请求量、响应时间、错误数和容量是运维领域的四大黄金指标，针对黄金指标的异常检测技术是故障发现和故障诊断的基础。但一直以来，黄金指标异常检测技术都是一个复杂的问题。一方面，需要算法针对不同指标训练不同的模型，并且要能满足 Oncall 工程师对高准确召回率的要求，另一方面，历史数据集中的故障数据比例不高，数据标注成本较大，这就要求算法自己有能力识别并排除噪声数据，第三，故障发现、诊断、自愈等场景对于准确率和召回率的倾向不同，算法需要具备按场景调节的能力。 本次演讲，我们将介绍百度 AIOps 黄金指标异常检测技术。我们的算法已经覆盖了百度所有业务线的故障发现，并且也在故障诊断和自愈场景有了很多的实践。 

内容大纲

1. 黄金指标监控背景

2. 黄金指标监控体系

2.1 基于高斯核密度估计的延迟监控方法

2.2 基于Beta分布核密度估计的容量监控方法

2.3 基于二项分布的错误数监控方法

2.4 基于泊松分布的流量监控方法

3. 应用效果

4. 总结及展望

听众受益

1. 运维黄金指标的传统监控方法及其缺陷；

2. 基于概率统计的运维黄金指标监控方法。