AIOps 实战一:基于机器学习的指标异常检测

一、异常检测的基本概念

异常检测是机器学习中指标异常检测的基础，其核心目标是识别数据中与正常模式偏离的现象。通过数据分析，找出不符合常规的数据点，从而发现潜在问题。在智能运维（AIOps）领域，指标异常检测是一项常规操作，具体来说就是要识别出数据中与正常模式偏离的异常点。

二、动态极限与静态值

在指标异常检测中，动态极限和静态值是两种重要的参考标准。

静态值是一个固定阈值。

动态极限则会根据数据的实时变化、时间规律或业务场景动态调整参考标准。

三、隔离森林算法

隔离森林算法（也称孤立森林算法）。这是一种用于异常检测的无监督学习算法，它通过随机划分数据空间、构建多棵隔离树，将异常点与正常点分离开来。

四、实验环境准备

选择 Python 作为开发语言，需要完成从环境依赖安装到环境配置，再到数据处理的完整准备。

推荐使用Anaconda作为 Python 集成发行环境。在 Windows 系统下，直接运行 Anaconda 的安装程序，按默认选项安装即可。

Anaconda 的官网地址：https://www.anaconda.com/软件可以从官网下载适合的版本安装。

本次实验采用的是真实数据，来源于互联网平台的公开数据集——Server Machine Dataset（简称 SMD）。

数据集地址：https://github.com/NetManAIOps/OmniAnomaly