习
多任务架构 · 共享表示 · 迁移学习 · 领域自适应
多任务迁移
28
运维自动化决策
规则/模型决策 · 决策树 · 随机森林 · 贝叶斯优化
决策自动化
29
模型版本管理与实验追踪
MLflow/Kubeflow · 实验对比 · 模型注册 · A/B测试
版本MLflow
30
运维模型安全与合规
模型攻击防御 · 差分隐私 · GDPR合规 · 审计溯源
安全合规