新书速览|智能运维实践
智能运维实践
本书内容
智能运维的核心目标包括故障预测、自动化修复、效能优化，最终推动运维从“经验驱动”向“数据驱动”转型，降低非计划停机损失并提升系统可靠性。本书从智能运维基本理论入手，详细讲解智能运维方法和应用案例，帮助读者掌握智能运维的核心技术。本书配套示例源码、PPT课件与教学大纲。
全书共分12章，内容包括智能运维概述、智能运维框架、搭建Ubuntu运维和开发环境、Python编程基础、数据采集与存储、数据预处理、机器学习、深度学习、自然语言处理、日志异常检测、面向微服务的根因定位、网络流量异常检测。
本书作者
苏娜，副教授，工学博士，硕士生导师，中国自动化学会网络信息服务专业委员会委员，中国自动化学会会员，泰安市高层次人才。主要研究方向为数据挖掘、人工智能等。主持或参与10余项科研项目，发表学术论文20余篇，撰写专著1部，取得发明专利2项、软件著作权多项。
孙琳，学术副教授，硕士生导师。主要研究方向为数据分析与数据挖掘等。主持并参与多项省部级科研项目，发表科研、教学论文十余篇，其中多篇被SCI、EI检索。
王鸽，副教授，博士，硕士生导师。主要研究方向为大数据分析、人工智能、自然语言处理、机器学习等。主持并参与多项省部级科研项目，发表论文20余篇，参编教材4部，取得发明专利2项、软件著作权多项。
本书读者
本书既适合智能运维初学者、智能运维应用开发人员、系统与网络运维人员，也适合高等院校及高职高专院校人工智能大模型课程的学生。
本书目录
向上滑动阅览
目 录
第1章 智能运维概述1
1.1 引言1
1.1.1 智能运维的兴起1
1.1.2 智能运维的发展历程2
1.1.3 智能运维的技术基础3
1.1.4 智能运维的目标4
1.2 智能运维的应用4
1.2.1 智能运维的应用领域4
1.2.2 智能运维要解决的问题5
1.3 智能运维的相关标准6
1.3.1 运维相关的现有标准7
1.3.2 人工智能的现有标准9
1.3.3 智能运维的现有标准10
第2章 智能运维框架12
2.1 整体框架12
2.2 组织治理13
2.3 场景实现14
2.4 能力域15
第3章 搭建Ubuntu运维和开发环境20
3.1 Ubuntu安装准备20
3.2 安装Oracle VM VirtualBox22
3.3 安装Ubuntu服务器系统26
3.3.1 创建虚拟机26
3.3.2 安装Ubuntu Server系统32
3.4 搭建VS Code远程开发环境40
第4章 Python编程基础44
4.1 Python快速入门44
4.1.1 Python简介44
4.1.2 数据类型47
4.1.3 运算符50
4.1.4 函数52
4.1.5 程序控制结构53
4.1.6 类和对象54
4.2 NumPy快速入门55
4.2.1 数组创建与初始化55
4.2.2 数组的核心属性、操作与计算56
4.2.3 数学运算与统计60
4.3 Pandas快速入门61
4.3.1 Pandas系列61
4.3.2 Pandas数据帧65
4.3.3 Pandas示例69
第5章 数据采集与存储84
5.1 数据采集84
5.1.1 数据采集方法85
5.1.2 数据采集工具86
5.1.3 数据采集的关键考虑因素88
5.2 数据存储88
5.2.1 数据存储类型89
5.2.2 数据存储架构90
5.2.3 数据备份与恢复90
5.2.4 数据安全91
5.2.5 数据管理与优化91
5.2.6 数据访问与检索92
第6章 数据预处理94
6.1 数据清洗95
6.1.1 处理缺失值95
6.1.2 去除重复记录106
6.2 数据集成112
6.3 数据转换113
6.4 数据离散化119
6.4.1 等距离散化120
6.4.2 等频离散化120
6.4.3 基于聚类的离散化121
6.4.4 基于决策树的离散化122
6.5 特征选择123
6.5.1 特征选择方法123
6.5.2 特征选择示例124
第7章 机器学习129
7.1 回归方法129
7.1.1 常见的回归方法130
7.1.2 回归模型的评估与优化131
