APMCon 2017｜清华裴丹：智能运维如何落地

清华大学计算机系副教授、智能运维算法专家—裴丹于APMCon 2017大会主论坛发表了题为《智能运维中的科研问题》的演讲，现场解读了在智能运维领域，工业界与学术界间合作的重要性以及智能运维如何落地的思路。

以下为演讲实录：

裴丹：大家好，我是裴丹。今天非常荣幸有此机会跟大家分享一下我在智能运维科研领域的一些思考。我做了十几年的运维，之前在AT&T、百度以及其它公司成功地解决了一系列运维难题。从去年开始，我着手于将智能运维中的算法在更广泛的范围落地。当然，在这个过程中我遇到了一些挑战，也有了一些思考。所以，今天主要跟大家分享一下我的一些思考结果 。

为什么有这样一个题目(《智能运维中的科研问题》)呢?为什么在这个场合讲科研问题呢?这其实是我思考的结果。我认为，在目前这个阶段，智能运维科研想要继续往前推进并取得更好的成果，我们需要把智能运维里的一些关键算法定义好、分解好。这是我们智能运维落地的一个关键步骤和手段。

我今天报告的主旨主要有两点。第一，现在智能运维很热门、很火爆，大家都感兴趣。据我总结，智能运维落地的核心挑战是：从工业界的角度，我们有数据、有应用，但是缺乏一些算法和经验;从学术界的角度，我们有不少理论算法，但是缺乏实际的数据以支持科学研究，也不熟悉运维的场景。尽管我已经工业界和学术界的合作方面有了很多实践，但我切身感受到，相对来说，这种一对一的交流效率比较低，且见效慢，特别不符合当前的开源开放的趋势。

我的解决思路是，以科研问题为导向，将我们在智能运维领域需要解决的一系列挑战性的问题，定义成切实可行的科研问题。这样，就有明确的输入和输出。在这种情况下，如果我们的企业能够拥抱开源开放的趋势，把数据开源出来，就能让学术界更多的研究人员参与到研究智能运维有关的算法中来——这就是我今天演讲的主旨。40分钟的演讲结束后，如果大家能够记住这几点，那么我的演讲就是成功的。

一、智能运维的发展历程

我们大家都知道，在运维发展的过程中，最早出现的是手工运维;在大量的自动化脚本产生后，就有了自动化的运维;后来又出现了DevOps和智能运维。在运维的过程中，涉及到的步骤可以概括为：产生海量的监测日志，进行分析决策，并通过自动化的脚本进行控制。运维的发展过程，主要是分析决策步骤发生了变化：起初，由人工决策分析;后来，在采集数据的基础上，使用自动化的脚本进行决策分析;最后，用机器学习方法做决策分析。

根据Gartner Report，智能运维相关的技术产业处于上升期。2016年，AIOps的部署率低于5%，Gartner预计2019年AIOps的全球部署率可以达到25%。所以，AIOps的前景一片光明。

如果AIOps普遍部署之后会是什么样的呢?现在做运维的同学们会变成怎样?

从机器的角度，基础性、重复性的运维工作都交给计算机来做了;同时，机器通过机器学习算法为复杂的问题提供决策的建议，然后向运维专家学习解决复杂问题的思路。从运维专家的角度，运维专家主要处理运维过程中的难题，同时基于机器建议给出决策和训练机器徒弟。运维工程师将逐渐转型为大数据工程师，主要负责开发数据采集程序以及自动化执行脚本，负责搭建大数据基础架构，同时高效实现基于机器学习的算法。机器学习科学家主要负责AI的落地应用。智能运维领域相对于其它AI应用领域的优势在于，我们不仅有大量的应用数据，而且有实际的应用场景和部署环境。因此，人工智能在计算机视觉、自然语言理解、语音识别之外，又多了一个落地应用——这是一座尚未开采的金矿。

1、智能运维科研门槛高-工业界

一般有“前景光明”、“前途光明”这些词的时候，下面跟着的就是“道路曲折”。实际上，智能运维是一个门槛很高的工作。为什么呢?因为智能运维需要三方面的知识：

第一，我们要熟悉应用的行业，比如说互联网、电信或者相对传统的行业，如金融、电力等等。

第二，我们要熟悉运维相关的场景，包括异常检测、故障预测、瓶颈分析、容量预测等。

第三，虽然工业界熟悉运维行业和场景，熟悉生产实践中的挑战，也有数据。但是，工业界并不熟悉整个智能运维中最重要的部分——如何把实际问题转化为算法问题(后面会讲到如何把实践中的难题分解成多个算法并逐个解决)。同时，工业界也不太熟悉查阅科研文献，特别是跨行业的文献。因此，智能运维是一个需要三方面领域知识结合的高门槛领域。

