蚂蚁智能运维：单指标异常检测算法初探

1 背景介绍

AntMonitor：蚂蚁集团研发的一款面向云原生时代的全功能智能运维产品，包含业务监控、应用监控、基础设施监控、云原生可观测、一站式多维分析等功能。其中，智能化的单指标异常检测是该产品最基础、最重要的组成部分。

针对时序异常检测，目前蚂蚁集团内部基本都在按照以下几个思路进行研发：

通过时序预测的方法，典型算法为 ARIMA、LSTM 等，将历史数据训练的模型预测当前时刻的幅值，通过与真实值的差异来判断此刻的异常程度。在多次尝试此类模型后发现，其不但算法复杂度较高，还存有隐藏风险，此类模型训练遵循的是全局最优化策略，因此在预测当前值时无法保证当前值是单点最优(运气不好的情况下，当前点预测值误差较大)。一种解决的思路是结合其他算法进行集成学习，将误差概率尽可能的降低；
采用深度学习的方法，通过大量采集正负样本，采用一维 CNN、甚至二维 CNN (将时序数据视为图像)的方法训练模型。在尝试该类方法后发现，虽然其能够解决一些无法用规则描述的异常场景，但要搭建一个合适的针对时序数据的网络模型难度较大，此外在当前异常标准没有完全统一的情况下，模型移植性存在着很大的问题，当不同的 SRE 对业务容忍阈值不一致时，意味着要针对性地重新训练模型，这个工作量是十分巨大的；
通过集成学习的方法，有项目组是将多个弱分类赋予权重后投票来解决异常识别问题，当前的效果是在部分场景中可以达到很高的准招率。但与传统 Ensemble Learning 不同的是，其各个弱分类器的权重调整并不是一个自优化过程，而是需要通过人工调整获得，这在检测指标数量不大的时候可以采用，但是针对 AntMonitor 动辄几十万个目标指标的场景就无解了；
通过统计规则与机器学习相结合的方法，需要尽可能地将异常场景进行分类剥离（或者对数据进行分类，即算法路由)，再针对各个场景进行求解。其中机器学习或深度学习可以用于描述一些难于公式化的场景，如描述波形相似。此类方法还可以将模型内部的各个参数进行透传，可以兼顾计算效率和模型移植性；

上述几种思路无所谓优劣，不同的方法都有其优势及不足，都有其契合及尴尬的场景，合适的方法才是最好的方法。针对 AntMonitor 实际面对的运维场景，统计规则和机器学习相结合的方法被选为最终解决方案。本文将分享研发 AntMonitor 智能检测算法时的一些想法和思路，欢迎各位交流学习。

2 异常分类

在做智能异常检测的过程中，其中最棘手的问题是获得一个明确的异常判断标准。比较遗憾的是，针对不同的业务、不同的指标甚至不同的使用方都会有不同的判断标准。因此，本文从另一个角度出发，先挖掘认可度高的基础异常波形，再以点到面逐步地解决异常判断问题。以耗时值上升异常检测为例，下图给出了 AntMonitor 常见异常波形 A-D(各种异常波形都可认为是以下几种波形的变种或组合)，根据各自不同的特性将其归纳为 3 种不同的类型，分别为冲高异常、趋势抬升异常和频率变化异常。其中 A、B 归为冲击异常，从图中可以看到其都有一个显著的幅值突变；C 归为缓变抬升异常，相较与冲击异常，其幅值抬升过程相对较为平缓；D 归为频率变化异常，主要特征为波动频率出现巨大的变化。下面分别对不同类型异常进行求解。

图 1 常见异常波形

3 算法整体架构

图 2 为整体算法架构，其主要由 preFilter、coreUp 和 adapter 三部分组成。preFilter 为前置过滤器，能够在较少数据输入的情况下过滤绝大部分正常信号，极大地降低资源消耗，这是算法能够大规模覆盖的基础；coreUp 为核心检测层，通过算法路由将不同类型数据映射到对应到合适的算法参数或模块，主要对冲击、趋势和频率三种异常类型进行检测；adapter 为适配层，其主要作用是能够允许不同对象创建适合自身的异常检测模型，其中可通过透出的算法进行人工配置，也可以通过样本打标来自动训练最优模型参数。下一章节主要对 coreUp 层几个核心模块的具体实现做详细介绍。

