专题演讲嘉宾：陈云

故障管理是运维的重要场景，是决定业务高可用性的关键，当前很多故障的处理都依赖运维工程师对于监控实时数据的分析，但这个过程其实未必可靠。即使是一个小型分布式系统涉及到数据量也是海量的，故障期间运维工程师也很难综合所有数据进行分析，更多的是依靠历史经验基于局部少量信息做决策，一方面如果历史没见过类似故障，经验不再奏效，故障诊断时间将被拉长，另外一方面，基于局部少量信息做决策往往是不够理性的，可能以错误方式试图恢复故障，更可能造成次生灾害。

因此，我们一直在尝试借助算法对监控系统采集的时序指标和日志文本，并在故障管理场景进行落地，解决一些实际问题。例如故障发现环节如何对于黄金指标进行异常检测？如何降低海量指标的阈值配置成本？故障止损环节如何对常见的单机房故障进行流量自动调度切换？故障诊断环节，如何组合海量多样的数据加速诊断的过程，降低运维工程师的诊断成本？如何通过数据的启发对故障进行预测，使运维工作从救火向防火转变？

本次分享，我们将介绍百度在故障管理的一些经验，并且分别介绍在故障发现、故障止损、故障诊断和故障预测环节的一些智能运维算法探索，最后将分享百度在故障管理场景的一些实践案例。

演讲提纲：

1. 百度运维平台历史
2. 智能运维的意义和基础
3. 故障管理场景
   • 故障管理场景模型
   • 故障管理场景痛点
4.  故障管理场景的 AIOps 探索
   • 故障发现：黄金指标异常检测算法
   • 故障止损：单机房止损
   • 故障诊断
   • 故障预测

你将获得：

1. 了解百度的运维平台发展历史，对于智能运维算法的理解和实施要素
2. 了解百度在故障管理场景遇到的难点问题、智能运维算法思想和落地案例
3. 了解百度在故障预测环节的具体实践和未来工作思路