个人简介
宋璐，去哪儿网机票事业部/QA团队高级测试工程师。
价值分析
- 质量保障有效性：通过衡量标准评估。
- 故障主动发现率：38%，目标优化监控无报警故障的发现方式。
- 故障处理超时率：51%，目标优化因信息差、信息多、难决策导致的故障超时。
- 智能运维手段：AIOPS体系，基于MTL（Metric+Trace+Log）分析，覆盖故障发现、根因定位、故障自愈全流程。
异常检测-雷达平台
- 提高故障主动发现：
- 实现路径：数据源支持30w业务指标拉取，数据存储模块支持实时分析、特征值存储、测试数据集持久化、报警数据持久化。
- 特征值计算模块：13个特征值（平滑后方差、标准差、期望、周期、max、min、avg、离散性、抖动性、密度标准差、密度均值等）。
- 指标分析：结合业务特性（量、率）影响报警规则的敏感度。
- 指标分类模块：结合波形和业务特性对指标分类。
- 异常检测模块：
- 测试数据集：故障测试集（302）、核心报警测试集（214），覆盖机票10个四级部门，全量P1/P2有效报警。
- 解决思路：
- 异常密度校验算法：计算指标7天历史数据的密度标准差（densitySTD）和密度平均值（densityAVG），65%的小流量问题平均发现时长15min。
- 连续波形异常检测算法：4种数据预处理方式+2种异常检测算法。
- 陡降算法：针对短时间暴涨/暴降指标进行兜底。
- 常态化运维效果：
- 雷达报警处理：准确率均值87%，ivr报警接听率均值75%。
- 后续计划：
- 引入大模型做更精确的指标分类（优化中），结合appcode优先级、异常指标优先级、雷达报警反馈数据进行优化。
归因分析平台
- 降低故障处理时长：
- 问题拆解：定位范围→异常断言→关联挖掘→剪枝排序→结果输出。
- 行业现状：根因分析处于探索阶段，常见思路基于MTL（Metric+Trace+Log）分析。
- 难点分析：
- 干扰多：误报、闪报、阈值配置不合理等，通过人工治理、自动识别无效告警、函数中去除无影响指标等解决。
- 定位难：有异常时建立权重体系定位topN根因；无异常时扩大分析范围再权重判断。
- 效果（优化中）。
未来展望