图 2 算法整体构架

4 核心模块介绍

冲击异常模块

冲击异常在波形上表现为某时刻突然出现的一个尖峰，往往是局部的幅值极大值。然而直接从幅值触发判断当前点是否异常，往往会出现漏报。如图 3 所示，由于原始波形存在着趋势项，冲击波形虽然是局部及极大值但往往不是全局视野内的最大值，因此会有被过滤的可能。观察冲击异常波形，发现其往往都是瞬时“变化”最大的时刻，其显著特征是当前值远大于前一时刻的值或持续大于前值。因此，本节从寻找瞬时波动幅值突变点的角度出发，开发基于一阶差分的异常检测算法。

当间距相等时，用下一个值减去上一个值定义为“一阶差分”。如图 3 所示，当带有趋势项的时间序列经过一次差分后可以有效地去除趋势项，同时冲击异常点也从局部极大值转变为了全局最大值。针对长度为 $N$ 的时间序列 $X = x_{1}, x_{2}, \dots, x_{n}$ ，其对应差分序列可以表示为 $Δ = Δ x_{1}, Δ x_{2}, \dots, Δ x_{n - 1}$ , 其中 $Δ x_{i} = x_{i + 1} - x_{i}$ 。若当天时间序列与历史事件序列分别用 $X_{T}$ 和 $X_{H}$ 表示，分别计算各自差分序列得到 $Δ X_{T}$ 和 $Δ X_{H}$ , 同时获得当前时刻差值 $Δ x_{T n o w}$ 。若 $Δ x_{T n o w}$ 在集合 $Δ X_{T}$ 和 $Δ X_{H}$ 同时被判定为异常，则意味着当前时刻存在着冲击异常可能。考虑到存在着连续上升的情况，在实际应用中对差分计算稍作修改使其更为精确，例如当满足 $x_{i + 1} > x_{i} > x_{i - 1}$ 时，令 $Δ x_{i} = x_{i + 1} - x_{i - 1}$ 。

图 3 时序趋势的影响

常用的异常检测方法可参考异常检测算法综述类论文。此处采用 Tukey 箱型图作为异常检测算法。选择箱线图算法的原因主要有三点：1）计算简单；2）可适用于非正态分布数据；3）可调整判断阈值。

Tukey 箱型图

此处对 Tukey 箱型图分析做一下简单介绍。众所周知，基于正态分布的 3σ 法则或 Z 分数方法的异常检测是以假定数据服从正态分布为前提的，但实际数据往往并不严格服从正态分布。应用这种方法于非正态分布数据中判断异常值，其有效性是有限的。Tukey 箱型图是一种用于反映原始数据分布的特征常用方法，也可用于异常点识别。在识别异常点时其主要依靠实际数据，因此有其自身的优越性。箱型图的绘制方法是：

先找出一组数据的最大值、最小值、中位数和两个四分位数；
然后，连接两个四分位数画出箱子；
再将最大值和最小值与箱子相连接，中位数在箱子中间；

箱型图为我们提供了识别异常值的一个标准：异常值被定义为小于 Q1－1.5IQR 或大于 Q+1.5IQR 的值。虽然这种标准有点任意性，但它来源于经验判断，经验表明它在处理需要特别注意的数据方面表现不错。

图 4 箱型图示意图

冲击检测流程

冲击异常检测的简要流程如下：

当日序列 $X_{T}$ 和历史序列 $X_{H}$ ，获得差分序列 $Δ X_{T}$ 和 $Δ X_{H}$ ，已经当前差分值 $Δ x_{T n o w}$ ；
采用 Turkey 箱线图获得集合 $Δ X_{T}$ 的上限，判断 $Δ x_{T n o w}$ 是否超限，若否返回“正常”，若是进入下一步；
判断异常时刻是否超过预设异常持续时长 $T$ ，若否返回“正常”，若是进入下一步；
在 $Δ X_{H}$ 中截取以当前时刻为中心且长度为 $L$ 的子集合，采用 Turkey 箱线图获得其上限，判断 $Δ x_{T n o w}$ 是否超限，若否返回“正常”，若是进入下一步；
判断在当日前序时间序列中是否也存在冲高异常点，若不存在返回“异常”结果；若存在进入下一步；
判断 $Δ x_{T n o w}$ 是否大于 $k * Δ x_{T i}$ ，若是返回“异常”结果，若否则返回“正常”结果；

图 5 冲击检测流程

存在的问题

采用上述方法存在两个问题，第一个如下左图所示，若出现大幅度下跌回升（相当于下跌检测中的冲高回落）的情况，当前点的差分值必然会超限告警，这种误报当前通过类似“冲高回落”的方法进行过滤，本文不再具体介绍；第二种，在整体波动幅度较大的情况下，出现这种小幅缓变抬升的小凸起，采用冲击异常检测是无能为力的。针对这种异常类型，本文通过趋势异常模块来进行解决。

