第1章智能運維概述/
1.1智能運維的概念/
1.1.1運維與運營的區(qū)別/
1.1.2智能運維與開發(fā)運維的區(qū)別/
1.2智能運維的發(fā)展歷程及趨勢/
1.2.1推動運維工作發(fā)展的內(nèi)外部力量/
1.2.2智能運維的發(fā)展歷程/
1.2.3智能運維未來發(fā)展趨勢/
1.3智能運維應(yīng)用場景/
1.3.1異常檢測/
1.3.2根因診斷/
1.3.3故障自愈/
1.3.4事件預(yù)警/
1.3.5效能優(yōu)化/第2章人工智能技術(shù)概述/
2.1人工智能的概念及發(fā)展歷程/
2.2人工智能的核心技術(shù)/
2.2.1機(jī)器學(xué)習(xí)/
2.2.2深度學(xué)習(xí)/
2.2.3自然語言處理/
2.2.4知識工程/
2.2.5機(jī)器人/
2.3人工智能技術(shù)的應(yīng)用領(lǐng)域及發(fā)展趨勢/
2.3.1人工智能應(yīng)用領(lǐng)域/
2.3.2人工智能發(fā)展趨勢/第3章智能運維中的關(guān)鍵技術(shù)/
3.1數(shù)據(jù)處理技術(shù)/
3.1.1數(shù)據(jù)離線技術(shù)及數(shù)據(jù)存儲技術(shù)/
3.1.2數(shù)據(jù)實時計算及快速響應(yīng)技術(shù)/
3.1.3數(shù)據(jù)采集及輔助處理技術(shù)/
3.1.4大數(shù)據(jù)技術(shù)在智能運維領(lǐng)域面臨
的挑戰(zhàn)/
3.2知識圖譜/
3.2.1知識圖譜的基本概念/
3.2.2一般知識圖譜的構(gòu)建流程/
3.2.3知識圖譜在智能運維中的應(yīng)用/
3.3自然語言處理/
3.3.1領(lǐng)域短語挖掘/
3.3.2同義詞匹配/
3.3.3命名實體識別/目錄////智能運維之道——基于AI技術(shù)的應(yīng)用實踐第4章智能運維中的常用算法/
4.1異常檢測算法/
4.1.1基于概率模型的檢測方法/
4.1.2基于鄰近度的檢測方法/
4.1.3基于分類的檢測方法/
4.1.4基于專家經(jīng)驗的綜合評價方法/
4.2根因診斷算法/
4.2.1數(shù)據(jù)驅(qū)動的根因診斷/
4.2.2基于領(lǐng)域知識的根因診斷/
4.3趨勢預(yù)測算法/
4.3.1數(shù)據(jù)特征/
4.3.2基于統(tǒng)計方法的線性預(yù)測模型/
4.3.3基于機(jī)器學(xué)習(xí)的非線性預(yù)測模型
/
4.4事物分類算法/
4.4.1傳統(tǒng)事物分類算法/
4.4.2事物分類算法新進(jìn)展/第5章智能運維——從數(shù)據(jù)預(yù)處理開始/
5.1結(jié)構(gòu)化數(shù)據(jù)質(zhì)量監(jiān)控與預(yù)處理/
5.1.1結(jié)構(gòu)化數(shù)據(jù)質(zhì)量監(jiān)控/
5.1.2結(jié)構(gòu)化數(shù)據(jù)預(yù)處理技術(shù)/
5.2文本數(shù)據(jù)預(yù)處理與標(biāo)注/
5.2.1數(shù)據(jù)清洗/
5.2.2數(shù)據(jù)標(biāo)注/
5.3圖片數(shù)據(jù)預(yù)處理與標(biāo)注/
5.3.1智能運維中的視覺任務(wù)/
5.3.2圖像標(biāo)注工具/第6章應(yīng)用聚類算法實現(xiàn)網(wǎng)元智能分類/
6.1LTE網(wǎng)元分類存在的問題/
6.2網(wǎng)元分類算法設(shè)計/
6.2.1數(shù)據(jù)與關(guān)鍵指標(biāo)選取/
6.2.2數(shù)據(jù)清洗及平穩(wěn)性檢驗/
