交易系統異常檢測業務背景
今天分享OpenMLDB在aiops領域應用案例。交易系統做爲大部分企業的核心繫統，爲了保證其持續穩定運行，其健康程度成爲了運維健康的核心指標，今天主要分享經過交易成功率和tps兩個指標來自動檢測交易系統是否異常，指標具體定義git
- 交易成功率，統計每10秒爲一個週期的交易成功的比例
- tps，統計每10秒的平均tps
交易系統異常檢測業務架構
整個檢測步驟分爲github
- 交易系統週期（每10s）產生tps交易量和成功率統計數據
- 統計數據寫入數據庫，而後作一次算法模型推理，存入推理結果
- 完成推理後，進行一次規則判斷決策是否進行報警
交易系統異常檢測系如何處理系統抖動問題
由於交易系統，可能由於各類問題出現抖動，哪些抖動須要運維人員感知，哪些抖動可讓系統吞掉，須要有必定靈活性來解決這些問題，而整個異常檢測系統是從如下兩個方面解決這些問題算法
- 多種算法聯合推理，每一個算法都進行推理得出結果作加權處理，權重越大，可行度越高
- 人肉制定決策規則，根據人肉經驗判斷是否告警，好比查看最近6次推理結果，若是6次中有5次權重都大於某個值則觸發報警
基於OpenMLDB的交易異常檢測的系統架構
面向交易系統異常檢測架構挑戰數據庫
- 高實時性，須要異常檢測快速決策出是否有異常，下降損失
- 算法模型自由，讓數據科學家能夠充分發揮數據價值，提高決策效率，這個也是OpenMLDB核心優點，讓開發一個機器學習應用很是低門檻，達到模型自由
- 系統容量，可以支持每一年10倍監控對象容量增加
關於OpenMLDB
OpenMLDB是一個面向機器學習應用提供正確、高效數據供給的開源數據庫。除了超過10倍的機器學習數據開發效率的提高，OpenMLDB也提供了統一的計算與存儲引擎減小開發運維的複雜性與整體成本。架構
歡迎你們參與到https://github.com/4paradigm/OpenMLDB 社區中運維