图 6 存在的漏报场景

趋势异常模块

当波形缓慢上升时，由于差值大小是基本稳态的，上述冲击异常模块是无法有效识别的。因此，必须要有方法支持此类缓慢变化异常识别。在尝试各种算法模型后，本文最终选择 AugmentedDickey–FullerTest 和 Mann-Kendall Test 相结合的方式来求解此类问题。

ADF Test

Augmented Dickey–Fuller test 又称为扩展迪基-福勒检验，其可以用来检测当前序列是否平稳。ADF 检验的原假设是存在单位根，因为存在单位根就是非平稳时间序列了，只要这个统计值是小于 1% 水平下的数字就可以极显著的拒绝原假设，认为数据平稳。注意，ADF 值一般是负的，也有正的，但是它只有小于 1% 水平下的才能认为是及其显著的拒绝原假设。

Mann-Kendall Test

Mann-Kendall 非参数秩次检验原理如下，对长度为 $N$ 的时间序列 $X_{i} ∣ i = 1, 2, \dots, N$ , 统计假设 $H_{0}$ ：未经调整修正的数据系列 $X_{i}$ 是一个由 $N$ 个元素组成的独立的具有相同分布的随机变量。备择假设 $H_{1}$ 是双边检测：对所有的 $i$ ，当 $j \leq N$ 时和 $i \neq = j$ 时 $X_{i}$ 和 $X_{j}$ 的分布不相同。计算时，对每一个 $X_{i} (i = 1, 2, \dots, N - 1)$ ，与其后的 $X_{j} ∣ j = 1, 2, \dots, N$ 进行比较，记录 $X_{j} > X_{i}$ 出现的次数。定义 Mann-Kendall 统计量 $S$ :

S = i = 1 \sum n - 1 j = i + 1 \sum n s i g n (X_{i} - X_{j})

其中， $s i g n ()$ 为符号函数。当 $X_{i} - X_{j}$ 小于、等于或者大于零时， $s i g n (X_{i} - X_{j})$ 分别为-1、0 或者 1；对于假设统计 $H_{0}$ ，当 $N \to \infty$ 时， $S$ 的分布为正态分布， $S$ 的均值为 $0$ ，方差为 $n (n - 1) / (2 n + 5) / 18$ 。当 $N > 10$ 时，即可应用近似正态分布进行检验分析。

标准整体统计变量 $Z$ 可以用下式计算：

这样，在双边的趋势检验中，在给定的 $α$ 置信水平上，如果 $∣ Z ∣ > Z_{1 - α /2}$ 则原假设是不可接受的。 $Z$ 为正值表示增加趋势，负值表示减少趋势。 $Z$ 的绝对值在大于等于 1.28、1.64、2.32 时表示分别通过了信度为 90%、95%、99%的显著性检验。

Mann-Kendall 非参数秩次检验在数据趋势检测中极为有用，其特点表现为：

无需对数据系列进行特定的分布检验，对于极端值也可参与趋势检验；
允许系列有缺失值；
主要分析相对数量级而不是数字本身，这使得微量值或低于检测范围的值也可以参与分析；
在时间序列分析中，无需指定是否是线性趋势；

趋势检测流程

趋势检测并不是直接检测当日数据是否存在上涨趋势，理论上若历史数据与当天数据同步上涨，那么该波形趋势不应该识别为异常。换句话说，需要去除当日数据相对于历史的趋势。此处采用相对差值的方式来实现该目的。假设当日数据为 $X_{T} = x_{T i} ∣ i = 1, 2, \dots, N$ ，某天历史数据为 $X_{H k} = x_{H k i} ∣ i = 1, 2, \dots, N$ ，那么两者之间的差值序列可以表示为 $D_{k} = x_{T i} - x_{H k i} ∣ i = 1, 2, \dots, N$ ，在此基础上再进行趋势分析。

详细流程如下：

计算当日数据 $X_{T}$ 与某历史数据 $X_{H k}$ 的相对差值序列 $D_{k}$ ；
采用 Mann-Kendall 检验判断 $D_{k}$ 是否存在上涨趋势，若无上涨趋势返回“正常”结果，反之进入下一步；
计算趋势上涨的起始点 $p$ ，采用最小二乘法拟合上涨段波形，获得上涨绝对幅值 $δ x$ , 计算当日数据 $X_{T}$ 中 $p$ 点对应的基础值 $x_{b a s e}$ ，计算实际上涨比率 $r_{r e a l} = δ x / x_{b a s e}$ ;
判断 $r_{r e a l}$ 是否大于设定涨幅比率阈值 $r_{d e f a u l t}$ ，若不大于设定阈值则返回“正常”结果，反之则进入下一步；
采用 T 检验判断前序数据是否存在类似的上涨波形，若存在则返回“正常”结果，若不存在则返回“异常”结果；