6.2.3特征生成與選擇/
6.2.4聚類算法/
6.3網(wǎng)元初始聚類結(jié)果/
6.3.1平穩(wěn)性檢驗結(jié)果/
6.3.2主成分分析結(jié)果/
6.3.3聚類結(jié)果/
6.4基于改進(jìn)后聚類算法的網(wǎng)元分類結(jié)果
/
6.4.1原有聚類方法的改進(jìn)點/
6.4.2數(shù)據(jù)預(yù)處理/
6.4.3特征提取/
6.4.4算法設(shè)計/
6.4.5聚類效果/
6.4.6小結(jié)/第7章應(yīng)用有監(jiān)督/無監(jiān)督算法實現(xiàn)異常檢測/
7.1單指標(biāo)異常波動檢測/
7.1.1異常波動檢測的概念/
7.1.2基于統(tǒng)計分布的檢測算法/
7.1.3其他檢測算法/
7.2單指標(biāo)異常檢測/
7.2.1適用單指標(biāo)異常檢測的算法/
7.2.2算法計算結(jié)果/
7.2.3小結(jié)/
7.3多指標(biāo)異常檢測/
7.3.1基于有監(jiān)督算法與無監(jiān)督算法相
結(jié)合檢測/
7.3.2基于深度學(xué)習(xí)檢測/
7.3.3基于專家經(jīng)驗的綜合評價法檢測
/第8章應(yīng)用知識圖譜解決網(wǎng)元異常問題/
8.1網(wǎng)元異常診斷的傳統(tǒng)方案/
8.2網(wǎng)元異常診斷知識圖譜/
8.2.1知識表示與數(shù)據(jù)獲取/
8.2.2實體關(guān)系的抽取與對齊/
8.2.3知識圖譜的建立/
8.2.4知識圖譜的應(yīng)用/
8.3應(yīng)用知識圖譜的成效/第9章應(yīng)用時序模型實現(xiàn)長短期趨勢預(yù)測/
9.1短周期預(yù)測：未來五分鐘IPTV
播放用戶數(shù)的預(yù)測/
9.1.1背景介紹/
9.1.2算法選擇/
9.1.3參數(shù)選擇/
9.1.4計算結(jié)果/
9.1.5小結(jié)/
9.2中周期預(yù)測：未來一周網(wǎng)絡(luò)流量
變化的預(yù)測/
9.2.1算法選擇/
9.2.2數(shù)據(jù)預(yù)處理/
9.2.3計算結(jié)果/
9.2.4小結(jié)/
9.3長周期預(yù)測：基站擴(kuò)縮容
預(yù)測/
9.3.1算法設(shè)計/
9.3.2數(shù)據(jù)預(yù)處理/
9.3.3特征工程/
9.3.4計算結(jié)果/
9.3.5小結(jié)/第10章應(yīng)用分類預(yù)測模型實現(xiàn)質(zhì)差設(shè)備預(yù)見性識別/
10.1物聯(lián)網(wǎng)NB業(yè)務(wù)質(zhì)差預(yù)測/
10.1.1需要解決的問題/
10.1.2方案設(shè)計/
10.1.3應(yīng)用效果/
10.1.4小結(jié)/
10.2網(wǎng)絡(luò)設(shè)備隱患預(yù)測/
10.2.1背景介紹/
10.2.2面臨的挑戰(zhàn)/
10.2.3在特征較少的條件下進(jìn)行預(yù)測
/
10.2.4在數(shù)據(jù)粒度較細(xì)的條件下進(jìn)行
預(yù)測/
10.2.5小結(jié)/第11章應(yīng)用因果分析實現(xiàn)故障根因定位/
11.1物聯(lián)網(wǎng)NB業(yè)務(wù)根因的因果分析/
11.1.1背景介紹/
11.1.2面臨的挑戰(zhàn)/
11.1.3算法實現(xiàn)/
11.1.4應(yīng)用效果/
11.1.5小結(jié)/
11.2IPTV設(shè)備根因的因果分析/
11.2.1背景介紹/
11.2.2算法實現(xiàn)/
11.2.3應(yīng)用效果/
11.2.4小結(jié)/參考文獻(xiàn)/