所以，我想通过自己的一些努力，来降低工业界部署智能运维的门槛。比如，我们清华的实验室运营了一个微信公众号，叫做“智能运维前沿”。我们基本上两三周推出一篇公众号文章，介绍世界范围内智能运维的前沿进展。这是“智能运维前沿”公众号关注人数的增长情况。我们有一篇公众号文章被阅读了超过2000次，转载之后又有5000次阅读。这是我们共同努力的结果。

在智能运维文献里有几十种常见的基础算法。但是，工业界并不熟悉这些算法。所以，我们利用微信公众号介绍这些算法。下面我将介绍一个例子——通过机器学习方法提升视频流媒体的用户体验和观看时长。

这是一位CMU教授的系列文章。这位教授在一个做视频分发的创业公司做了若干工作。2011年，他在学术界发表了一篇文章。这一工作比较简单，主要为了提升用户观看流媒体的体验，其中用到了相关分析、线性回归、信息增益等简单算法。2013年，该教授基于网络行为数据和性能数据，使用决策树方法预测用户的观看时长。该教授于2017年发表了一篇新的文章，将视频质量的实时优化问题转化为一种基础的强化学习问题，并使用上限置信区间算法有效解决了这一问题。

2、智能运维科研门槛高-学术界

在学术界中，很少有人做智能运维方向。这是因为，对于学术界来说，进入到智能运维这一科研领域具有很强的挑战性。为什么呢?

虽然学术界研究人员的算法能力相对较强，但是他们往往不熟悉行业和运维领域的相关知识。而智能运维处于三个领域的交叉部分。这就导致智能运维的门槛比较高，需要花大量的时间和精力才能进入智能运维领域。

前面讲了如何降低工业界进入智能运维的门槛。同时，我也做了一些工作，以降低学术界进入智能运维领域的门槛。例如，我应邀在《中国计算机学会通讯》上发表文章，向学术界的同行介绍智能运维中的科研问题。

但是，仅仅宣传是远远不够的，我们还要实践。去年，我在第一届APMCon会议上做了报告，讲述了当时和百度合作的三个案例，包括异常检测、瓶颈分析以及智能熔断。这种公开的宣传给我自己带来了很多新的合作。除了与百度的合作，我们清华实验室相继与滴滴、搜狗、阿里巴巴、腾讯签署了正式的合作协议。这验证我的在去年我在APMCon上演讲的观点：工业界可以获得算法层面的深度支持，学术界可以获得现实世界的前沿问题和数据，有利于发表论文和申请国家项目。

二、工业界-学术界合作

1.0：一对一交流合作

但是，现在这种工业界跟学术界的合作方式，还处于1.0阶段，即一对一的交流。在这个过程中，我们遇到了诸多挑战。

1、交流合作效率低，见效慢。比如说我是这个教授，我跟A公司讨论一下，再跟B公司讨论一下。很多情况下，不同公司遇到的问题都是类似的，比如异常检测。但是，我需要跟每个公司梳理一遍这些问题。C公司可能不知道我，就找另外一位教授，他依然需要梳理这些问题。这就大大降低了交流合作的效率。我们知道，科研最难的部分，就是把一个实践中的问题定义好。当定义好问题之后，只要数据准备好，其他问题都可以迎刃而解。

2、智能运维算法不幸成了特权。因为很少有教授愿意去做这种一对一交流，而愿意或有渠道和学校科研人员沟通交流的公司也不多。这就导致，在国外，只有少数大公司和教授才能合作。比如，目前只有Google、 Microsoft、Linkedin、Facebook、雅虎等大公司发表过智能运维有关的论文。

3、涉及知识产权，不符合开源大趋势。因为一对一的合作需要签署涉及知识产权的协议，不符合开源的大趋势。

2.0：开源开放

1对1交流效率低，那具体应该怎么做呢?我们希望拥抱开源开放的文化，形成工业界与学术界合作的2.0。

开源开放的大趋势已经对工业界和学术界产生了巨大的影响。大家耳熟能详的Hadoop、Ecosystem、TensorFlow等，都是开源开放的产物。在算法层面，当前有arXiv共享算法(论文)平台，和Github代码共享;在数据层面，imageNet等数据共享平台对机器学习算法的研究起到了巨大的推动作用;在计算能力层面，各大公司都建立了AI云;在人才层面，我们也可以看到，学术界和工业界的人才流动比原来顺畅多了。