7.1.3 回归模型的示例132
7.2 分类方法140
7.2.1 分类的一般流程140
7.2.2 评估指标141
7.3 决策树143
7.3.1 基本概念143
7.3.2 构建步骤145
7.3.3 决策树示例147
7.3.4 决策树的特点152
7.4 其他分类算法152
7.4.1 随机森林152
7.4.2 支持向量机153
7.4.3 贝叶斯分类器156
7.4.4 分类算法小结与示例158
7.5 聚类分析165
7.5.1 划分聚类方法165
7.5.2 基于密度的聚类方法及示例169
7.5.3 层次聚类方法173
7.5.4 基于网格的聚类方法173
7.6 关联分析174
7.6.1 关联分析相关概念174
7.6.2 FP-Growth算法175
7.6.3 关联分析示例176
7.7 时间序列分析181
7.7.1 时间序列的基本概念181
7.7.2 时间序列的平稳性181
7.7.3 时间序列的建模方法182
7.7.4 时间序列的预测183
7.7.5 时间序列分析示例184
7.8 异常点检测192
7.8.1 异常点检测概述192
7.8.2 异常点检测方法193
7.8.3 异常点检测示例193
第8章 深度学习199
8.1 深度学习基础199
8.2 卷积神经网络202
8.2.1 CNN的基本原理202
8.2.2 CNN应用示例204
8.3 循环神经网络及其特殊架构217
8.3.1 循环神经网络217
8.3.2 长短期记忆网络219
8.3.3 门控循环神经网络221
8.4 注意力机制222
8.5 Transformer模型226
第9章 自然语言处理229
9.1 自然语言处理概述229
9.2 文本表示方法230
9.2.1 独热编码231
9.2.2 TF-IDF方法231
9.2.3 Word2Vec模型232
9.2.4 GloVe预训练模型233
9.2.5 BERT预训练模型234
9.3 大语言模型及示例236
第10章 日志异常检测244
10.1 数据预处理245
10.1.1 常用数据集介绍245
10.1.2 日志数据处理246
10.2 HDFS日志异常检测247
10.2.1 日志解析与模板匹配248
10.2.2 事件序列构建252
10.2.3 滑动窗口处理257
10.2.4 特征工程与标签关联259
10.2.5 模型训练与评估262
10.3 日志异常检测经典模型及示例264
10.3.1 DeepLog模型及示例265
10.3.2 LogAnomaly模型及示例274
10.3.3 LogRobust模型及示例278
第11章 面向微服务的根因定位281
11.1 引言281
11.2 数据集282
11.2.1 数据采集282
11.2.2 公开数据集284
11.3 根因定位方法286
11.4 根因定位的关键技术288
11.4.1 异常检测288
11.4.2 PageRank算法及示例289
11.4.3 随机游走算法296
11.4.4 深度优先搜索297
11.4.5 皮尔逊相关系数298
11.4.6 根因定位关键技术总结298
第12章 网络流量异常检测300
12.1 引言300
12.2 网络流量分类与数据集301
12.2.1 网络异常流量分类301
12.2.2 公开数据集302
12.3 数据预处理308
12.4 网络流量异常检测方法313
12.5 网络流量异常检测示例315
12.5.1 基于SVM的网络流量异常检测315
12.5.2 基于DNN的网络流量异常检测322
编辑推荐
（1）本书介绍智能运维的基础理论和相关技术，包括智能运维整体框架以及机器学习、深度学习和自然语言处理的常用算法。
（2）本书通过面向实际场景需求的日志异常检测、根因定位、网络流量异常检测等项目案例，由浅入深地阐述如何将人工智能应用到IT运维实践中。
（3）配套示例源码、PPT课件、教学大纲、配图PDF文件。
本书特色
本文摘自《智能运维实践》，获出版社和作者授权发布。
智能运维实践——jd
https://item.jd.com/15108642.html
