VIP20
本课程属于：036-告警降噪阈值策略 DevOps、SRE 与可观测性工程 · 共 20 门相关课程，组合学习更完整。
查看所属VIP全部课程 →
← 返回所属目录 咨询 / 购买

基于机器学习的告警降噪阈值策略：动态阈值与传统规则对比

共计 30 章节
点击此处阅读海量试读课程：100+行业、1000+细分领域
01
课程导论
告警疲劳的现状与降噪的必要性 · 动态阈值与传统规则的对比概览
课程导论告警疲劳的现状
02
传统规则阈值基础
固定阈值 · 静态阈值的定义与适用场景
传统规则阈值基础固定阈值
03
传统规则阈值进阶
基于百分位数 · 滑动窗口的简单动态规则
传统规则阈值进阶基于百分位数
04
传统规则阈值局限
人工调参成本高 · 无法适应周期性变化 · 对突发流量不敏感
传统规则阈值局限人工调参成本高
05
机器学习基础概念回顾
监督学习 · 无监督学习 · 时间序列预测在运维中的应用
机器学习基础概念…监督学习
06
动态阈值核心思想
基于历史数据建模 · 自适应调整告警边界
动态阈值核心思想基于历史数据建模
07
数据预处理
缺失值处理 · 异常点剔除 · 重采样与标准化
数据预处理缺失值处理
08
特征工程
时间特征（小时 · 星期 · 节假日）
特征工程时间特征
09
基于统计的方法
sigma原则与改进版（中位数+…
基于统计的方法sigma
10
基于移动平均的方法
简单移动平均（SMA） · 指数加权移动平均（EWMA）的动态阈…
基于移动平均的方…SMA
11
基于季节性分解的方法
STL分解（趋势 · 季节 · 残差）与残差阈值设定
基于季节性分解的…STL
12
基于Prophet模型的方法
Facebook Prophet的c…
Prophet基于
13
基于孤立森林的方法
无监督异常检测模型输出异常分数 · 动态设定阈值
基于孤立森林的方…无监督异常检测模…
14
基于AutoEncoder的方法
重构误差作为异常指标 · 动态阈值选取
AutoEncoder基于
15
基于LSTM的方法
预测值与真实值的残差分布 · 动态计算告警边界
LSTM基于
16
模型评估指标
精确率 · 召回率 · F1-score
模型评估指标精确率
17
阈值调优策略
基于验证集的F1最大化 · 代价敏感阈值选择
阈值调优策略F1
18
动态阈值与传统规则的混合策略
规则兜底+模型微调 · 分级告警
动态阈值传统规则的混合策…
19
实时推理架构
流处理框架（Flink/Kafka…
实时推理架构Flink/Kafka
20
模型更新与漂移检测
周期性重训练 · 数据分布漂移（PSI/KL散度）触发…
模型更新漂移检测
21
案例一
CPU使用率监控——传统固定阈值 v…
案例一CPU
22
案例二
API响应时间监控——基于EWMA的…
案例二API
23
案例三
网络流量异常检测——基于孤立森林的动…
案例三网络流量异常检测
24
案例四
磁盘IO延迟监控——基于Prophe…
案例四IO
25
案例五
电商大促期间流量突增——混合策略如何…
案例五电商大促期间流量…
26
A/B测试框架
如何在线对比传统规则与动态阈值的告警…
A/B测试框架
27
可解释性
SHAP值解释模型为何触发告警 · 增强运维信任
可解释性SHAP
28
成本与资源考量
模型训练开销 · 推理延迟 · 存储成本对比
成本资源考量
29
最佳实践总结
选型决策树 · 实施路线图 · 常见陷阱
最佳实践总结选型决策树
30
课程总结与展望
AIOps未来趋势 · 大模型与告警降噪的结合方向
课程总结AIOps