近年來,IT運維人工智能(AIOps)已成為了應(yīng)對IT系統(tǒng)與日俱增的復(fù)雜性的很好的解決方案。AIOps基于大數(shù)據(jù)、數(shù)據(jù)分析和機(jī)器學(xué)習(xí)來提供洞察力,并為管理現(xiàn)代基礎(chǔ)設(shè)施和軟件所需的任務(wù)提供更高水平的自動化(不依賴于人類操作員)。
因此,AIOps具有巨大的價值。展望未來,AIOps將在IT團(tuán)隊提高效率方面發(fā)揮關(guān)鍵作用。它還會使應(yīng)用復(fù)雜的下一代技術(shù)成為可能,而且那些技術(shù)的復(fù)雜性是傳統(tǒng)解決方案無法勝任的。
華云數(shù)據(jù)“智匯華云”專欄將為您奉上“AIOps之動態(tài)閾值—SARIMA模型詳解”。
通過使用數(shù)據(jù)收集、數(shù)據(jù)分析和機(jī)器學(xué)習(xí)相結(jié)合的完整AIOps解決方案,IT Ops團(tuán)隊可以支持以下幾個關(guān)鍵使用場景:
1.異常檢測。也許AIOps最基本的使用案例就是檢測數(shù)據(jù)中的異常,然后根據(jù)需要對它們做出反應(yīng)。
2.原因分析。AIOps還可幫助IT Ops團(tuán)隊自動執(zhí)行根本原因分析,從而快速解決問題。
3.預(yù)測。AIOps可以讓工具能對未來進(jìn)行自動預(yù)測,例如用戶流量在特定的時間點可能會怎樣的變化,然后做出相應(yīng)的反應(yīng)。
4.報警管理。AIOps在幫助IT Ops團(tuán)隊?wèi)?yīng)對他們必須處理的大量警報,以支持正常的運營方面發(fā)揮著越來越重要的作用。
5.智能修復(fù)。AIOps通過自動化工具驅(qū)動閉環(huán)的故障修復(fù),而不依賴于運維人員。
異常檢測
異常檢測以定位問題并了解基礎(chǔ)架構(gòu)和應(yīng)用程序中的趨勢是AIOps的一個關(guān)鍵用例。檢測可以讓工具探測出異常行為(例如某個服務(wù)器響應(yīng)速度比平時慢,或受黑客攻擊而出現(xiàn)異常的網(wǎng)絡(luò)行為)并作出相應(yīng)的反饋。
在很多情況下,在現(xiàn)代軟件環(huán)境中進(jìn)程異常檢測,對于AIOps而言還是特別具有挑戰(zhàn)性。因為在許多情況下,并沒有通用的方法去定義合理的觸發(fā)條件。例如對于在整個環(huán)境中的網(wǎng)絡(luò)流量、內(nèi)存和存儲空間消耗而言,它們的波動還是會很大的。那么活躍用戶量或應(yīng)用程序?qū)嵗彩侨绱恕T谶@些情況下進(jìn)行有效監(jiān)測需要AIOps能采用足夠智能的工具來設(shè)置動態(tài)基線。動態(tài)基線(閾值)為工具設(shè)置特定的情況下(例如一天中的時段和應(yīng)用程序的注冊用戶數(shù))正?;顒拥姆秶?,然后檢測與動態(tài)基線不匹配的數(shù)據(jù)或事件。
SARIMA模型
下面,就給大家講解一下我們這次用到的SARIMA模型,用于預(yù)測指標(biāo)動態(tài)閾值,從而檢測異常。
SARIMA模型的全稱是Seasonal Auto Regressive Integrated Moving Average,中文是周期性自回歸差分移動平均。SARIMA模型是一種預(yù)測周期性的時間序列效果非常好的模型。SARIMA模型的目標(biāo)是描述數(shù)據(jù)的自相關(guān)性。要理解SARIMA模型,我們首先需要了解平穩(wěn)性的概念以及差分時間序列的技術(shù)。
平穩(wěn)性?stationarity
總的來說,一個時間序列,如果均值沒有系統(tǒng)性的變化(無趨勢),方差沒有系統(tǒng)變化,且消除了周期性變化,就稱之為平穩(wěn)的。
差分?differencing
我們可以看到圖(a)是谷歌股價圖,這是不平穩(wěn)的。但圖(b)是股價每天的變化量,這是平穩(wěn)的。這就是一種讓不平穩(wěn)的時間序列變?yōu)槠椒€(wěn)時間序列的方法,計算連續(xù)時間數(shù)據(jù)點之間的差,這就是差分。
類似于取對數(shù)log的方法可以使時間序列的方差變平穩(wěn),差分通過消除時間序列的變化量,從而使時間序列的平均值變平穩(wěn),來達(dá)到消除趨勢性和周期性。
