游戏

听云APMCon基于机器学习的智能运维

2019-05-14 19:02:36来源:励志吧0次阅读

中国运用性能管理行业盛宴2016中国应用性能管理大会(简称APMCon 2016)于8月18日至19日在北京新云南皇冠假日酒店隆重召开。APMCon由听云、极客邦和InfoQ联合主办的作为国内APM领域影响力的技术大会,首次举办的APMCon以驱动应用架构优化与创新为主题,致力于推动APM在国内的成长与发展。

清华大学计算机系副教授 裴丹于运维自动化专场发表了题为《基于机器学习的智能运维》的演讲,现场分享了基于机器学习的智能运维目前面临的挑战和解决思路。

以下为演讲实录:

我今天分享的题目是《基于机器学习的智能运维》,下面是今天这个报告的大概内容:

首先会做一个背景的介绍;为什么清华大学的老师做的科研跟运维有那么多关系?智能运维现在已经有一个很清晰的趋势,从基于规则的智能运维自动化逐步转为基于机器学习了;再介绍几个跟百度的运维部门、搜索部门进行合作的案例;,还要讲一下挑战与思路。

1、背景介绍

谈一下参加这次大会的感受,昨天各位讲师们的报告,特别是今天早上几位讲师的报告特别精彩,讲到了在生产一线过程中遇到的各种挑战以及大家的实践和经验,我们又加了运维的群,对像我这样在科研领域做运维相关科研的工作者来说,感觉找到了组织。介绍一下我的经验,特别是跟海峰老师开场的时候,讲的一个概念是相关的。海峰老师提到说我们做运维很苦,正好我大概在去年这个时候,我在百度的运维部门,讲了一下做运维如何做得更高大上一些,我的题目叫做《我的运维之路》。我们先简单看一下,我个人学术上的官方简历。

我读了博士,然后在ATT研究院实习,ATT研究院前身是贝尔实验室的一部分,这里面大概有200个博士,有C++发明者、防火墙之父,当然我其实没有怎么见到过他们,但是办公室是在一起的。以后在里面做了大概6年时间,发了不少论文,得了一些奖,发表了23项运维相关的专利。然后,回清华做了很多科研,这是我的官方简历。

实际上我在做什么事情?我就是一个运维人员。在一个30万人的大公司里面做运维,当然主要是通过大数据分析的方法。我读博期间跟美国各种运维人员打交道了五年;在实习过程中,喜欢上了分析实际的运维数据;真正在那边工作的时候,基本上就是一个第五级的运维,做的事情是基于大数据技术管理络和应用的性能,各种络协议、IPTV、Video等等;回到清华做科研的时候,开设的也是络性能管理/应用性能管理相干的课程,所有的科研都是跟运维相关的,在国内有一些合作者,包括百度的运维部门、搜索部门和中石油数据中心等等。我可以认为自己是一个运维人员,很高兴在这里跟大家分享我们之前的一些经验。

为什么说运维是可以做得很高大上的事情?这是一个会议叫SIGCOMM,络里面的会议,如果计算机络的事情是像电影一样,这就是奥斯卡,每一年大概录用三四十篇论文,录用一篇,就跟中彩票一样。我们看它的submission,就是这么多,跟我们运维相干的占了40%。

再看评委会,我只列出了ATT研究院里面的前实习人员和前员工的一些同事们,基本上现在都到大学里当教授了。所以说运维苦不苦,是不是可以做得更高大上一些,取决于怎样做。数据分析、机器学习,这是很好的路线。再看评委会,我只列出了ATT研究院里面的前实习人员和前员工的一些同事们,基本上现在都到大学里当教授了。所以说运维苦不苦,是否是可以做得更高大上一些,取决于怎么做。数据分析、机器学习,这是很好的路线。

不光是的会议,我们还有一个专门做运维相关的会议。这个会议,就是这拨人里面,觉得SIGCOMM这个会一年30多篇,实在是收得太少了,我们再开一个会议,全部都是运维相关的,这是一个的会议,是我科研领域一个主要的战场之一。

