文章详情

题名 · 作者 · 摘要 · 关键词 · DOI · 参考文献

基于AIOps的运营商KPI异常检测研究

宋嘉豪，陈理华，陈乐，左金虎，郑伟，叶子纯，丁泽伟

（中国移动通信集团有限公司 数智化部，广东 广州 510006）

栏目：通信工程 · 第 2026 年第 10 期 · 页码：1-9 · 2096-4706（2026）10-0001-09 · 中图分类号：TP391 · 文献标识码：A · DOI：10.19850/j.cnki.2096-4706.2026.10.001

摘要

运维场景下所关注的数据称为关键性能指标（KPI），中国移动通信集团有限公司数智化部针对自身在KPI异常检测中遇到的数据多为无监督类型、指标值域具不确定性、异常值相对较少等难题，利用智能运维（AIOps）做了以下工作。首先基于AIOps提出一个变化率及上界异常（CRVB）的算法，然后选择了运营商某省公司IT运维中最关注的2个场景接口服务和进程服务里共10个KPI，将该算法与其他4种业界常用且效果较好的异常检测算法应用到运营商日常运维的KPI异常检测任务中并得到结果。最后通过比对异常检测评价指标，得出5种算法在质量和效率上的优劣及其各自适用的KPI，发现所提CRVB算法在占比类KPI的异常检测任务上明显优于其他算法。

关键词

智能运维；运营商；异常检测；关键性能指标；核密度估计

参考文献

  1. [1] 朱海麒.基于深度学习的运维数据异常检测研究 [D].哈尔滨：哈尔滨工业大学，2019.
  2. [2] 安晶，艾萍，徐森，等.一种基于一维卷积神经网络的旋转机械智能故障诊断方法[J].南京大学学报（自然科学版），2019，55（1）：10.
  3. [3] HEGAZI A G，SHANAWANY E E E，EL-HOUSSINY A S. Prediction of Liver Diseases Based on Machine Learning Technique for Big Data [J//OL].BMC Veterinary Research，2018：127[2025-10-23].https://doi.org/10.1186/s12917-023-03689-y.
  4. [4] PARK J W，TUMANOV A，J I A N G A，e t al. 3Sigma: Distribution-based Cluster Scheduling for Runtime Uncertainty [C]//EuroSys '18: Proceedings of the Thirteenth EuroSys Conference. Porto：Association for Computing Machinery，2018（2）：1-17.
  5. [5] BENJAMIN M A，RIGBY R A，STASINOPOULOS D M. Generalized Autoregressive Moving Average Models [J].Publications of the American Statistical Association，2003，98（461）：214-223.
  6. [6] MUHTAROV P，K UTIEV I，CANDE R L. Geomagnetically Correlated Autoregression Model for Shortterm Prediction of Ionospheric Parameters [J].Inverse Problems，2002，18（1）：49-65.
  7. [7] SZMIT M，SZMIT A. Usage of Modified Holt-Winters Method in the Anomaly Detection of Network Traffic: Case Studies [J/OL]. Journal of Computer Networks and Communications，2012：192913[2025-11-02].https://doi.org/10.1155/2012/192913.
  8. [8] GAO J K，SONG X M，WEN Q S, et al. RobustTAD: Robust Time Series Anomaly Detection via Decomposition and Convolutional Neural Networks [J/OL]. arXiv:2002.09545 [cs.LG].[2025-10-06].https://doi.org/10.48550/arXiv.2002.09545.
  9. [9] LU W，GHORBANI A A. Network Anomaly Detection Based on Wavelet Analysis [J]. EURASIP Journal on Advances in Signal Processing，2008，2009：1-16.
  10. [10] CARONI C. Outlier Detection by Robust Principal Components Analysis.
  11. [J]. Communications in Statistics-Simulation and Computation，2000，29（1）：139-151.https://www.tandfonline. com/doi/abs/10.1080/03610910008813606.
  12. [11] GE N Z，WENG X，YANG Q Y. Unsupervised Anomaly Detection Via Two-dimensional Singular Value Decomposition and Subspace Reconstruction for Multivariate Time Series [J]. Applied Intelligenc，2022：1-17.
  13. [12] LATECKI L J，LAZAREVIC A，POKRAJAC D. Outlier Detection with Kernel Density Functions [C]//Machine Learning and Data Mining in Pattern Recognition.Berlin.Leipzig：Springer，2007：61-75.
  14. [13] MIAO D，QIN X，WANG W. Anomalous Cell Detection with Kernel Density-based Local Outlier Factor [J].China communications，2015，12（9）：64-75.
  15. [14] XU D，WANG Y，MENG Y，et al. An Improved Dataanomaly Detection Method Based on Isolation Forest [C]//2017 10th international symposium on computational intelligence and design(ISCID).Hangzhou：IEEE，2017，2：287-291.
  16. [15] PRIMARTHA R，TAMA B A. Anomaly Detection Usingrandom Forest: A Performance Revisited [C]//2017 International Conference on Data and Software Engineering (ICoDSE).Quebec City：IEEE，2017：1-6.
  17. [16] POL A A，BERGER V，GERMAIN C，et al. Anomalydetection with Conditional Variational Autoencoders [C]//2019 18th IEEE International Conference on Machine Learning and Applications (ICMLA).Boca Raton：IEEE，2019：1651-1657.
  18. [17] DU M，LI F F，ZHENG G N，et al. Deeplog: Anomalydetection and Diagnosis from System Logs Through Deep Learning [C]//CCS'17: 2017 ACM SIGSAC Conference on Computer and Communications Security.Dallas：Association for Computing Machinery，2017：1285-1298.
  19. [18] 王速，卢华，汪硕，等.智能运维中KPI异常检测的研究进展 [J].电信科学，2021，37（5）：42-51.
  20. [19] 徐恪，徐明伟，吴建平.分布式拒绝服务攻击研究综述 [J].小型微型计算机系统，2004，25（3）：337-346.
  21. [20] 陈永彬，蔡方凯，王飞.数据仓库和数据挖掘技术在电信CRM中应用 [J].通信与信息技术，2009（3）：80-82.
  22. [21] 李忠，靳小龙，庄传志，等.面向图的异常检测研究综述 [J].软件学报，2021，32（1）：167-193.
  23. [22] BOJER C S，MELDGAARD J P. Kaggle Forecasting Competitions: An Overlooked Learning Opportunity [J].International Journal of Forecasting，2021，37（2）：587-603.
  24. [23] 何清，李宁，罗文娟，等.大数据下的机器学习算法综述 [J].模式识别与人工智能，2014，27（4）：327-336.

基金项目

面向IT运维任务的大模型训练及应用研发-二期（R25113U7）；深瞳智能运维平台研发-二期（R25113U8）

作者简介

宋嘉豪（1994—），男，汉族，广东肇庆人，中级工程师，硕士研究生，研究方向：智能运维；陈理华（1984—），男，汉族，湖南长沙人，中级工程师，硕士研究生，研究方向：智能运维；陈乐（1982—），男，汉族，四川重庆人，高级工程师，硕士研究生，研究方向：大数据、智能运维；左金虎（1983—），男，汉族，湖北汉川人，高级工程师，硕士研究生，研究方向：智能运维；郑伟（1984—），女，汉族，河北保定人，中级工程师，硕士研究生，研究方向：智能运维；叶子纯（1993—），女，汉族，江苏盐城人，中级工程师，硕士研究生，研究方向：智能运维；丁泽伟（1991—），男，汉族，广东汕头人，中级工程师，硕士研究生，研究方向：智能运维。