运维是保证企业正常运行的一个关键环节,尤其是互联网企业,运维是其服务和工作中的重要组成部分。本质上,运维是对网络、服务器以及服务的生命周期各个阶段的运营和维护。AIOps即智能运维,基于运维产生的大量数据,结合大数据、机器学习、深度学习等技术,将运维场景智能化,是运维行业的发展趋势。通俗地讲,AIOps是对制定运维规则这一过程的智能化,即将传统的通过专家总结相关领域运维知识的过程升级为由机器自动学习并生成的过程。具体来说,AIOps是对具体的实际生产环境中长时间积累而形成的运维和管理知识,将其规则的形成过程进行自动学习来“去规则化”,最大限度避免人工的参与。从而做到质量、成本、效率最优,为企业争取最大的收益。随着当前各个行业企业信息化的快速发展,企业的业务在不断扩大和复杂化,IT系统及其需要处理的数据的规模也日益扩大。在企业运维场景的监控部署中,服务器需要监控大量具有不同特性的KPI指标,如果由技术人员凭借经验为每个KPI指标部署不同的告警阈值,会很容易导致失误。而且很多KPI指标的自身特性会由于业务的改动而变化,单一的告警阈值配置难以应对这种情况,会产生很多误报或遗漏。本文的研究目标就是设计一个智能运维系统来辅助运维人员的工作,解决这些问题。本文研究了传统时间序列分析技术、机器学习技术以及大数据技术在AIOps场景下的应用。基于企业实际运维中产生的时间序列数据,整理出了时序数据趋势预测的数据预处理的方法,并总结出了可以有效地从时序数据中提取特征的方法。本文使用企业实际生产环境中产生的时间序列数据,基于目前广泛应用的成熟的大数据计算框架Spark、消息队列Kafka、key-value型数据库Redis和分布式数据库Druid,以及传统的时间序列分析和机器学习技术,搭建了一个具有基础数据基线检测、业务数据实时预测以及业务数据异常检测功能的AIOps系统。