专题演讲嘉宾：徐建伟

在支撑 bilibili 亿级用户的复杂分布式系统中，一次故障可能涉及数百个微服务的连锁反应。传统的人工排查方式面临着"大海捞针"的困境，平均 MTTR 往往在小时级别。而 AI 技术的突破为这一问题带来了全新解法。我们构建了智能化根因分析系统，实现了从"被动响应"到"主动诊断"的转变，将工程师从重复性排查工作中解放出来。本次分享我将深入剖析 bilibili 在 AI 驱动的智能运维领域的核心技术实践，包括多模态数据融合、知识图谱构建、大模型推理优化等关键技术，为听众提供可落地的 AI + 可观测性解决方案。

演讲提纲

1. 从"人肉排查"到"AI诊断"：bilibili 的痛点与机遇

• 亿级用户背景下的故障挑战：复杂度指数级增长
• 传统根因分析的三大瓶颈：时间成本、准确率、知识传承
• AI 技术带来的机遇：数据驱动 + 智能推理

2. 根因分析核心架构和演进思路

• 多模态数据融合：日志、指标、链路、事件的统一建模
• 知识图谱构建：从历史案例到智能推理规则
• 大模型应用：自然语言处理 + 时序分析的深度融合
• 数据提纯：清洗、对齐、增强 —— 打造高信噪比的诊断燃料
• 模型迭代：动态调整推理边界，让 AI 学会“灰度思考”
• 工单即训练集：每一次人工复盘都是模型的进化机会
• 自生长的知识库：诊断结果自动沉淀为可复用的解决方案

3. 核心场景的 AI 化改造实践

• 视频播放异常：从告警到根因定位的 3 分钟闭环
• 推荐系统降级：多组件级联故障的智能溯源
• 局部流量暴增：多元数据联动诊断
• 数据库性能：SQL 慢查询的智能优化建设

4. 技术演进方向与实践展望

• 场景覆盖的扩展：降低用户领域知识到根因模型的转化门槛
• 准确率的持续提升：从问题定界向精准定根因的技术深化
• AI 能力的平台化：构建可复制、可扩展的智能诊断体系

您认为，这样的技术在实践过程中有哪些痛点？

• 特定业务逻辑场景覆盖不足（如风控限流导致互动主播无法查看到观众弹幕）
• 定制化业务规则适配成本较高（需人工配置策略，购买任务配置过期）
• 复杂业务场景的根因定位准确率待提升（典型如联合会员兑换未到账问题）

演讲亮点

• 通过建立业务场景模型与底层多模态数据的深度关联，实现了从业务指标异常（如流量下跌）到系统组件（如风险控制模块）、基础设施（如 IP 发布策略）的全链路根因追溯能力。这种端到端的关联分析有效解决了传统监控中"指标孤岛"问题，使故障定位时间缩短 60% 以上
• 将传统权重分析升级为基于知识图谱的因果推理模型，通过细粒度条件过滤机制（如结合发布时间窗口、IP 批次等维度），实现了多维因子交叉影响的自动化分析。实际测试表明，该方法使误报率降低 45%，准确率提升至 92%

听众收益

• 系统性理解分布式场景下的根因分析挑战
  • 掌握复杂系统中根因定位的典型难点（如微服务间非线性交互、数据割裂、术语差异等），明确从“表象告警”到“真实根因”的推理障碍
  • 学习如何通过多源数据融合（日志、指标、链路等）和知识库构建解决信息缺失与噪声问题
• 获得可落地的根因分析方法论与实践经验
  • 了解从告警触发到自动化归因的完整演进路径，包括模型优化（如边界条件细化）、案例沉淀（工单联动生成知识库）等关键步骤
  • 直接复用分享中的典型场景解决方案（如 SLA 异常、MySQL 慢查询突增），快速定位类似问题（如资源争抢、发布故障）