铺垫一下,就是说运维是有很多可以研究的地方,有很多科研问题。

简单介绍一下我在清华大学的实验室,叫NetMan。我的络管理实验室做的科研,基本上都是跟NPM、APM运维相干的。我们跟互联公司做一些合作,主要做运维相干的自动化工作,跟SmoothAPP相关的运维工作,跟清华校园WiFi做一些络性能优化的工作。我们做了一个核心的基于云的运维算法平台,具体这些运维的运用,下面都有一个核心的算法,再下面还有一个大数据分析的平台,就是经常使用的各种开源工具。

前面所讲的是背景部份。我想要表达的一点,工业界、学术界应当在运维领域里面能够密切合作,各取所需。工业界有很多实际问题,有很多的经验,也有实际的数据,学术界老师们有时间,有算法,有学生,大家一起结合,这样就会产生很好的效果。

值得各位运维界同仁们关注的就是学术界的会议,我比较推荐的是上面图中的这些会议,这些会基本上一年3五十篇论文的样子,简单浏览一下,跟大家做得工作是否是相干,浏览一下的会议论文集,看看有没有相干的,还是很有帮助的。美国的工业界,像谷歌、Facebook都已在这些会议上发表过一些论文,包括他们在工程上的一些实践。

2、智能运维:从基于规则到基于学习

简单介绍一下智能运维大概的历程,基于规则到基于机器学习。我简单回顾一下,我们这个趋势,不光是说我们这个领域的趋势,整个人工智能领域发展的趋势。人工智能也是经历了起起伏伏,近又非常火。基本历程,就是从基于专家库规则到逐步变成机器学习,再到深度学习。

我讲一下几年前基于专家库规则到机器学习的经历。我们在做降维分析的时候,需要一个规则集,什么事件致使另外一个事件,再导致额外的事件,倒推回来,甚么导致了这个事情。我们当时针对骨干做的各种事件的关联分析,基本上是基于规则的。当时CDN的性能事件,这个事件导致这个事件,单独对它进行分析,如果这个事件发生,可以通过监测到的各种事件一直推到这儿。当时做出来的时候,起到了很好的效果,发表了论文,审稿评价也很高,也有专利,现在还在非常常规地使用,并且用得很好,效果很好。但是这里面有个问题,规则是由运维人员给出来的,为何能够运行的很好?因为在络骨干上面情况不是那么复杂,络协议一层接一层,事件比较少,所以比较容易把规则弄出来。

我们跟百度进行合作的时候,发现不是那么好做。由于在互联公司里面,大家都在讲微服务,模块特别多,规模很大,百度这边一百多个产品线,上万个微服务模块,上万台机器,每天上万个软件更新,想通过人把这些规则表达出来,运行到你的系统里,根本就不行。我们试了一下,很快就碰壁了。怎么办?我们采用了基于机器学习,把这些规则挖出来。我们在做的过程中不断总结,不断遇到新的问题,实现了基于规则的智能运维过渡到基于机器学习。

机器学习本身已经有很多年了,有很多成熟的算法。要想把机器学习的应用做成功,要有数据,有标注数据,还要有工具(算法和系统),还要有应用。

对我们运维领域来讲,这几点到底是怎么做的?

点是数据,互联的运用天然就有海量日志作为特征数据,想各种办法做优化存储。在运行过程中遇到数据不够用还能按需自主生成,这是很好的。

第二点,在运维日常工作中还会产生各种标注数据,比如说工单系统,发生一次运维事件以后,具体负责诊断的人员会记录下过程,这个进程会被反馈到系统里面,我们可以从里面学到东西,反过来提升运维水平。

第三点就是应用,做出来的系统,我们运维人员就是用户,我们可以设计、部署、使用、并受益于智能运维系统,形成有效闭环。建模、测量、分析、决策、控制,很容易形成一个闭环。我们能够构成闭环,由于我们有这样的优势。

总结一下,基于机器学习的智能运维具有得天独厚的基础,互联应用天然有海量日志作为特征数据,运维日常工作本身就是产生标注数据的来源,具有大量成熟的机器学习算法和开源系统,可以直接用于改良我们的运用,所以我个人有一个预测,智能运维在今后若干年会有飞速的发展。