所以，我们的基本思路是，希望能够建立智能运维的问题库。具体的，我们尝试把运维的常见问题梳理出来，并存储到一个问题库里。这样的话，对于缺乏智能运维背景知识的科研人员，在问题的输入、输出、数据集齐全的前提下，可以很容易地着手解决问题库中的科研问题。对于做运维实践的工业界的同学们，当遇到实际的问题时，可以查询问题库中的解决方案。

这一思路受到了斯坦福教授李飞飞的影响。她最近在宣传普世化AI的思路——让所有人都可以使用AI。李飞飞教授建立的 imageNet上面有1000多万张图片的分类标注数据。在2012年Hinton教授提出了一种基于CNN的图片分类算法，取得比以往最好结果高好几个百分点的结果， 引起了深度学习的复兴。现在，她同时兼任Google机器学习部门的负责人。她在宣传普世化AI思路时，提到普世化有四个基本点：计算能力、数据、算法、人才。这四个基本点跟我们要落地智能运维所遇到的挑战是一样的。 因为我们也需要用到机器学习和AI的技术来解决智能运维中的挑战性问题。

除了问题库，学术界还需要数据集。此外，工业界最好能提供云计算资源，让学术界提供的算法在云端跑。数据公开后，学术界可以公布训练好的算法，工业界就可以直接使用这些算法。在人才方面，工业界可以与学术界合作。同时，那些参与我们的智能运维算法大赛且排名靠前的学生，也可以成为工业界的人才储备。最终，我们希望所有的公司都能用上最好的智能运维算法。

三、分解定义智能运维中的科研问题

下面分解定义一下智能运维中的科研问题。由于时间关系，我只能概述算法的特性。

为什么我们要定义科研问题呢?对于科研工作者来说，类似Gartner Report 中列举的智能运维问题太宽泛。首先，科研问题需要清晰的输入，并且数据是可以获得的;其次，科研问题要有清晰的输出，并且输出的目标要切实可行;再次，科研问题要有高层面的技术路线图，以及参考文献;最后，非智能运维领域的学术界要能理解该科研问题。

这是我们已经梳理出来的一些科研问题。我将用后面的时间来解释一下这些算法。这些算法分为三种种：第一种算法是相对独立的基础模块，面临的挑战较少，可以直接落地;第二种算法依赖于其他的算法，我们需要把这些算法分解成一个个切实可行的解决问题。 第三种是把非常难的问题降低要求和难度，“退而求其次”。

1、基础模块

先讲一下基础模块。基础模块是相对独立并能够落地的。

A、 KPI瓶颈分析算法

我介绍的第一个基础模块算法是KPI瓶颈分析算法。在智能运维领域和APM领域，我们收集了很多的数据，数据的形式有KPI时间序列、日志等。假如打开一个页面的响应时间(首屏时间)是我们的KPI，当首屏时间不理想、不满意时，我们希望能够找出哪些条件的组合导致了首屏时间不理想。这就是我们要解决的KPI瓶颈分析的定义。该问题的输入为一张又宽又长的表，其中包含KPI和影响到KPI的多维属性。 输出为可能影响KPI性能的属性组合。这一科研问题具有广泛的应用场景，包括首屏时间、应用加载时间、软件报错、视频传输用户体验等。在具体应用时，这一科研问题面临着诸多挑战：搜索的空间巨大;不属性之间可能存在关联关系，导致用简单的分析方法是不可行的。KPI瓶颈分析的常用基础算法有：决策树、聚类树(CLTree)、层次聚类。

B、 故障预测算法

我介绍的第二个基础模块算法，是我们最近跟百度系统部合作的一个案例——交换机故障预测。在交换机故障之前，我们可以从交换机日志中提取一些预示故障的信号。如果找到这些信号，我们就可以提前两小时预测出交换机故障。故障预测的应用场景还包括硬盘故障预测、服务器故障预测等，使用到的算法包括隐式马尔科夫模型、支持向量机，随机森林等。

在具体应用时，故障预测面临着一些挑战。训练故障预测模型的数据需要足够多，但往往实践中的故障案例比较少。虽然日志量很大，但日志中的有益信息相对较少。我们已经实现了切实可行的系统，且已经在百度运行。

2、庖丁解牛

当我们应用层出现问题的时候，我们希望找到问题的原因。这里要解决的问题都描述过了，常用的根因分析算法有基于故障传播链的、有基于概率图模型的。这里我们对基于故障传播链的的思路来庖丁解牛。

