HC2020 NAIE大咖面对面（3）——岳大炯《网络KPI之时序预测与异常检测----在线自监督等学习机制与集成》

本次“华为全联接2020”们特别请来了华为NAIE首席AI架构师、NAIE算法专家——岳大炯先生，和大家面对面分享交流网络KPI之时序预测与异常检测——在线自监督等学习机制与集成。

各种通讯系统中，大量的软硬件模块，出于业务、性能、故障等监控的目的，产生并采集了大量与时间相关的各种指标数据。

通讯网络中的数据，主要包含：

性能指标：时序数据，浮点数值

告警数据：半结构化，半标准化，文本

各种静态配置：形式不定

基于这些数据，可以实现各种能力，如预测，异常检测等，并提供为有价值的服务：比如基于预测实现：流量预测、用户预测辅助容量规划，设备节能，客户流失管理；基于异常预测实现：故障预警、故障发现、故障关联过滤，辅助修复等，减少业务损失和人力投入。

另外还有一类主要的数据：各种拓扑数据。

在通讯系统智能化的实践中，如果能有效利用拓扑数据，在各种应用场景，比如故障检测、关联、修复、根因分析，都非常有用。

 但是，拓扑数据在通讯系统中，可能是不同层的，偏底层/物理层的拓扑相对静态，而偏上层/逻辑层的拓扑可能快速动态变化。

这就需要我们对时序预测与异常检测有一定的了解：

什么是时序？

什么是时序预测（Time Series Prediction）？

时序预测，是根据一定长度历史时序，预测将来一步到多步的时间点的时序数值。

什么是时序异常检测（Time Series Anomaly Detection）

时序异常检测，是从一条或多条时序中，独立或者关联，识别出显著不同于其他大多数的少数疑似点。

乍看之下，时序数据的异常检测，输入数据形式简单，任务也很明确，一般情况输入的数量也很小，很容易设计各种算法来做异常检测，而且有不同类型的大量异常检测算法可以直接使用或者改进使用。

事实上，要实现一个（套）综合能力强大，能很好的适合通讯领域的要求的时序数据异常检测算法，挑战非常大。维护高度一致、实时，甚至多个历史版本的拓扑，其代价又很高。

这些挑战，有何策略可以应对或者缓解呢？

1）技术方案/算法，能够容忍一定程度的不一致；

2）对拓扑能做一定程度的抽象，不要过分依赖实例；

3）对于不一致性，可以采用推理后二次确认；

4）工程实现上，采用按需更新部分拓扑减少更新代价等。

如果你对本话题感兴趣，欢迎莅临“华为2020全联接”，与专家面对面沟通交流。

也可直接在本文下方评论区留言提出你的问题、发表你的观点、阐述你的理解，我们将挑选高赞回答赠送《迁移学习》一本。