如何在实际场景中使用异常检测？阿里云Prometheus智能检测算子来了

简介：异常检测作为智能运维（AIOps）系统中基础且重要功能，其旨在通过算法自动地发现 KPI 时间序列数据中的异常波动，为后续的告警、自动止损、根因分析等提供决策依据。那么，我们该如何在实际场景中使用异常检测呢，而异常检测又是什么，今天我们就进行一次深入讲解。

作者｜梵登、白玙

审核&校对：白玙

编辑&排版：雯燕

背景

异常检测作为智能运维（AIOps）系统中基础且重要功能，其旨在通过算法自动地发现 KPI 时间序列数据中的异常波动，为后续的告警、自动止损、根因分析等提供决策依据。那么，我们该如何在实际场景中使用异常检测呢，而异常检测又是什么，今天我们就进行一次深入讲解。

什么是异常检测？

在一切开始前，我们首先需要了解什么是异常检测。异常检测是指从时间序列或者事件日志中，去识别出不正常的事件、现象等。我们这里讲的异常检测特指时间序列的异常检测。通过对时间序列的值大小，曲线形态等进行综合判定，可以发现曲线异常点。异常的表现一般是指时间序列发生了不符合预期的上升、下降或者波动。

举例来说：某台机器的内存使用率指标一直在 40% 左右的水位波动， 突然飙升至 100%；某个 Redis 数据库的连接数正常水平一直在 100 数量左右， 突然发生了大规模的下跌至 0 的现象；某个业务的在线人数在 10 万左右波动，突然下跌到了 5 万等等。 

什么是时间序列？

时间序列是指一组按照时间发生先后顺序进行排列的数据点序列，通常一组时间序列的时间间隔为一恒定值（如 1 分钟、5 分钟）。

当前开源 Prometheus 是如何做异常检测的？

目前开源版本的 Prometheus 检测能力还是基于设定阈值规则方式进行，而这种依赖阈值设定的方式就引出了以下问题。

常见问题

问题 1：面对数以万计的指标数量，如何快速又合理的完成检测配置？

由于不同类型指标的含义差别大，对应设定的合理阈值也不太一样。哪怕是同一种类型指标，由于业务状态不一样，往往不能用相同阈值。因此，在配置阈值时，运维人员需要根据对应的业务情况去配置自认为合理的阈值。由于运维人员认知水平和工作经验存在差异，因此不同人员配置的阈值也存在差别。其次，很多指标没有明确合理的范围定义，这导致很多阈值配置都是“拍脑袋”确定的，随机性比较强。

举例来说：某在线人数指标， 必须仔细观察分析历史指标曲线的数值分布和变化趋势，才能设置出合理的阈值。

问题 2：随着业务的演化，如何进行检测规则的维护？

对于相对稳定的业务，业务指标长期处于稳定状态，这种情况下配置的阈值可以发挥比较长时间作用。但对于时刻变化的业务， 伴随业务的不断演化，指标的水位和走势也是在不断变化。这些变化很容易导致一开始设定的阈值