智能運維之道：基于AI技術的應用實踐

第1章智能運維概述/
1.1智能運維的概念/
1.1.1運維與運營的區(qū)別/
1.1.2智能運維與開發(fā)運維的區(qū)別/
1.2智能運維的發(fā)展歷程及趨勢/
1.2.1推動運維工作發(fā)展的內(nèi)外部力量/
1.2.2智能運維的發(fā)展歷程/
1.2.3智能運維未來發(fā)展趨勢/
1.3智能運維應用場景/
1.3.1異常檢測/
1.3.2根因診斷/
1.3.3故障自愈/
1.3.4事件預警/
1.3.5效能優(yōu)化/第2章人工智能技術概述/
2.1人工智能的概念及發(fā)展歷程/
2.2人工智能的核心技術/
2.2.1機器學習/
2.2.2深度學習/
2.2.3自然語言處理/
2.2.4知識工程/
2.2.5機器人/
2.3人工智能技術的應用領域及發(fā)展趨勢/
2.3.1人工智能應用領域/
2.3.2人工智能發(fā)展趨勢/第3章智能運維中的關鍵技術/
3.1數(shù)據(jù)處理技術/
3.1.1數(shù)據(jù)離線技術及數(shù)據(jù)存儲技術/
3.1.2數(shù)據(jù)實時計算及快速響應技術/
3.1.3數(shù)據(jù)采集及輔助處理技術/
3.1.4大數(shù)據(jù)技術在智能運維領域面臨
的挑戰(zhàn)/
3.2知識圖譜/
3.2.1知識圖譜的基本概念/
3.2.2一般知識圖譜的構建流程/
3.2.3知識圖譜在智能運維中的應用/
3.3自然語言處理/
3.3.1領域短語挖掘/
3.3.2同義詞匹配/
3.3.3命名實體識別/目錄////智能運維之道——基于AI技術的應用實踐第4章智能運維中的常用算法/
4.1異常檢測算法/
4.1.1基于概率模型的檢測方法/
4.1.2基于鄰近度的檢測方法/
4.1.3基于分類的檢測方法/
4.1.4基于專家經(jīng)驗的綜合評價方法/
4.2根因診斷算法/
4.2.1數(shù)據(jù)驅動的根因診斷/
4.2.2基于領域知識的根因診斷/
4.3趨勢預測算法/
4.3.1數(shù)據(jù)特征/
4.3.2基于統(tǒng)計方法的線性預測模型/
4.3.3基于機器學習的非線性預測模型
/
4.4事物分類算法/
4.4.1傳統(tǒng)事物分類算法/
4.4.2事物分類算法新進展/第5章智能運維——從數(shù)據(jù)預處理開始/
5.1結構化數(shù)據(jù)質(zhì)量監(jiān)控與預處理/
5.1.1結構化數(shù)據(jù)質(zhì)量監(jiān)控/
5.1.2結構化數(shù)據(jù)預處理技術/
5.2文本數(shù)據(jù)預處理與標注/
5.2.1數(shù)據(jù)清洗/
5.2.2數(shù)據(jù)標注/
5.3圖片數(shù)據(jù)預處理與標注/
5.3.1智能運維中的視覺任務/
5.3.2圖像標注工具/第6章應用聚類算法實現(xiàn)網(wǎng)元智能分類/
6.1LTE網(wǎng)元分類存在的問題/
6.2網(wǎng)元分類算法設計/
6.2.1數(shù)據(jù)與關鍵指標選取/
6.2.2數(shù)據(jù)清洗及平穩(wěn)性檢驗/
6.2.3特征生成與選擇/
6.2.4聚類算法/
6.3網(wǎng)元初始聚類結果/
6.3.1平穩(wěn)性檢驗結果/
6.3.2主成分分析結果/
6.3.3聚類結果/
6.4基于改進后聚類算法的網(wǎng)元分類結果
/
6.4.1原有聚類方法的改進點/
6.4.2數(shù)據(jù)預處理/
6.4.3特征提取/
6.4.4算法設計/
6.4.5聚類效果/
6.4.6小結/第7章應用有監(jiān)督/無監(jiān)督算法實現(xiàn)異常檢測/
7.1單指標異常波動檢測/
7.1.1異常波動檢測的概念/
7.1.2基于統(tǒng)計分布的檢測算法/
7.1.3其他檢測算法/
7.2單指標異常檢測/
7.2.1適用單指標異常檢測的算法/
7.2.2算法計算結果/
7.2.3小結/
7.3多指標異常檢測/
7.3.1基于有監(jiān)督算法與無監(jiān)督算法相
結合檢測/
7.3.2基于深度學習檢測/
7.3.3基于專家經(jīng)驗的綜合評價法檢測
/第8章應用知識圖譜解決網(wǎng)元異常問題/
8.1網(wǎng)元異常診斷的傳統(tǒng)方案/
8.2網(wǎng)元異常診斷知識圖譜/
8.2.1知識表示與數(shù)據(jù)獲取/
8.2.2實體關系的抽取與對齊/
8.2.3知識圖譜的建立/
8.2.4知識圖譜的應用/
8.3應用知識圖譜的成效/第9章應用時序模型實現(xiàn)長短期趨勢預測/
9.1短周期預測：未來五分鐘IPTV
播放用戶數(shù)的預測/
9.1.1背景介紹/
9.1.2算法選擇/
9.1.3參數(shù)選擇/
9.1.4計算結果/
9.1.5小結/
9.2中周期預測：未來一周網(wǎng)絡流量
變化的預測/
9.2.1算法選擇/
9.2.2數(shù)據(jù)預處理/
9.2.3計算結果/
9.2.4小結/
9.3長周期預測：基站擴縮容
預測/
9.3.1算法設計/
9.3.2數(shù)據(jù)預處理/
9.3.3特征工程/
9.3.4計算結果/
9.3.5小結/第10章應用分類預測模型實現(xiàn)質(zhì)差設備預見性識別/
10.1物聯(lián)網(wǎng)NB業(yè)務質(zhì)差預測/
10.1.1需要解決的問題/
10.1.2方案設計/
10.1.3應用效果/
10.1.4小結/
10.2網(wǎng)絡設備隱患預測/
10.2.1背景介紹/
10.2.2面臨的挑戰(zhàn)/
10.2.3在特征較少的條件下進行預測
/
10.2.4在數(shù)據(jù)粒度較細的條件下進行
預測/
10.2.5小結/第11章應用因果分析實現(xiàn)故障根因定位/
11.1物聯(lián)網(wǎng)NB業(yè)務根因的因果分析/
11.1.1背景介紹/
11.1.2面臨的挑戰(zhàn)/
11.1.3算法實現(xiàn)/
11.1.4應用效果/
11.1.5小結/
11.2IPTV設備根因的因果分析/
11.2.1背景介紹/
11.2.2算法實現(xiàn)/
11.2.3應用效果/
11.2.4小結/參考文獻/