Name: 智能運維之道：基於AI技術的應用實踐
SKU: https://www.books.com.tw/products/CN11742824

內容簡介

本書是一本介紹智慧運維的實戰指南，聚焦實際應用場景，通過十餘個實戰案例，詳細講解每個場景中的痛點、適用的算法、試驗和最終方案，系統介紹了AI技術在運維工作中的應用。本書內容分為3部分，第1部分是智慧運維、人工智慧的概念和發展趨勢，包括第1、2章；第2部分是智慧運維中需要用到的人工智慧技術和演算法，包括第3、4、5章；第3部分是智慧運維實戰案例，包括第6~11章。

本書適合從事企業數位化轉型建設工作的一線從業者、管理者，尤其適合在ICT領域從事運維工作的人員學習。

作者介紹

錢兵

現任中國電信研究院 AI 研發中心能力研發總監、AI創新工作室負責人，美國行銷國際協會大資料行銷專家講師，高校外聘專家講師，發表SCI/EI/核心論文多篇。擁有10多年資料分析和挖掘工作經驗，目前主要從事人工智慧和大資料技術在網路 AI、泛娛樂大資料、商業地理洞察等領域的研發工作。

第1章智能運維概述/
1.1智能運維的概念/
1.1.1運維與運營的區別/
1.1.2智慧運維與開發運維的區別/
1.2智慧運維的發展歷程及趨勢/
1.2.1推動運維工作發展的內外部力量/
1.2.2智慧運維的發展歷程/
1.2.3智慧運維未來發展趨勢/
1.3智慧運維應用場景/
1.3.1異常檢測/
1.3.2根因診斷/
1.3.3故障自愈/
1.3.4事件預警/
1.3.5效能優化/

第2章人工智慧技術概述/
2.1人工智慧的概念及發展歷程/
2.2人工智慧的核心技術/
2.2.1機器學習/
2.2.2深度學習/
2.2.3自然語言處理/
2.2.4知識工程/
2.2.5機器人/
2.3人工智慧技術的應用領域及發展趨勢/
2.3.1人工智慧應用領域/
2.3.2人工智慧發展趨勢/

第3章智慧運維中的關鍵技術/
3.1數據處理技術/
3.1.1數據離線技術及數據存儲技術/
3.1.2數據即時計算及快速回應技術/
3.1.3數據採集及輔助處理技術/
3.1.4大數據技術在智慧運維領域面臨的挑戰/
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建流程/
3.2.3知識圖譜在智慧運維中的應用/
3.3自然語言處理/
3.3.1領域短語挖掘/
3.3.2同義詞匹配/
3.3.3命名實體識別/目錄////智慧運維之道——基於AI技術的應用實踐

第4章智慧運維中的常用算法/
4.1異常檢測算法/
4.1.1基於概率模型的檢測方法/
4.1.2基於鄰近度的檢測方法/
4.1.3基於分類的檢測方法/
4.1.4基於專家經驗的綜合評價方法/
4.2根因診斷算法/
4.2.1數據驅動的根因診斷/
4.2.2基於領域知識的根因診斷/
4.3趨勢預測算法/
4.3.1數據特徵/
4.3.2基於統計方法的線性預測模型/
4.3.3基於機器學習的非線性預測模型/
4.4事物分類算法/
4.4.1傳統事物分類算法/
4.4.2事物分類算法新進展/

第5章智慧運維——從數據預處理開始/
5.1結構化數據品質監控與預處理/
5.1.1結構化數據品質監控/
5.1.2結構化數據預處理技術/
5.2文本數據預處理與標注/
5.2.1數據清洗/
5.2.2數據標注/
5.3圖片數據預處理與標注/
5.3.1智慧運維中的視覺任務/
5.3.2圖像標注工具/

第6章應用聚類算法實現網元智慧分類/
6.1LTE網元分類存在的問題/
6.2網元分類算法設計/
6.2.1數據與關鍵指標選取/
6.2.2數據清洗及平穩性檢驗/
6.2.3特徵生成與選擇/
6.2.4聚類算法/
6.3網元初始聚類結果/
6.3.1平穩性檢驗結果/
6.3.2主成分分析結果/
6.3.3聚類結果/
6.4基於改進後聚類算法的網元分類結果 /
6.4.1原有聚類方法的改進點/
6.4.2數據預處理/
6.4.3特徵提取/
6.4.4算法設計/
6.4.5聚類效果/
6.4.6小結/

第7章應用有監督/無監督算法實現異常檢測/
7.1單指標異常波動檢測/
7.1.1異常波動檢測的概念/
7.1.2基於統計分佈的檢測算法/
7.1.3其他檢測算法/
7.2單指標異常檢測/
7.2.1適用單指標異常檢測的算法/
7.2.2算法計算結果/
7.2.3小結/
7.3多指標異常檢測/
7.3.1基於有監督算法與無監督算法相結合檢測/
7.3.2基於深度學習檢測/
7.3.3基於專家經驗的綜合評價法檢測

第8章應用知識圖譜解決網元異常問題/
8.1網元異常診斷的傳統方案/
8.2網元異常診斷知識圖譜/
8.2.1知識表示與數據獲取/
8.2.2實體關係的抽取與對齊/
8.2.3知識圖譜的建立/
8.2.4知識圖譜的應用/
8.3應用知識圖譜的成效/

第9章應用時序模型實現長短期趨勢預測/
9.1短週期預測：未來五分鐘IPTV
播放用戶數的預測/
9.1.1背景介紹/
9.1.2算法選擇/
9.1.3參數選擇/
9.1.4計算結果/
9.1.5小結/
9.2中週期預測：未來一周網路流量變化的預測/
9.2.1算法選擇/
9.2.2數據預處理/
9.2.3計算結果/
9.2.4小結/
9.3長週期預測：基站擴縮容預測/
9.3.1算法設計/
9.3.2數據預處理/
9.3.3特徵工程/
9.3.4計算結果/
9.3.5小結/

第10章應用分類預測模型實現質差設備預見性識別/
10.1物聯網NB業務質差預測/
10.1.1需要解決的問題/
10.1.2方案設計/
10.1.3應用效果/
10.1.4小結/
10.2網路設備隱患預測/
10.2.1背景介紹/
10.2.2面臨的挑戰/
10.2.3在特徵較少的條件下進行預測 /
10.2.4在數據細微性較細的條件下進行預測/
10.2.5小結/

第11章應用因果分析實現故障根因定位/
11.1物聯網NB業務根因的因果分析/
11.1.1背景介紹/
11.1.2面臨的挑戰/
11.1.3算法實現/
11.1.4應用效果/
11.1.5小結/
11.2IPTV設備根因的因果分析/
11.2.1背景介紹/
11.2.2算法實現/
11.2.3應用效果/
11.2.4小結/參考文獻/

看更多