准召率超80%，网易游戏AIOps异常检测及故障定位优化实践

准召率超80%，网易游戏AIOps异常检测及故障定位优化实践

根据 Gartner 的最新阐释，智能运维（AIOps）意指整合大数据和机器学习能力，通过松耦合、可扩展方式去提取和分析数据量（volume）、种类（variety）和速度（velocity）这三个维度不断增长的 IT 数据，进而为 IT 运维管理产品提供支撑。AIOps 围绕质量保障、成本管理和效率提升的基本运维场景，逐步构建智能化运维场景。在质量保障方面，保障现网稳定运行细分为异常检测、故障诊断、故障预测、故障自愈等基本场景；在成本管理方面，细分为资源优化，容量规划，性能优化等基本场景；在效率方面，分为智能变更、智能问答，智能决策等基本场景。

一、网易游戏AIOPS落地线路图

2016年开始, 网易游戏在AIOps这条道路上持续探索，力求实现从人工运维到智能化运维的转变。从2016年开始组建智能监控团队，构建智能运维平台，一直到现在，落地了异常检测、预测、关联分析、下钻分析、日志分析、运维机器人、故障定位、故障预警等。除此之外，还有很多其他功能，如火焰图分析、硬件预测、CDN文件发布等，都取得不错的实践效果。

二、异常检测

异常检测是研究AIOps的必经之路，后续很多场景功能都以异常检测为基础，属于不得不解决的问题。异常检测指通过 AI 算法，自动、实时、准确地从监控数据中发现异常，为后续的诊断、“自愈”提供基础。相比传统阈值配置成本高、误报多、场景覆盖少的问题，异常检测有易配置、准确率高、场景覆盖面广、自动更新等优点。

对于异常检测，其实网上很多文档或者书籍都给出了一些算法或者工具，但在实际运用的过程中，会发现效果往往不是很好，究其原因是这些算法只能有效地针对一些特定的场景、以及需要做很多的优化来适配实际的场景。为了更好地在实际场景中落地，我们对算法做了一些调整优化，并结合业务需求对指标进行划分，达到更好的检测效果。我们将异常检测根据指标类型划分成了三种场景----业务黄金指标（如游戏在线人数）、性能指标（如cpu使用率）、文本数据（如日志），采用不同的检测算法。

1、业务黄金指标

业务黄金指标的特性是周期性强、曲线波动小、指标量级小、准确率和召回率要求高。我们知道有监督模型具有高准召率、高扩展性的优点，因此我们考虑采用有监督模型对业务黄金指标进行异常检测。然而有监督模型需要大量的标注数据，但对异常检测项目很难收集到足够的异常数据。那应该如何去解决和平衡这两者之间的关系呢？我们从样本构建到报警可视化，构建了一整套的检测框架。

1）样本构建

考虑到样本收集困难问题，我们的样本主要来自两个方面——历史KPI数据集和线上用户标注数据。首先，抽样部分KPI数据集，采用简单无监督检测模型如Iforest检测得到异常score，通过不等比例分层抽样筛选出疑似异常样本和正常样本，进行人工标注，并划分成训练集和测试集用户模型训练和测试。功能上线后，收集用户标注数据，用于模型优化。用户标注的数据仅会作用于本项目，避免不同用户异常认知差异导致的错误报警问题。还有一点需要注意，当历史异常数据不足时候，可以通过异常生成的方式生成样本，如加噪声、设计抖动模式等方式。

2）预处理

预处理模块包含曲线分类、缺失标准化处理以及特征计算三个部分。曲线分类采用LSTM+CNN的方式实现，将待检测KPI分成3类（稳定、不稳定、不检测），分类准确率可达到93%+。线性和前值填充的方式进行缺失值处理，并max-min归一化。特征包含统计特征、拟合特征、分类特征、滤波特征、自定义特征等，构建近500维特征。考虑到无效特征问题，需要进行特征选择，再进行建模。

3）算法模型

模型主要采用常见模型，如RF\XGB\GBDT等，再用LR进行集成，进行检测。

4）可视化

可视化部分包含图文告警、快速标注、异常视图三个模块。通过图文形式进行报警，在报警消息中加上快速标注链接，用户在收到报警后可以快速确认是否有异常发生并标注。

通过有监督模型的方式可达到高准召率的检测效果，线上检测效果可达到90%+，可满足用户的需求。

2、性能指标

有监督检测模型可以很好地对业务黄金指标进行检测，但并不适合性能指标场景。如上面所说，性能指标量级大、指标类型复杂、周期不定等。若依旧考虑采用有监督模型，需要花费巨大的标注成本和训练成本，对于大规模部署的业务很不友好。因此，我们采用无监督模型来检测性能类型指标。