假如说我们有这样的故障传播链，同时又对事件有很好的监测和准确的报警，那根因的分析就简单了。因为只需要顺着故障传播链各个报警找，找到最后一个就是根因。这其中有两个关键的步骤，一个是KPI异常检测，另一个是故障传播链，下面会详细介绍这两部分。

A、异常检测

首先是异常检测，很多算法是基于KPI的趋势预测的，还有一些算法是基于机器学习的，机器学习的算法需要有标注。而标注会给运维人员带来很多开销，所以能不能做一些工作减少标注的开销呢?这其中就包括相似异常的查找，运维人员标一个异常后，能不能自动地把相似的、相关的异常都找出来? 以上是对异常检测问题的简单分解，后面会更详细的说明。

异常检测的问题定义很简单，就是对于这样的KPI曲线随着时间有周期性的变化，当它发生异常的时候能够快速准确的报警，它的常见的算法有：基于窗口，基于预测，基于近似性，基于隐式马尔可夫模型，也有机器学习，集成学习，迁移学习，深度学习，深度生成模型等等。

异常检测所面对的挑战就是KPI种类各异，如果基于趋势预测算法，调整算法参数费时费力，同时需要人工标注，人工标注也可能不准确。

我们再分解一下，刚刚提到了异常检测的一种思路是基于KPI趋势预测。KPI趋势预测就是通过时序数据的算法能预测出来KPI将来一段时间是什么样的，取什么值，常见的算法有ARIMA、EWMA、Holt-Winters、时序数据分解、RNN等。主要挑战包括突发事件的影响、节假日的影响、数据不规则的影响，最重要的就是大家对异常的定义不一样，会有主观的因素，最后导致这些算法很难调。

异常检测的另外一个思路基于机器学习来做， 但是这种方法通常都需要标注，而标注是需要消耗人力资源的。并且如果标注不全或不准确，这个机器学习模型的效果就会打折扣。我们把减少异常标注的工作分解一下，在同一条曲线内找相似的异常，跨KPI找异常。

KPI相似异常查找是在KPI内找异常，运维人员标注异常，然后算法以标注的异常为模块，在曲线上找出类似的其他的异常，这样就能减少标注开销，例如图中的红色部分即为标注，输出为其它类似的异常。常用基本算法包括DTW，MK最佳配对等。

如果跨KPI，可以先把一个模块的各种KPI提前进行聚类，在同一个类别中的某条曲线上进行标注，那么其他的同类的曲线上的对应位置也为异常。聚类用到的基本算法包括DBSCAN，K-medoids、CLARANS。

聚类是基于曲线的相似性，如果曲线不相似，但是其内在有关联导致它们经常一起变化，这也能够找出更多的异常，从而可以作为一个减少标注开销的方法。 这个是“KPI关联分析”科研问题， 其基本算法包括关联分析算法和Granger 因果性分析算法等。

B、故障传播链

另一个关键因素是故障传播连的构建，即A事件发生会导致B事件的发生。如果理清了事件的传播关系，就可以构成故障传播图。上文提到的KPI的关联分析和KPI的聚类都可以用上。下面介绍异常事件的关联关系和KPI的关联关系挖掘。

上图是故障传播链，当应用层、业务层发生故障的时候，如果有故障传播图，就可以从中找到对应时间范围内的相关事件。如果有就沿着传播链继续往找，直至找到根因。我们希望能得到这样的故障传播图，但是很多软件之间的模块关系很复杂，很难描述。另外，刚才提到的调用关系，即A模块调B模块，并不代表A发生异常就会导致B发生异常，而是还有很多其他的因素。 通过机器学习算法挖掘各种关联关系，再辅以模块调用关系链，则构建准确完整的调用关系链就相对比较容易了。 挖掘关联关系包括之前阐述过的KPI聚类，KPI关联分析，下面我们再讲述另外的两个算法。

先看异常事件的关联关系。两个关联事件是不是在历史上经常一起发生，比如说这个时间窗口内发生了这四个不同的事件，如果说经常一起发生，它们就有两两对应关系。现有文献中常见的算法有：FP-Growth、Apriori、随机森林。

另外就是事件和KPI的关联关系，比如程序启动的事件，在某个时间点程序A启动了，下个时间点程序B启动了。在程序A每次启动的时候CPU利用率就上了一个台阶，而B没有，所以说事件和曲线的关联关系，还包括先后顺序、变化方向。 常用基本算法包括Pearson 关联分析， J-Measure， Two-sample test等。

3、退而求其次

前面我们分解了根因分析问题，但是有时由于数据采集不全等原因，完整的根因分析条件不具备，这就要求我们降低要求，“退而求其次”，解决简单一些但是同样有实际意义的问题。

