如何将“智能巡检”嵌入“业务系统”中？

简介：智能巡检借助强大的SLS“告警2.0”消息系统，可以很好的桥接很多内部和外部的系统（EventBridge、FC等），也可以借助SLS的SDK和自定义的函数去解决针对“告警结果”的下一步“分析任务”，从而更好的实现对于问题的排查和解决。

产品架构

智能异常分析应用围绕运维场景中的监控指标、程序日志、服务关系等核心要素展开，通过机器学习等手段产生异常事件，通过服务拓扑关联分析时序数据和事件，最终降低企业的运维复杂度，提高服务质量。产品架构图如下所示。

能力说明：

单个任务支持3K～5K个观测对象的单维度、多维度的异常检测
对于任务的检测结果而言，我们将异常分数和异常形态进行量化，便于进行后续的处理
对于超过0.75分数的异常点，我们将相关的信息（可视化的图）通过告警2.0推送到您的钉钉系统中去
对于全部的检测结果，我们将检测信息写入到当前的internal-ml-log中去，供您通过SDK去进行后续的集成
同时在我们的App的任务页面，我们支持了“标注反馈”功能，您可以对检测的结果进行相关的标注，提升模型的学习准确度

那么接下来，我们一起来看下，如何更好的将“巡检”能力嵌入到您的业务系统中去！

能力集成

智能巡检借助强大的SLS“告警2.0”消息系统，可以很好的桥接很多内部和外部的系统（EventBridge、FC等），也可以借助SLS的SDK和自定义的函数去解决针对“告警结果”的下一步“分析任务”，从而更好的实现对于问题的排查和解决。

任务创建

这里我们以一个SLS的自身的监控场景为例去看下改工具具体要怎么更好的使用。我们想明确下场景的问题：在LogStore中，通过对访问日志的拆解我们可以拿到如下结构化信息（见下图）。很多客户的实际业务场景也是类似的，在访问日志中记录着客户的访问行为，通过巡检当前业务的黄金指标，我们可以很好的知道目前服务中各个API接口的服务能力。

根据上述的结构，我们定义当前的需要巡检的黄金指标：

某集群各服务接口每分钟成功响应的次数
某集群各服务接口每分钟失败响应的次数
某集群各服务接口每分钟成功平均响应延时
某集群各服务接口每分钟失败平均响应延时
- | SELECT time - time % 60 AS time, method, Count(*) AS total, Count_if(status=200) AS n_succ, Sum( CASE WHEN status=200 THEN latency ELSE 0 END) / (1 + Count_if(status=200)) AS avg_succ_latency, Sum( CASE WHEN status!=200 THEN latency ELSE 0 END) / (1 + Count_if(status!=200)) AS avg_fail_latency FROM log GROUP BY time, method limit 100000

当然，我们还有另外一个形式的黄金指标，用来进行后续的监控，我们可以仅关注请求失败的接口中的数量的变化，具体的SQL如下

not STATUS: 200 |SELECT   __time__ - __time__ % 60 AS time,
         method,
         status,
         Count(*) AS num
FROM     log
GROUP BY time,
         method,
         status limit 100000