三、百度案例

下面讲一下实际的案例,这边有三个案例:

个场景,横轴是时间,纵轴是百度的搜索流量,大概是一天几亿条的级别,随着时间的变化,每天早上到中午上升,到下午到晚上下去,我们要在这个曲线里面找到它的异常点,要在这样一个本身就在变化的曲线里面,能够自动化的找到它的坑,并且进行告警。那么多算法,如何挑选算法?如何把阈值自动设出来?这是个场景。

第二个场景,我们要秒级。对于搜索引擎来说,就是要1秒的指标,这个时候有30%超过1秒,我们的目标是要降到20%及以下,如何找到具体的优化方法把它降下来?我们有很多优化工具,但是不知道到底用哪个,因为数据太复杂了,这是第二个运用场景。

第三个场景,自动关联KPI异常与版本上线。上线的过程中,随时都有可能发生问题,发生问题的时候,如何迅速判断出来是你这次上线导致发生的问题?有可能是你上线致使的,也有可能不是,那么多因素,刚才说了几十万台机器,你怎样判断出来?这是百度实际搜索广告的收入,我们看到有一个上线事件,收入在上线以后掉下来了。

下面这个是我们一个学生在百度实习的时候做出来的一个方案,基于机器学习的KPI自动化异常检测。

横轴是时间,纵轴是流量,要找到异常。我们要迅速识别出来,并且准确识别出来,帮助我们迅速进行诊断和修复,进一步阻止潜在风险。

我们学术界,包括其他的领域,包括股票市场,已经研究几十年了,如何根据延续的曲线预测到下一个值是多少?有很多算法。我们的运维人员,就是我们的领域专家,会对自己检测的KPI进行负责,但是我们有海量的数据,这KPI又是千变万化各种各样的,三个曲线就很不一样,如何在这些具体的KPI曲线里获得良好的匹配?这是非常难的一件事情。

我们看看为什么是这样的?有一个运维人员负责检测这样的曲线,假如说要试用一下算法,学术界的常规算法,要跟算法开发人员进行一些描述。算法开发人员说,你看我这儿有三个参数,把你的异常按照我的三个参数描述一下,运维人员肯定不干这个事情。开发人员还不了解KPI的专业知识,就想差不多做一做吧,做完了之后说你看看效果怎样?往往效果差强人意,再来迭代一下,可能几个月就过去了。

运维人员难以事前给出准确、量化的异常定义;对开发人员来讲,选择和综合不同的检测器需要很多人力;检测器算法复杂,参数调节不直观,这些都是存在的问题。

所以我们方法的主要思想是,做一个机器学习的工具。我们随着运维人员学,做一个案例学一个,把他的知识学下来,不需要挑具体的检测算法,把这个事情做出来,根据历史的数据以及它的异常学到这个东西。

运维人员需要做甚么事情?我看着这些KPI的曲线,这段是异常,标注出来,就有了标注数据。本身就是有特征数据的,提供一下,说你这个小徒弟,你要想把它做好,我有一个要求,准确率要超过80%,小徒弟就拼命的跟师傅学。

具体做的时候,比如说KPI的具体曲线,假如说这里有一个异常点,我们把能拿到的理论界上,学术界上的各种算法都已经实现了,它还有各种参数,把参数空间扫一遍,大概100多种,用集体的智慧把KPI到底是不是异常,通过跟运维人员去学,把这个学出来。为什么能够工作?就是由于它的基本工作原理,就是我会学历史信息,学到了之后生成一些信号,对同样的异常会有预测值,红色是检测出来的信号。检测出来的信号略有不同,但是我们觉得集体的智慧,能够给出一个非常好的效果,这就是一个基本的思路。

如何把它转化成机器学习的问题?我们有特点数据、有标注,想要的就是它是异常还是非异常,就是一个简单的监督机器学习分类的问题。运维人员进行标注,产生各种特征数据,这就是刚才100多种检测器给出的特征数据,然后进行分类,效果还是比较理想的。


