智能运维之道——基于AI技术的应用实践电子书

推荐序一

推荐序二

前言

第1章 智能运维概述

1.1 智能运维的概念

1.1.1 运维与运营的区别

1.1.2 智能运维与开发运维的区别

1.2 智能运维的发展历程及趋势

1.2.1 推动运维工作发展的内外部力量

1.2.2 智能运维的发展历程

1.2.3 智能运维未来发展趋势

1.3 智能运维应用场景

1.3.1 异常检测

1.3.2 根因诊断

1.3.3 故障自愈

1.3.4 事件预警

1.3.5 效能优化

第2章 人工智能技术概述

2.1 人工智能的概念及发展历程

2.2 人工智能的核心技术

2.2.1 机器学习

2.2.2 深度学习

2.2.3 自然语言处理

2.2.4 知识工程

2.2.5 机器人

2.3 人工智能技术的应用领域及发展趋势

2.3.1 人工智能应用领域

2.3.2 人工智能发展趋势

第3章 智能运维中的关键技术

3.1 数据处理技术

3.1.1 数据离线技术及数据存储技术

3.1.2 数据实时计算及快速响应技术

3.1.3 数据采集及辅助处理技术

3.1.4 大数据技术在智能运维领域面临的挑战

3.2 知识图谱

3.2.1 知识图谱的基本概念

3.2.2 一般知识图谱的构建流程

3.2.3 知识图谱在智能运维中的应用

3.3 自然语言处理

3.3.1 领域短语挖掘

3.3.2 同义词匹配

3.3.3 命名实体识别

第4章 智能运维中的常用算法

4.1 异常检测算法

4.1.1 基于概率模型的检测方法

4.1.2 基于邻近度的检测方法

4.1.3 基于分类的检测方法

4.1.4 基于专家经验的综合评价方法

4.2 根因诊断算法

4.2.1 数据驱动的根因诊断

4.2.2 基于领域知识的根因诊断

4.3 趋势预测算法

4.3.1 数据特征

4.3.2 基于统计方法的线性预测模型

4.3.3 基于机器学习的非线性预测模型

4.4 事物分类算法

4.4.1 传统事物分类算法

4.4.2 事物分类算法新进展

第5章 智能运维——从数据预处理开始

5.1 结构化数据质量监控与预处理

5.1.1 结构化数据质量监控

5.1.2 结构化数据预处理技术

5.2 文本数据预处理与标注

5.2.1 数据清洗

5.2.2 数据标注

5.3 图片数据预处理与标注

5.3.1 智能运维中的视觉任务

5.3.2 图像标注工具

第6章 应用聚类算法实现网元智能分类

6.1 LTE网元分类存在的问题

6.2 网元分类算法设计

6.2.1 数据与关键指标选取

6.2.2 数据清洗及平稳性检验

6.2.3 特征生成与选择

6.2.4 聚类算法

6.3 网元初始聚类结果

6.3.1 平稳性检验结果

6.3.2 主成分分析结果

6.3.3 聚类结果

6.4 基于改进后聚类算法的网元分类结果

6.4.1 原有聚类方法的改进点

6.4.2 数据预处理

6.4.3 特征提取

6.4.4 算法设计

6.4.5 聚类效果

6.4.6 小结

第7章 应用有监督/无监督算法实现异常检测

7.1 单指标异常波动检测

7.1.1 异常波动检测的概念

7.1.2 基于统计分布的检测算法

7.1.3 其他检测算法

7.2 单指标异常检测

7.2.1 适用单指标异常检测的算法

7.2.2 算法计算结果

7.2.3 小结

7.3 多指标异常检测

7.3.1 基于有监督算法与无监督算法相结合检测

7.3.2 基于深度学习检测

7.3.3 基于专家经验的综合评价法检测

第8章 应用知识图谱解决网元异常问题

8.1 网元异常诊断的传统方案

8.2 网元异常诊断知识图谱

8.2.1 知识表示与数据获取

8.2.2 实体关系的抽取与对齐

8.2.3 知识图谱的建立

8.2.4 知识图谱的应用

8.3 应用知识图谱的成效

第9章 应用时序模型实现长短期趋势预测

9.1 短周期预测：未来五分钟IPTV播放用户数的预测

9.1.1 背景介绍

9.1.2 算法选择

9.1.3 参数选择

9.1.4 计算结果

9.1.5 小结

9.2 中周期预测：未来一周网络流量变化的预测

9.2.1 算法选择

9.2.2 数据预处理

9.2.3 计算结果

9.2.4 小结

9.3 长周期预测：基站扩缩容预测

9.3.1 算法设计

9.3.2 数据预处理

9.3.3 特征工程

9.3.4 计算结果

9.3.5 小结

第10章 应用分类预测模型实现质差设备预见性识别

10.1 物联网NB业务质差预测

10.1.1 需要解决的问题

10.1.2 方案设计

10.1.3 应用效果

10.1.4 小结

10.2 网络设备隐患预测

10.2.1 背景介绍

10.2.2 面临的挑战

10.2.3 在特征较少的条件下进行预测

10.2.4 在数据粒度较细的条件下进行预测

10.2.5 小结

第11章 应用因果分析实现故障根因定位

11.1 物联网NB业务根因的因果分析

11.1.1 背景介绍

11.1.2 面临的挑战

11.1.3 算法实现

11.1.4 应用效果

11.1.5 小结

11.2 IPTV设备根因的因果分析

11.2.1 背景介绍

11.2.2 算法实现

11.2.3 应用效果

11.2.4 小结

参考文献