A、智能熔断

• 众所周知，80%的线上故障都是由产品上线或者变更导致的。也就是说在这种情况下，运维人员自己的操作、上线和变更就是业务出问题的根因，那么对于这种根因我们能不能做一些工作呢?答案是肯定的，就是智能熔断。当产品上线时，根据现有的数据判断业务层出现的问题是否为该上线操作所导致的。具体实现的时候可以用CUSUM，奇异谱变换(SST)，DID等算法。

B、异常报警聚合算法

再换一个角度，现在有各种监控的报警，如果运维人员聚合不准，就无法决定下一步的操作。因为监控的KPI太多，导致异常报警冗余。我们的算法会将各种报警原始数据聚合，比如将100个异常报警聚合成5个，这样实际处理的时候就会相对容易些。具体的算法包括基于服务、机房、集群等拓扑的层次分析，还有基于挖掘的关系和基于故障传播链的报警聚合。

C、故障定位算法

最后举一个退而求其次的方案。当业务发生故障时， 故障定位并不是给出完全的根因，而是能够大致区分是哪里的问题，输入是各种各样的性能指标，输出出根因所发出的具体位置。例如去年SIGCOMM 2016微软提出的基于数据中心的故障定位，先用实验床把所有可能故障都模拟一下，同时收集各类监控指标。通过机器学习建立模型。这个模型可以根据实际发生的监控指标的症状， 推断根因的大致位置，以便加速止损。 在相关文献中用到的基础算法包括随机森林，故障指纹构建，逻辑回归，马尔科夫链，狄利克雷过程等方法来进行故障定位。

简单小结一下， 智能运维关键技术落地可以有三种方式。相对独立的算法可以直接落地，依赖其他算法的根因分析可以庖丁解牛，数据条件不成熟的可以退而求其次。另外从前面列举的那么多的算法例子，大家可以看到的确有很多的算法可以应用到智能运维里面的。工业界的同学们可以花一些时间和精力， 简单了解一下这些算法，知道这些算法的输入和输出是什么，能解决运维中哪些实际问题，以及组合起来能解决什么问题，这样会对更快落地智能运维起到事半功倍的效果。

六、总结与前瞻

智能运维本身前景非常光明，因为它具备丰富的数据和应用场景，将极大提高智能运维领域的生产力，也是AI领域尚未充分开采的金库和果实。智能运维需要工业界和学术界的密切合作，但是目前仍只限于一对一相对低效的合作，少数公司和少数教授的特权不符合我们大的开源开放的趋势。我们的解决思路就是以科研问题为导向， 从日常工作中找到相关的问题，然后把这些问题分解定义成切实可行的科研问题， 并汇总成智能运维的科研问题库。同时， 工业界能够提供一些脱敏数据作为评测数据集，这样学术界就下载数据，并贡献算法。我的实验室NetMan将会运营一个·“智能运维算法竞赛”的网站，汇总智能运维的科研问题库，提供数据下载，并举办智能运维算法大赛。已经有包括美国eBay公司在内的多家公司同意为网站提供脱敏的运维数据。

在此非常感谢工业界的各位合作伙伴，也感谢我在清华的团队，NetMan，可以把它认为是在智能运维算法里面的特种兵部队。

最后，与大家共勉：智能运维落地， 前景是光明的，道路肯定是曲折的。引用一下我原来在AT&T的领导Albert Greenberg在2015年SIGCOMM演讲的时候说的两句名言。他说别人问我：你怎么得了那么多的学术界会议的Test of time奖(十年前发的论文，十年后再评哪篇论文是最好的)的?他说很简单，··“论文发表之后再花五年把论文里面的算法变成产品，就证明你这个东西是好的，就自然得这个Test of time奖了”。他的意思就是你要把好的思路、好的算法在应用中实践出来，并且对工作量有合理的预估。他的另外一句名言是“人们往往高估两年内能完成的成果，同时又往往低估五年内能完成的成果。” 意思是如果你看太短的话，很多事情做不成。但是有足够的耐心，放到四五年的尺度的话，往往能做成很多的事情。

在智能运维的领域，我们从去年开始来推动智能运维算法在实践中的落地，我已经行动了一年了，我们还有四年时间，我相信只要我们有更多的学术界和工业界的朋友参与进来，再加上我们这样的“智能运维算法竞赛”网站的载体，我相信就像imageNet曾经推动深度学习、人工智能的复兴一样，我们一定能推动智能运维算法在实践中更好的落地! 最后附上我的联系方式，欢迎联系合作。 谢谢大家。