 但是,还是有很多实际的挑战,我们简单提一个挑战。个挑战,我们运维人员需要标注,我得花多长时间去标注?在实际运维过程中,那些真正的异常并没有那么多,本身数量相对比较少。如果能做出一些比较高效的标记工具,是能够很好的帮助我们的。如果把这个标注工具像做一个互联产品一样,做得非常好,能够节省标注人员很多的时间。我们做了很多工作,鼠标加键盘,浏览同比、环比的数据,上面有放大缩小,想标注一个数据,拿着鼠标拖一下就OK了。一个月里面的异常数据,由运维人员实际进行标注,大概一个月也就花五六分钟的时间,就搞定了。


还有很多其他的挑战,比如说历史数据中异常种类比较少,种别不均衡问题,还有冗余和无关特点等。

下面是一个整体的设计。

那么,拿实际运维的数据进行检测的时候效果怎么样呢?


 这里拿了4组数据,三组是百度的,一组是清华校园的。一般的操作,分别对这些数据配一组阈值。我们不管这个数据是什么样的,就是用一种算法把它搞定,就拿刚才给出的运维小徒弟这样的算法,把100多种其他的算法都跑了1遍,比较了一下,在四组数据里面,我们算法的准确率不是就是第二,而且我们的好处是不用调参数。超过我们这个算法,普通的可能要把100多种试一下,我们这个不用试,直接就出来。

为了让运维更高效,可以让告警工作更智能,无需人工选择复杂的检测器,无需调参,把它做得像一个互联产品一样好。这是个案例,关于智能告警的。理论上学术界有很多漂亮的算法,如何在实际中落地的问题,在这个进程中我们使用的是机器学习的方案。

我们看一下第二个案例,刚才说的秒级。先看一个概念,搜索响应时间:

搜索响应时间,这个就是首屏时间了。对于综合搜索来说,用户在浏览器上输入一个关键字,点一下按纽,直到首屏搜索结果返回来,当然这里面有一些进程。

这个为何很重要?这就是钱。对于亚马逊来说,如果响应时间增加100毫秒,销量下降1%。对于谷歌来说,每增加100毫秒到400毫秒搜索,用户数就会下降0.2%到0.6%,所以非常重要。

看一下在实际中搜索响应时间是什么样的?

横轴是搜索响应时间,纵轴是CDF。70%的搜索响应时间是低于1秒,是符合要求的。30%的时间是高于1秒的,是不达标的。那怎么办呢?大于1秒的搜索原因到底是什么?如何改进?这里面也是一个机器学习的问题。各种日志非常多,答案就藏在日志里面,问题是如何拿到日志分析出来。我们看一下日志的情势:

对用户每一次搜索,都有他来自于哪一个运营商,浏览器内核是什么,返回结果里面图片有多少,返回结果有没有广告,后台负载如何等信息。这次响应,它的响应时间是多少,大于1秒就是不理想,小于1秒就是比较理想,我们有足够多的数据,一天上亿,还有标注,这个标注比较简单了。

我们现在来回答几个问题,在这么多维度的数据里边,如何找出它响应时间比较高的时候,高响应时间容易产生的条件是什么?哪些HSRT条件比较流行?如果找出流行的条件,我们就找到了一些线索,就知道如何去优化。我们能不能在实际优化之前,事先看一下,有可能优化的结果是什么?基本上想做的就是这么一个事情。这里面有些细节我们就跳过,想表达的意思是说对多维度数据,如果只看单维度的数据,会有各种各样的问题。

在分析多维属性搜索日志的时候也会有很多挑战:

,单维度属性分析方法无法揭示不同条件属性的组合带来的影响。

第二,属性之间还存在着潜在的依赖关系,所以单维度分析的结论可能是片面的。

第三,得到的HSRT条件可重叠,每次HSRT被计算屡次,不易理解。你如果单维度看,图片数量大于30%,贡献了50%的响应时间,看一下其他的维度,加起来发现120%,这都是单维度看存在的问题。