自相關(guān)系數(shù) autocorrelation
自相關(guān)系數(shù)是用來測定時間序列的兩個時刻的值的線性關(guān)系。比如r1是測量yt和yt-1的關(guān)系,r2是測量yt和yt-2的關(guān)系。
ACF(autocorrelation function)圖是一種非常有效的來判斷時間序列平穩(wěn)性的方法。
如果數(shù)據(jù)有趨勢性,那么對于較小的延遲,自相關(guān)性趨向于比較大并且為正。當(dāng)延遲增大時,ACF會慢慢變小。
如果數(shù)據(jù)有周期性,對于周期性的延遲,自相關(guān)性會比較大一些。
如果數(shù)據(jù)既有周期性又有趨勢性,你就會看到兩者的結(jié)合。
畫出ACF圖如下:
白噪聲 white?noise
一個時間序列如果沒有任何自相關(guān)性就可以稱為白噪聲。
隨機(jī)漫步模型?random walk
有時一次差分的數(shù)據(jù)看起來還是不平穩(wěn),這就需要二次差分來獲得一個平穩(wěn)的序列。
周期性差分是一個數(shù)據(jù)點和前一個周期同一時間的數(shù)據(jù)點的差。
單位根檢驗?unit root tests
決定是否需要差分可以用單位根檢驗。我們這里使用KPSS test,在這個檢測中,零假設(shè)是數(shù)據(jù)是平穩(wěn)的,我們要找出零假設(shè)不為真的證據(jù)。得到比較小的p值,比如0.05,就可以認(rèn)為零假設(shè)不成立,數(shù)據(jù)不平穩(wěn),我們就需要對時間序列進(jìn)行差分。
后移符號?backshift notation
當(dāng)我們在研究時間序列延遲的時候,后移符號B非常有用。
后移符號在組合差分的時候非常有用,比如,周期性的差分組合一次差分可以寫成:
#FormatImgID_15#
AR模型?Auto Regressive
在自回歸模型中,我們使用過去變量的線性組合來預(yù)測。自回歸表示這是對于自身變量的回歸。
p階AR模型可以寫成:
下圖展示了AR(1)模型和AR(2)模型:
MA模型?Moving Average
不像AR模型中使用過去的預(yù)測變量,MA模型使用過去的預(yù)測誤差。
下圖展示了MA(1)模型和MA(2)模型:
如果我們給MA模型加一些限制,我們可以稱MA模型是可逆的,我們可以把任意MA(q)模型寫成AR()模型。
可逆性限制和平穩(wěn)性限制類似:
ARIMA模型?Auto Regressive Integrated Moving Average
如果我們組合AR和MA模型并差分,我們可以得到ARIMA模型。模型可以寫成:
p自回歸階數(shù)
d差分次數(shù)
q移動平均階數(shù)
有一些特殊的ARIMA模型如下表:
白噪聲ARIMA(0,0,0)
隨機(jī)漫步ARIMA(0,1,0)
帶偏移量的隨機(jī)漫步ARIMA(0,1,0)帶常數(shù)
自回歸ARIMA(p,0,0)
移動平均ARIMA(0,0,q)
用后移符號,我們可以把ARIMA模型寫成:
1.如果c=0并且d=0,長期預(yù)測值會趨向于0
2.如果c=0并且d=1,長期預(yù)測值會趨向于非零常數(shù)
3.如果c=0并且d=2,長期預(yù)測值會變成一條直線
4.如果c0并且d=0,長期預(yù)測值會趨向于數(shù)據(jù)的平均值
5.如果c0并且d=1,長期預(yù)測值會變成一條直線
6.如果c0并且d=2,長期預(yù)測值會變成二次拋物線
偏自相關(guān)系數(shù)?partial autocorrelation
自相關(guān)系數(shù)測量了yt和yt-k的關(guān)系。如果yt和yt-1相關(guān),那么yt-1和yt-2肯定也相關(guān)。但這樣的話,yt和yt-2可能也相關(guān),僅僅只因為他們都跟yt-1相關(guān),而不是因為yt-2中有新的信息可以用于預(yù)測yt。
為了解決這個問題,我們可以使用偏自相關(guān)系數(shù)。這是在移除延遲1,2,3,…,k-1的影響后,測量yt和yt-k之間的關(guān)系。