图 7 单次趋势检测流程

实际应用中流程会稍复杂一点，并且做了部分假设：1）若当天相对于昨日不存在上涨趋势，即可认为不存在缓变上涨异常；2）若当天相对于昨日存在上涨趋势，那么需考察当天相对与剩余历史是否也存在上涨趋势，此处设定若有大于 $N_{d e f a u l t}$ 天不存在相对趋势，即认为不存在缓变趋势。考虑到算法需要获得准确的告警时间点，并用来计算精确的涨幅比率，此处对 $X_{T}$ 按不同长度先后进行趋势判断。大致的判断流程如图 13 所示，此处不再展开。

图 8 趋势上涨异常检测整体流程

频率异常模块

频率异常在实际场景中并不多见，但是作为一类异常类型，此处也对其进行了覆盖。针对频率异常数据类型，本文采用分位数聚合特征来进行求解，主要步骤如下：

DoulbeRollingAggregate

分位数定义：对一个有着连续分布函数的样本集 $X$ ,分位数是将一个概率分布切分为有着相同概率的连续区间的切分点。用数学公式表达的话： $P X \leq x_{α} = α$ ，则称 $x_{α}$ 为随机变量 $X$ 的 $α$ 分位数。

分位数聚合特征$$F$$计算流程如下：

长度为 $N$ 的时间序列 $X = x_{1}, x_{2}, \dots, x_{n}$ ，分别扩展得到 $N + W$ 的时间序列 $X_{l}$ 和 $X_{r}$ ，具体为：

对时间序列 $X_{l}$ 进行滑窗截取操作，窗口长度为 $W$ ，获得长度为 $N$ 的子序列集合 $D_{l} = D L_{1}, D l_{2}, \dots, D l_{n}$ ，其中 $D l_{i} = x_{i}, x_{i + 1}, \dots, x_{i + w}$ ；同样的，获得时间序列 $X_{r}$ 对应的子序列 $D_{r} = D r_{1}, D r_{1}, \dots, D r_{n}$ ;
计算 $D_{l}$ 集合中各个子序列的 $K$ 个分位数，用 $D l_{i α k}$ 表示子序列 $D l_{i}$ 的 $α_{k}$ 分位数；同样的，计算 $D_{r}$ 集合中各个子序列的对应的分位数，用 $D r_{i α k}$ 表示；
通过 $D l_{i α k}$ 和 $D r_{i α k}$ 获得当前时刻的分位数聚合特征，具体公式如下:

F_{i} = k - 1 \sum K (D l^{i α k} - D r^{i α k})^{2}

分位数聚合特征计算示意图如下所示：

图 9 分位数聚合特征计算示意图

实际检测效果

在频率异常检测的应用中，需要对数据类型进行区分。针对稀疏类型数据直接进行“分位数聚合”算法计算，而对于存在趋势项的非稀疏数据，必须先对其进行一阶差分操作后才可以使用当前算法。图 10 给出了两者不同类型的频率异常检测模型，分别给出了“分位数聚合”特征曲线，从图中可以看到可以准确地识别此类异常波形。在实际使用中还需要根据具体场景添加一些规则限制，此处不再具体展开。

图 10 不同类型异常数据检测效果

相似性检测模块

相似性误报在时序异常检测中占有不小的比例。如下图时序在检测时刻出现异常冲高时，若不考虑历史同期波形，往往会出现相似性误报现象。实际在波形进行相似性检测时，往往需要考虑时序长短不一致和波形偏移的问题。一般来讲，时序长短不一致和波形偏移主要表现为：

如下图所示，当日波形 $T_{0}$ 与历史波形的冲高部分出现一段前后偏移；
为提高实时检测的时效性，一般参考将历史参考波形相对于当前检测时刻延后几分钟；

图 11 相似性误报

由于时序长短不一致和波形偏移的情况，皮尔逊相关系数、余弦相似度、欧式距离等相似性评价指标就不再适用。动态时间规整（DTW）是一种常用的模板匹配算法，其可以有效的解决对比长度不一致的时间序列相似性问题，图 12 给出了 DTW 算法与传统欧式距离评价的差异，此处不再展开描述。但实际应用中，DTW 算法更多的是一种搜索匹配算法，即其返回结果是目标库中的最优匹配对象，而在时间序列实时监测过程中，需要的是能给出一个可量化的相似度参考值做为判断依据，因此 DTW 也不能直接使用。本文给出了一种基于动态时间规整(DTW)及 T 检验的时序波形相似性评估方法，不但能够有效评估长度不同、发生偏移序列的相似度，还可以返回可量化的相似性度量值，能够应用于时间序列实时异常检测。

