智能运维：从0搭建大规模分布式AIOps系统彭冬籍

目录

篇　开门见山：运维发展史

章　运维现状 2
1.1　运维工程 2
1.1.1　认识运维 2
1.1.2　主要职责 4
1.1.3　运维技术 5
1.2　运维发展历程 6
1.2.1　人工阶段 6
1.2.2　工具和自动化阶段 7
1.2.3　平台化阶段 7
1.2.4　智能运维阶段 8
1.3　运维现状 9
1.3.1　故障频发 9
1.3.2　系统复杂性 10
1.3.3　大数据环境 12
1.4　本章小结 14
1.5　参考文献 14

第2章　智能运维 15
2.1　海量数据的存储、分析和处理 16
2.2　多维度、多数据源 18
2.3　信息过载 19
2.4　复杂业务模型下的故障定位 21
2.5　本章小结 22
2.6　参考文献 22

第2篇　站在巨人肩上：智能运维基础设施

第3章　开源数据采集技术 25
3.1　数据采集工具对比 25
3.2　轻量级采集工具Filebeat 26
3.2.1　Filebeat工作原理 26
3.2.2　Filebeat的安装与配置 28
3.2.3　启动和运行Filebeat 38
3.3　日志采集解析工具 38
3.3.1　Logstash工作原理 39
3.3.2　安装Logstash 40
3.3.3　配置Logstash 41
3.3.4　启动Logstash 49
3.4　本章小结 49
3.5　参考文献 50

第4章　分布式消息队列 51
4.1　开源消息队列对比与分析 51

4.1.1　概述 51
4.1.2　ZeroMQ 51
4.1.3　ActiveMQ 52
4.1.4　RocketMQ 52
4.1.5　Kafka 53
4.2　Kafka安装与使用 53
4.2.1　组件概念 53
4.2.2　基本特性 53
4.2.3　安装与使用 54
4.2.4　Java API使用 55
4.3　案例分析 57
4.3.1　日志采集 58
4.3.2　实时结算 58
4.3.3　实时计算 58
4.4　本章小结 58
4.5　参考文献 59

第5章　大数据存储技术 60
5.1　传统数据存储 60
5.1.1　传统应用的架构 60
5.1.2　传统存储的运行机制 61
5.1.3　传统存储带来的问题 62
5.2　基于HDFS的分布式存储 63
5.2.1　分布式存储的定义 63
5.2.2　HDFS的基本原理 64
5.2.3　HDFS架构解析 65
5.2.4　HDFS优势 66
5.2.5　HDFS不适合的场景 67
5.3　分层存储 68
5.3.1　数据仓库 68
5.3.2　数据仓库分层架构 70
5.3.3　分层存储的好处 73
5.4　案例分析 73
5.4.1　数据存储架构 73
5.4.2　数据仓库建模 74
5.4.3　常见的存储问题及解决方案 80
5.5　本章小结 80
5.6　参考文献 80

第6章　大规模数据离线计算分析 82
6.1　经典的离线计算 82
6.1.1　Linux神级工具sed和awk 82
6.1.2　Python数据处理Pandas基础 84
6.1.3　Python的优势和不足 88
6.2　分布式离线计算 89
6.2.1　MapReduce离线计算 89
6.2.2　离线计算的数据倾斜问题 97
6.2.3　分布式离线计算的技术栈 100
6.3　案例分析 101
6.3.1　离线计算管理 102
6.3.2　离线计算原子控制 103
6.3.3　离线计算的数据质量 103
6.4　本章小结 104
6.5　参考文献 105

第7章　实时计算框架 106
7.1　关于实时流计算 106
7.1.1　如何提高实时流计算的实时性 106
7.1.2　如何提高实时流计算结果的准确性 107
7.1.3　如何提高实时流计算结果的响应速度 107
7.2　Spark Streaming计算框架介绍 107
7.2.1　概述 107
7.2.2　基本概念 108
7.2.3　运行原理 108
7.2.4　编程模型 109
7.2.5　Spark Streaming的使用 110
7.2.6　优化运行时间 114
7.3　Flink计算框架 115
7.3.1　基本概念 116
7.3.2　Flink特点 116
7.3.3　运行原理 118
7.3.4　Java API的使用 121
7.4　案例分析 124
7.4.1　背景介绍 125
7.4.2　架构设计 126
7.4.3　效果分析 126
7.5　本章小结 126
7.6　参考文献 126

第8章　时序数据分析框架 127
8.1　时序数据库简介 127
8.1.1　什么是时序数据库 127
8.1.2　时序数据库的特点 128
8.1.3　时序数据库对比 130
8.2　时序数据库Graphite 131
8.2.1　Graphite简介 131
8.2.2　Graphite在微博广告监控系统中的应用 137
8.3　多维分析利器Druid 139
8.3.1　什么是Druid 139
8.3.2　Druid架构 140
8.3.3　Druid在微博广告监控平台中的应用 144
8.4　性能神器ClickHouse 147
8.4.1　什么是ClickHouse 147
8.4.2　ClickHouse的特性 148
8.4.3　ClickHouse的不足 149
8.4.4　安装配置ClickHouse 149
8.4.5　表引擎 153
8.4.6　函数支持 157
8.5　本章小结 160
8.6　参考文献 160

