人工智能经典案例

一，AIOPS携程--资源利用率提升

作为国内最大的在线旅游OTA，携程拥有成千上万的应用，每个应用对资源的使用情况也各不相同，哪些是CPU计算型应用、哪些是内存消耗型应用、哪些是高IO应用等，为了提高应用对资源的整体利用率，需要我们有能力对其进行区分。 针对这个问题，我们设计了应用画像，通过利用K-means、EM等聚类算法对应用基础监控的各项监控指标、应用监控指标、发布历史数据做分类，区分出：CPU密集型、内存密集型、网络IO密集型、请求耗时型、频繁发布型等应用，同时给出每个应用属于某个标签的置信度。 对比以往宿主机上随机分配应用的资源，借助应用画像，将亲和性高的应用部署在同一宿主机上可以有效提高整体资源的利用率。

二，深度学习—实现波士顿房价预测

深度学习的核心是特征学习，旨在通过分层网络获取分层次的特征信息，从而解决以往需要人工设计特征的重要难题，我们可以自己搭建神经网络模型，也可以使用深度学习框架中已有的算法，例如： Convolutional Neural Networks(CNN)卷积神经网络 Restricted Boltzmann Machine(RBM)限制波尔兹曼机 Deep Belief Networks(DBN)深信度网络 Recurrent neural Network(RNN)多层反馈循环神经网络神经网络

三，AIOPS腾讯织云--时间序列异常检测

历史包袱沉重 误告邮件多 告警电话多 海量的时间序列 200万条时间序列 时间序列种类多 传统处理规则 最大值、最小值、均值等 波动率

传统基于固定阈值的告警技术存在以下的问题： 1）固定阈值的设定依赖人为经验，和实际情况可能存在较大的偏差； 2）一旦设置不合理，即存在大量的漏报误报； 3）无法检测异常序列的冒烟特征，例如缓慢爬升等； 4）应用成千上万，数量众多，为每个应用维护固定阈值，成本极高； 5）牺牲告警及时性换取有效性，出现应用告警滞后于订单告警。