传统的基于静态阈值的告警系统在复杂的微服务架构中面临着诸多挑战，如误报率高、适应性差、无法识别复杂模式等问题。随着人工智能和机器学习技术的发展，基于AI/ML的异常检测和智能告警系统正在成为新一代监控解决方案的核心。本文将深入探讨如何利用统计学方法和机器学习技术构建智能告警系统。
异常检测基础理论
1. 统计学方法
统计学方法是异常检测的基础，通过分析历史数据的分布特征来识别异常点。
3σ原则（三西格玛原则）
基于正态分布的统计特性，认为超过均值±3倍标准差的数据点为异常：
import numpy as np
import pandas as pd
from scipy import stats
class StatisticalAnomalyDetector:
def __init__(self, window_size=1000):
self.window_size = window_size
self.history_buffer = []
def detect_anomaly(self, value):
# 将新值添加到历史缓冲区
self.history_buffer.append(value)
# 保持缓冲区大小
if len(self.history_buffer) > self.window_size:
self.history_buffer.pop(0)
if len(self.history_buffer) < 10: # 数据量不足时返回正常
return False, 0.0
# 计算均值和标准差
mean_val = np.mean(self.history_buffer)
std_val = np.std(self.history_buffer)
# 3σ检测
z_score = abs(value - mean_val) / std_val if std_val > 0 else 0
is_anomaly = z_score > 3.0
return is_anomaly, z_score
def get_confidence(self, z_score):
# 计算置信度
return min(z_score / 3.0, 1.0)
# 使用示例
detector = StatisticalAnomalyDetector(window_size=1000)
values = [10, 12, 11, 9, 10, 11, 10, 12, 11, 100] # 最后一个值是异常
for value in values:
is_anomaly, z_score = detector.detect_anomaly(value)
confidence = detector.get_confidence(z_score)
print(f"值: {value}, 是否异常: {is_anomaly}, Z分数: {z_score:.2f}, 置信度: {confidence:.2f}")2025/8/31大约 11 分钟