如果差分過后的ACF和PACF圖滿足以下形式,數(shù)據(jù)可能是ARIMA(p,d,0)模型:
1.ACF是指數(shù)衰減或者正弦式的
2.在PACF中,在延遲p的地方有一個明顯的突刺,但后面沒有
如果差分過后的ACF和PACF圖滿足以下形式,數(shù)據(jù)可能是ARIMA(0,d,q)模型:
3.PACF是指數(shù)衰減或者正弦式的
4.在ACF中,在延遲q的地方有一個明顯的突刺,但后面沒有
最大似然估計?maximum likelihood estimation
估算模型的時候,我們使用最大似然估計。已知某個隨機(jī)樣本滿足某種概率分布,但是其中具體的參數(shù)不清楚,參數(shù)估計就是通過若干次試驗,觀察其結(jié)果,利用結(jié)果推出參數(shù)的大概值。對于ARIMA模型,MLE通過最小化
信息準(zhǔn)則?information criteria
赤池信息準(zhǔn)則(AIC)在選取參數(shù)時非常有用,可以寫成:
修正赤池信息準(zhǔn)則(AICc)可以寫成:
pmdarima原理
pmdarima是一個python解決ARIMA和SARIMA模型的包,主要使用了Hyndman-Khandakar算法的變形,組合了單位根檢驗,最小化AICc和MLE。
用于自動化ARIMA模型擬合的Hyndman-Khandakar算法
重復(fù)使用KPSS檢測決定差分次數(shù)
差分后最小化AICc來選取p和q的值,這種算法使用了階梯式搜索來遍歷模型空間,而不是考慮所有p和q的組合
擬合四個初始模型:
1.ARIMA(0,d,0)
2.ARIMA(2,d,2)
3.ARIMA(1,d,0)
4.ARIMA(0,d,1)
常數(shù)項會被考慮進(jìn)去除非d=2。如果d1,擬合額外的一個模型:
ARIMA(0,d,0)沒有常數(shù)項
在步驟a中最優(yōu)的模型(最小的AICc值)會被設(shè)置為當(dāng)前模型
微調(diào)當(dāng)前模型:
1.對p或/和q
2.加入/去除常數(shù)項c
新的最優(yōu)模型變成當(dāng)前模型
重復(fù)步驟c直到?jīng)]有更小的AICc
SARIMA模型?Seasonal Auto Regressive Integrated Moving Average
ARIMA模型的缺陷在于沒有考慮周期性,加入周期項可以得到SARIMA模型:
ARIMA (p,d,q) (P,D,Q)m
非周期性部分 周期性部分
m是每年的觀測數(shù)量。P,D,Q作為周期性參數(shù),p,d,q作為非周期性參數(shù)。
模型的周期性部分和非周期性部分很相似,但包括了周期后移。比如,ARIMA(1,1,1)(1,1,1)4對于季度數(shù)據(jù)(m=4)可以寫成:
比如,SARIMA(0,0,0)(0,0,1)12模型會有以下特性:
1.ACF中延遲12有突刺,但沒有其他的明顯突刺
2.PACF的周期性延遲有指數(shù)衰減,比如在延遲12,24,36的地方
相似的,SARIMA(0,0,0)(1,0,0)12模型會有以下特性:
3.ACF的周期性延遲有指數(shù)衰減
4.PACF中延遲12有突刺
另外,根據(jù)簡約性原則parsimony principle,為佳。
下面的例子可以很好的解釋模型擬合的過程:
例子:歐洲季度零售指數(shù)
這組數(shù)據(jù)明顯是不平穩(wěn)的,并有一些周期性,所以我們先進(jìn)行周期性差分,如下圖:
然后,我們就可以用該模型進(jìn)行預(yù)測了:
指標(biāo)動態(tài)閾值原理
我們已經(jīng)了解了SARIMA模型,并可以對時間序列數(shù)據(jù)進(jìn)行預(yù)測了。對于動態(tài)閾值,我們首先獲取歷史數(shù)據(jù),對數(shù)據(jù)進(jìn)行處理,需要對缺失數(shù)據(jù)進(jìn)行一些填充。然后我們進(jìn)行SARIMA模型擬合,得出最優(yōu)模型之后,對未來指標(biāo)走勢進(jìn)行預(yù)測,通過95%的置信區(qū)間生成閾值區(qū)間,如果指標(biāo)超出這個區(qū)間,我們認(rèn)為指標(biāo)異常,對用戶進(jìn)行告警。每天我們都會重復(fù)以上操作,讓模型擬合更加準(zhǔn)確,從而使動態(tài)閾值功能日趨完善。