第9章　机器学习框架 161
9.1　简介 161
9.2　TensorFlow介绍 162
9.2.1　什么是TensorFlow 162
9.2.2　下载安装 162
9.2.3　“Hello TensorFlow”示例 166
9.3　TensorFlow进阶 166
9.3.1　基础理论 167
9.3.2　模型准备 169
9.3.3　训练数据 169
9.3.4　模型训练 171
9.3.5　生成seq2seq句子 174
9.3.6　运行演示 175
9.4　本章小结 178
9.5　参考文献 179

第3篇　运维新时代：智能运维技术详解

0章　数据聚合与关联技术 182
10.1　数据聚合 182
10.1.1　聚合运算 183
10.1.2　多维度聚合 186
10.2　降低维度 188
10.2.1　将告警聚合成关联“事件” 189
10.2.2　减少误报：告警分类 190
10.3　数据关联 192
10.4　实时数据关联案例 193
10.4.1　设计方案 193
10.4.2　效果 195
10.5　本章小结 195
10.6　参考文献 195

1章　数据异常点检测技术 196
11.1　概述 196
11.2　异常检测方法 198
11.2.1　基于统计模型的异常点检测 199
11.2.2　基于邻近度的异常点检测 202
11.2.3　基于密度的异常点检测 203
11.3　独立森林 204
11.4　本章小结 207
11.5　参考文献 207

2章　故障诊断和分析策略 208
12.1　日志标准化 209
12.2　全链路追踪 210
12.3　SLA的统一 210
12.4　传统的故障定位方法 211
12.4.1　监控告警型 211
12.4.2　日志分析型 212
12.5　人工智能在故障定位领域的应用 213
12.5.1　基于关联规则的相关性分析 213
12.5.2　基于决策树的故障诊断 217
12.6　本章小结 222
12.7　参考文献 222

3章　趋势预测算法 223
13.1　移动平均法 223
13.2　指数平滑法 224
13.3　ARIMA模型 226
13.3.1　简介 226
13.3.2　重要概念 226
13.3.3　参数解释 228
13.3.4　建模步骤 230
13.3.5　ARIMA模型案例 232
13.4　神经网络模型 236
13.4.1　卷积神经网络 236
13.4.2　循环神经网络 238
13.4.3　长短期记忆网络 239
13.4.4　应用说明 241
13.5　本章小结 241
13.6　参考文献 242

第4篇　智能运维架构实践：技术案例详解

4章　快速构建日志监控系统 244
14.1　Elasticsearch分布式搜索引擎 244
14.1.1　基本概念 244
14.1.2　分布式文档存储与读取 248
14.1.3　分布式文档检索 250
14.1.4　分片管理 252
14.1.5　路由策略 254
14.1.6　映射 255
14.2　可视化工具Kibana 258
14.2.1　Management 260
14.2.2　Discover 260
14.2.3　Visualize 262
14.2.4　Dashboard 263
14.2.5　Timelio263
14.2.6　Dev Tools 264
14.3　ELK搭建实践 264
14.3.1　Logstash安装配置 264
14.3.2　Elasticsearch集群安装配置 266
14.3.3　Kibana安装配置 272
14.4　本章小结 274
14.5　参考文献 274

5章　微博广告智能监控系统 275
15.1　背景介绍 275
15.1.1　监控指标体系 275
15.1.2　功能设计原则 276
15.2　整体架构 277
15.3　核心功能分析 278
15.3.1　全景监控 278
15.3.2　趋势预测 281
15.3.3　动态阈值 285
15.3.4　服务治理 285
15.4　本章小结 288

6章　微博平台通用监控系统 289
16.1　背景 290
16.2　整体架构 291
16.3　核心模块 292
16.3.1　数据采集（Logtailer） 292
16.3.2　数据路由（Statsd-proxy） 295
16.3.3　聚合运算（Statsd） 295
16.3.4　数据分发（C-Relay）和数据存储 295
16.3.5　告警模块 297
16.3.6　API设计 300
16.3.7　数据可视化 301
16.4　第三方应用 302
16.4.1　决策支持系统 302
16.4.2　运维自动化 303
16.4.3　成本分析和容量日报 303
16.4.4　机器学习 303
16.5　本章小节 303
附录A　中国大数据技术大会2017（BDTC 2017）CSDN专访实录 305

直接来自新浪微博智能运维团队多年前瞻探索与生产实践，技术思路可落地，解决方案有说服力。

面向运维热点方向，详细分析底层原理，全面梳理技术体系，完整呈现从方法创新到工具化实践。

以微博监控为例，从运维平台大数据处理到架构设计原理，从运维工程师到自动化智能监控专家。

有 AIOps 模型|算法，有异常检测|根因分析|时序预测等运维实践，结合工程架构与算法实践。