图 12 DTW 算法与欧式距离对比

相似性检测流程

截取当日数据，记时间序列为 $X_{T} = x_{T i} ∣ i = 1, 2, \dots, n$ , $x_{T n}$ 表示当前时刻的实时数据；
截取历史同时刻对比数据，记为 $X_{H k} = x_{H k i} ∣ i = 1, 2, \dots, n + m$ , 为了刻画数据偏移特性，历史对比数据比当天数据往后多取 $m$ 个数据点；
为消除时序常数项对 $D T W$ 距离度量的影响，对时序做“拉平”预处理，即将各个时间序列减去其自身中位数，获得新的序列分别记为 $X ’_{T}$ 和 $X ’_{H k}$ ；
定义时序 $t s I$ 到时序 $t s J$ 的 $D T W$ 距离定义为 $d t w (t s I, t s J)$ ，分别计算当日 $X ’_{T}$ 与各个历史 $X ’_{H k}$ 的 $D T W$ 距离,获得距离集合 $D_{1}$ ，此处 $t s I$ 和 $t s J$ 的长度分别为 $n$ 和 $n + m$ ；
分别计算 $X ’_{H k}$ 内两两时序的 $D T W$ 距离，获得距离集合 $D_{2}$ ，为与上一步骤保持一致，此处 $d t w (t s I, t s J)$ 中波形 $t s I$ 取数据前 $n$ 个点， $t s J$ 取 $n + m$ 个点；
采用 STest 算法判断集合 $D_{1}$ 和 $D_{2}$ 中的距离均值 $μ_{1}$ 和 $μ_{2}$ 是否存在显著性差异，设原假设 $H_{0} : μ_{1} = μ_{2}$ ，备择假设 $H_{1} : μ_{1} \neq = μ_{2}$ ，检验水准 $α = 0.01$ ；
计算获得 pValue，若 pValue> $α$ ，不拒绝原假设 $H_{0}$ ，表明当日波形与历史波形相似; 反之，当日波形与历史波形不相似；

实际检测效果

下图给出了“相似性检测模块”的实际检测效果，图 13 中的 4 例告警都为未配置“相似性检测”模块前的上升告警样例，采用上述算法回跑后都可以有效地识别为相似性误报。从实际使用情况来看，该模块评估为误报的案例基本都是相似的，反之存在着一定的偏差，但对于一个后置过滤模块来讲是完全可接受的。总体来讲，对较为规整的波形判断效果不错，当历史数据本身趋势不相关、波形太过杂乱，上述算法效果一般。

图 13 相似性检测效果

五算法过滤场景

通过上述整体算法判断后，下图中的潜在异常场景，如单点冲高、冲高前序相似、冲高历史相似、抬升历史相似等都可以被有效过滤。在实际应用中，此类过滤项都配置有相应的开关，由业务人员来确认是否开启。

图 14 典型过滤场景

六总结与展望

本文算法总体思路是对单指标波形异常检测问题进行拆解，将其归纳为冲高异常、趋势上涨异常和频率变化异常三个模式。在此基础上，辅以一些过滤模块来减少特定误报的产生，如利用基于 DTW 的算法来求解诸如”波形相似性”的误报场景。此外，本文中的异常判断标准相对统一，都以箱线图分析为标准，各个超参数都可以进行透传，后期针对不同的应用场景不同的阈值都可以快速调整。当前根据以上思路设计的模型主要应用在 JVM&System 指标监测上，约 5w 条 key 总体异常告警量小于 5 条/分钟。

基本上，上述算法可以覆盖绝大部分的场景，但往往会有各种意想不到的误报漏报情况出现，后期的一部分工作要重点解决此类问题；另一方面，针对一些偏明确的场景，在后期可以用机器学习或者深度学习模型来进行代替，如“波形相似性”问题，在积累足够样本量后可尝试通过深度学习模型进行覆盖。同时，也可以尝试集成算法，以往从事机器学习的项目经验表明，往往集成后会有意想不到的精度提升。

作者介绍：

徐剑，花名辂远，蚂蚁集团高级开发工程师，工学博士，长期从事智能运维、机器学习和信号处理等领域的研究及开发工作，当前为 AntMonitor 算法开发人员。

原创文章，作者：奋斗，如若转载，请注明出处：https://blog.ytso.com/tech/aiops/309113.html