aiops-handbook与大模型结合：LLM在智能运维中的创新应用与案例
项目地址: https://gitcode.com/gh_mirrors/ai/aiops-handbook aiops-handbook是AIOps领域的论文、演讲、开源库汇总手册，按照《企业AIOps实施建议白皮书》中的场景分类进行收集和展示。随着大模型技术的飞速发展，LLM在智能运维领域展现出巨大潜力，为AIOps带来了诸多创新应用与实践案例。
大模型在指标监控与分析中的应用案例
GPT4TS大模型：时序预测与异常检测的基准之作
清华大学基于GPT2开发的GPT4TS大模型是AIOps领域时序数据处理的开山之作，成为后续相关研究进展的基准。该模型在单维度和多维度指标的分类、长短期预测、异常检测等任务中表现出色，为智能运维中的指标分析提供了强大的技术支撑。
ChatTS：指标问答大模型的实践
清华裴丹团队开源的ChatTS指标问答大模型（https://github.com/NetManAIOps/ChatTS）基于qwen2.5-14B进行增量预训练和微调对齐。在预训练数据合成方面，参照evol-instruct设计了一套TS-Evol方案。指标数据在输入大模型之前，先经过一个自训练的5层MLP编码器处理，实现了指标数据与自然语言的高效交互，让运维人员可以通过自然语言查询和分析复杂的指标数据。
MonitorAssistant：LLM助手提升指标监控效率
微软与清华发表的MonitorAssistant在指标监控和标注流程中引入LLM助手。新指标上线时，LLM助手可推荐配置参数；指标告警时，除考虑指标时序相似度外，还结合指标描述的文本相似度进行历史告警推荐。在工单对话中，通过文本问答反馈异常类型是否为误报或不关心，有效提升了指标监控的效率和准确性。
大模型在日志处理与分析中的创新应用
LogPPT：基于大模型的日志异常检测
澳大利亚纽卡斯尔大学开源的LogPPT项目（https://github.com/LogIntelligence/LogPPT）利用RoBERTa大模型和loghub数据集。针对loghub数据集中每类日志仅有2k条有标签的情况，该项目反向使用2k有标签数据作为prompt，实现了高效的日志异常检测，为日志分析提供了新的思路。
LogBase数据集：大模型辅助构建高质量日志数据
复旦与阿里开源的LogBase数据集（https://dl.acm.org/doi/pdf/10.1145/3728969）构建方法独特。从GitHub上爬取130个主要的Java开源项目的logger代码，根据logger所在method的parameters命名模板变量，然后用大模型CoT方法生成对应84300个模式的样例日志。该数据集为日志分析算法的训练和评估提供了高质量的数据支持。
SuperLog数据集：多维度日志问答数据构建
华为开源的SuperLog数据集在loghub数据集基础上进行模式比例调整重构，针对每个模板，分Grok正则、日志解读、根因分析、组件关联分析、潜在故障预测5个维度，10个模板，生成25万条问答数据，为日志相关的问答系统训练提供了丰富的素材。
大模型在根因分析与故障处理中的实践案例
RCACopilot：基于LLM的故障根因分析
微软发表的RCACopilot论文（https://yinfangchen.github.io/assets/pdf/rcacopilot_paper.pdf）提出了一种创新的根因分析方法。先总结告警信息，然后使用预训练的fasttext嵌入模型对历史故障进行向量搜索，将摘要、故障分类和描述纳入最终提示，让LLM判断是否为旧故障及处理方式。虽然该方法对评估团队和业务环境有较强依赖，但其提供的评估数据和思路具有一定的参考价值。
SparseRCA：无监督根因分析在微服务测试追踪中的应用
清华大学与蚂蚁金服的SparseRCA论文（https://netman.aiops.org/wp-content/uploads/2024/09/SparseRCA__Unsupervised_Root_Cause_Analysis_in_Sparse_Microservice_Testing_Traces__ISSRE24_Camera_Ready_.pdf）通过案例研究提出，部分span的自身耗时与child的数量有关，利用EM算法构建对未知trace pattern耗时的拟合函数，用于RCA异常检测和排序，为微服务环境下的根因分析提供了新的解决方案。
大模型在智能运维评测与数据集构建中的贡献
CodeFuse-DevOpsEval：DevOps与AIOps评测数据集
北大与蚂蚁金服开源的CodeFuse-DevOpsEval评测数据集（https://github.com/codefuse-ai/codefuse-devops-eval/blob/main/README_zh.md）涵盖DevOps和AIOps两大块12类场景，为大模型在智能运维领域的性能评估提供了全面的测试基准。
MOMENT模型与Time-Series Pile数据集
卡内基梅隆大学的MOMENT模型和Time-Series Pile数据集（https://arxiv.org/pdf/2402.03885.pdf）对标大语言模型的Pile数据集，收集了常用的5个指标数据集，覆盖单维度和多维度指标的分类、长短期预测、异常检测等任务。预训练了moment-base、large、small三个规格的指标大模型，为时序数据大模型的研究和应用奠定了基础。
大模型与aiops-handbook的结合，为智能运维带来了前所未有的机遇。从指标监控、日志分析到根因定位，LLM技术不断推动AIOps向更智能、高效的方向发展。随着相关研究的深入和数据集的丰富，相信未来会有更多创新应用和实践案例涌现，为企业的智能运维提供更强大的支持。如果您想深入了解相关内容，可以clone仓库进行研究，仓库地址是 https://gitcode.com/gh_mirrors/ai/aiops-handbook 。
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