由于每一个维度有各种各样的取值,一旦组合,空间就爆炸了,人是不可能做的,就算是做了可视化的工具,人是不可能一个个试来得出结论,必须靠机器学习的方法,所以我们把这个问题建模成分类问题,利用监督机器学习算法,决策树得到直观分类模型。

下面这个是我们当时设计的一个架构图,每天日志来了以后,输入到机器学习决策树的模型里面,分析出每天高响应时间的条件,跨天进行分析,以后再去做一些准实验,得出一些结果。

下面这个是我们步完成了之后,得出的一个决策树,生成决策树的过程,基本上拿一些现成的工具,把数据导进去,调一些参数就OK了。

我们会看一个月的时间内,每天都取得的数据,我们得出一个月里面,哪些条件比较流行,然后,在此基础上,做一些准实验。不是说分析出来了之后,就真的上线调这些优化条件,比如说得出这样的组合,当图片数量大于10,它的浏览器引擎不是WebKit,里面没有打广告,它会容易响应时间比较高。给了我们一些启示,具体哪个条件致使的?优化哪个维度会产生比较好的结果?这不知道。我如果把每个条件调一下,这个大于10,变成小于10,这个条件的组合,在实际的日志数据里面就是存在的,把这个数据取出来,看一下它的响应延迟到底是高还是低,这就是准实验,诸如此类都做一些,很容易得出一些结论。

我们针对当时的场景,图片数量过量是导致响应时间比较长的主要瓶颈,是当时重要的瓶颈,具体对这个进行了优化,大家可能就比较熟习了,部署了base64 encoding来提高数量多、体积小的图片传输速度。

这里想强调一点,这个优化方式,大家都知道,但是在没有这样分析的情况下,你并没有把握上线以后,就有效果。假如说你运维部门的KPI指标,超过20%就不达标,如果低于20%就达标了,上线这一个就达标了。各种比较都很清晰,就是这样的一个工具,有很多日志,你做一些基于机器学习的分析,找到目前重要的瓶颈,把这些瓶颈跟拿得手的各种优化的方式方法,应用一下,就能得到很好的效果,这个效果是很不错的,通用性也比较高。

第三个案例跳过去吧,大概意思是说自动更新会产生很多问题,我简单直接把案例给出来就好了。

给出一个案例,这个案例就是说百度上线了一个反点击作弊的版本,上线以后,广告收入就出现了下降,实际上用我们这个系统做了一下,10分钟能够准确检测出问题。而人在具体做的时候,要客户申述、检查KPI、定位问题,要一个半小时,差异还是很大的。

刚才举了几个具体的案例,其实还有其他的很多案例:

异常检测以后的故障定位

故障止损建议

故障根因分析

数据中心交换机故障预测

▪ 海量Syslog日志压缩成少量有意义的事件

基于机器学习的系统优化(如TCP运行参数)

我们在学术界来讲,我们也不做产品,我们是针对一线生产环境中遇到的各种有挑战性的问题,做一些具体的算法。我们的目标就是做一些智能运维算法的集合,运行在云上面,它会有一些标准的API。标准的API支持任意时序数据,它有一个时间戳,有一个关键指标,这个关键指标针对不同场景会不一样,有销售额、利润、订单数、转化率等等不同属性,经过这样的分析以后,跑到云里面,就能得出一些通用性的结果。

四、挑战与思路

这里我想给大家一些具体的启示,包括我们自己的一些思考。

智能运维到底有哪些可行的目标?我们的步子不能迈得太大,又不能太保守,我们到底想达到什么样的效果?谁拿着枪,谁就处于主导地位。像R2-D2是运维人员的可靠助手,还是人来起主导作用。

很重要的就取决于人工智能本身发展到哪一个地步,下面是我们清华大学张院士的一个报告。个图中人工智能解决了一些问题,知其然,又知其所以然。第二个图是知其然,不知其所以然,这个棋我知道它下的好,但是为何好,计算机算出来的,我其实不知道。人工智能发展到现在的阶段,比较可靠的是这个地步:知其然,而不知其所以然,技术方面,通过机器学习相对成熟,在一定条件下比人好。到后面既不知其然,又不知其所以然,以及连问题都不知道,人工智能还没有到那个地步。我们要自动化那些知其但是不知其所以然的运维任务。