我们按异常类型进行划分，划分成毛刺、漂移、高频、线型趋势四种类型，分别采用不同的检测模型进行检测，用户可以根据自己的需求进行选择报警类型。

毛刺类型：毛刺异常是最常见的一种类型，可以采用差分和SR算法进行检测，都有不错的效果。  漂移类型：漂移问题，首先需要进行STL周期分解，分解出周期、趋势和残差项。然后采用均值漂移和鲁棒回归算法进行检测。高频类型：高频是毛刺的一种变种，有时不关心顺时的抖动，但是持续抖动时候就需要关注了。因此，采用的检测算法也会比较类型，可以采用多步差分进行检测。线性趋势类型：线性趋势主要是为了监控内存泄漏类型问题，可以先进行STL分解，在LR回归和MK检测进行趋势检测。

最后，均需要进行周期抑制的步骤，避免周期性的误报问题。

无监督的检测模型，准召率可达到80%+，基本可达到用户预期。通过图文告警的方式告警，帮助用户快速确认报警的正确性。

3、文本数据

业务的高速发展，对系统稳定性提出了更高的要求，各个系统每天产生大量的日志：

系统有潜在异常，但被淹没在海量日志中，有的项目警量最多可达每日1w+，如何合并告警。故障出现后，日志报警量级太大，难以定位。新版本上线，系统行为有变化，却无法感知。

这些问题，归根到底，是日志信息太多、格式多样，不能很好归类。日志智能分析基于大数据和AI算法，提供实时日志智能分类，以及日志指标异常检测等功能。利用模型根据日志文本的相似性进行归类，自动提取对应的日志模版。如下图，可以从两条日志中提取出模板。

目前业界日志分类的算法相对成熟，有很多的算法都可以达到不错的效果。一次分类我们采用drain算法，然后Spell进行二次分类，解决一次分类长度不同日志分在不同模板的问题。

得到日志模板后，可以基于日志模板数量进行异常检测。智能异常检测会对比不同时间段的分类日志数量，利用机器学习模型自动识别突变或者和历史趋势不一致的日志类型，并发出告警信息：

根据历史两天日志分布情况训练模型，学习正常日志波动周期。从日志整体分布分析，减少单类日志小抖动造成的误报。自动选取影响分布最大的topN类日志。

与指标异常检测不同，日志异常检测可以检测到代码类型异常，对程序排障有重大帮助。此外，日志分类可以对日志治理也要很大的帮助，新项目/服务上线时候通过审查日志模板，可以根据需求整理、删除无效日志。

三、故障定位

在标准的故障处理流程中，故障定位一般可分为两个阶段：

故障止损前：可以快速获得可用于止损决策的信息，做出相应的止损操作使得服务恢复。故障止损后：进一步找到导致故障的深层次原因，确定故障根因，将线上环境恢复到正常状态。

在游戏场景中，随着游戏及系统架构的日渐复杂，运维人员收到的报警信息也变得多种多样，在面对故障时，纷杂的报警信息令运维人员一时难以理清逻辑，甚至顾此失彼，无法在第一时间解决最核心的问题：

游戏架构日渐复杂，出现故障后排查链路比较长。故障产生后，往往会引发多个报警，但是这些报警比较零散，没有按照一定的规则去分类和可视化。导致排查过程中需要人工先去梳理，和过滤报警。目前故障定位依赖人工经验，这些经验难以被复用。

1、资源

资源维度可区分机器、网络渠道、SaaS进行分析给出异常信息。

1）机器

对最近20min内所有metric进行异常检测，计算异常检测分数。再基于越早发生的异常越有可能是根因、指标异常越严重越可能是根因、机器故障越严重越可能是根因几个准则进行排序，给出topN异常机器。

2）网络/渠道

采用Adtributor算法，按区域、运营商等维度进行下钻分析，给出topN异常维度。

3）saas

目前我们SaaS有比较完善的报警，直接可获取异常结果进行汇总。

2、代码

代码问题直接可通过日志分类和异常检测发现，给出topN异常模板。

3、人为操作

人为部分主要是变更事件，与变更系统联动，关联到故障发生前的变更事件，并异常提醒。

4、历史故障

除了分析机器、代码等问题，还有一个比较有效定位故障根因的方式就是关联历史故障。如果本次故障与历史故障异常表现相似，那么大概率是相同的原因导致，故可以历史故障原因作为本次故障根因的推荐。计算当前故障与历史故障的Tanimoto系数，推荐Tanimoto值最大且超过阈值的topN故障以及其根因。

整体的故障定位流程，检测到故障的发生，基于拓扑资源、代码、人为因素、历史故障这几个角度出发，采用不同的方式进行根因分析。如检测到游戏在线人数下降，出发故障定位流程，检测到机器A 网络连接异常，告警出网络问题，人工进行排查出公网故障导致。

图片