2、如何更系统的运用机器学习技术。机器学习纷繁复杂,简单说一下。特征选取的时候,初期可以用一些全部数据+容忍度高的算法,如随机森林,还有特点工程、自动选取(深度学习);不同机器学习算法适用不同的问题;一个比较行之有效的方法,大家做日常运维进程中,可以跟学术界进行具体探讨,针对眼前问题一起探讨一下,可能比较容易找到合适的起点。工业界跟学术界针对具体问题进行密切合作是一个有效的策略。

3、如何从现有ticket数据中提取有价值信息。我们可以把ticketing系统作为智能运维的一部分来设计。

4、如何把智能运维延伸到智能运营?我们有各种各样的数据,数据都在那儿,企业的痛点是,光有海量数据,缺乏真正的运营和行动之间有效转化的工具。其实我们思考一下,我们看的那些KPI,如果抽象成时序数据,跟电商的销售数据,跟游戏的KPI指标没有本质的区别。如果抽象成算法层面,可能都有很好的应用场景,具体还会有一些额外的挑战,但是如果在算法层面进行更多投入,可以跳出运维本身到智能运营这块。

总结一下今天的报告。

基于机器学习的智能运维,在今后几年会有飞速的发展,由于它有得天独厚的数据、标注和应用。

智能运维的可行目标,是运维人员高效可靠的助手。

智能运维能够更系统应用机器学习技术,学术界和工业界应能够在一些具体问题上密切合作。

更系统的数据收集和标注会帮助智能运维更快发展

下一步把智能运维的技术延伸到智能运营里面。

QA

Q1:个案例中有标注过程,您做了一个工具加速了标注,我想问一下,因为您后来说你们的准确率已达到100%了。

裴丹:没有到100%,是说它性能比别的好,取决于不同的情况70%、80%、90%的都有。

Q2:做到80%、90%的标注,标注样本有多少数量级?另外,肯定要持续运行,一共运行了多少个月到达80%多?

裴丹:标注样本一个月大概10几个、几十个。一共大概运行了7、八个月,我们还在做另外一件事情,人工地注入一些异常,根据历史数据学到异常的特征,人工注入,让运维人员能够进行标注。

Q3:人工注入是百度注入?可以手工去改吗?

裴丹:历史数据注入,可能注入。不能手工改的,是load到标注界面里去的。

Q4:特征提取和特点工程您是分开来说的,特征工程是指一些方法特征?还是什么意思?

裴丹:主要是推动各种统计方法学选哪些特征应当用在机器学习模型里,以及对哪些特征进行转换。

Q5:刚才咱们那些所谓的算法都是已知算法?还是说我们能够在这里面自己学习一些算法?

裴丹:我们现在正在用卷积神经络等,通过深度学习的方法,数据来了,我就把它自动学出来了,不用已知的算法。

Q6:刚才咱们那个采样,很多都是指定的关键数据,关键数据的挑选能不能也是智能化的去做?

裴丹:这倒是一个很好的方向,目前还都是运维人员比较关心,并且已经检测了的数据,数据已采集上来了,我们做监控和异常检测。下一步可以朝您刚才说的方向去做一下尝试,就是说如何动态的、智能的去选取检测哪些KPI,目前还没有做这方面的尝试。

Q7:咱们现在所有的数据都采集上来以后,是挑选了一些影响的数据进行处理和分析的吗?

裴丹:刚才说的是,凡是已经进行监控的这些KPI,我们刚才听到几位老师介绍的,基本上可以监控的都监控,我说的进行智能的异常检测是已经监控的KPI里面做更好的工作。

Q8:是有动作的成分了吗?

裴丹:这个动作的成分是在很早之前产生的,没有数据,我也没法异常检测,数据已被采集了,前面做了很多大量的基础工作,我们就常规收集了数据进行监测就行了。

经期延长的疾病
痛经怎么调理的食谱
月经颜色淡怎么调理
分享到: