相关截图Q?br />
资料介：(x)
本书全面完整地介绍q维的技术体p，以及(qing)大企业的q维实践l验Q让读者更加了(jin)解运l技术的现状和发展方向，在实践中能够有所借鉴。同Ӟ也能帮助q维工程师在一定程度上?jin)解到机器学习(fn)的常见法模型Q以?qing)如何将它们应用到运l工作中。全书共?。第1运l发展史Q将重点阐述当前q维的发展现状及(qing)面(f)的技术挑战；W?智能运l基设施Q将重点讲述大数据场景下的数据存储、大数据处理和分析的Ҏ(gu)与经验，以及(qing)量数据多维度多指标的处理分析技术；W?智能运l技术详解，重点关注在新时期大数据时代下，如何q行化的q维体系Q第4技术案例详解，为大家梳理了(jin)通过开源框架ELK快速构建智能监控系l的整体Ҏ(gu)Q还分享微博^台和微博q告两个不同业务场景下智能监控系l的技术实c(din)?/span>
资料目录Q?/strong>
W? 开门见山：(x)q维发展?nbsp; W?章 q维现状 2
1.1 q维工程 2
1.1.1 认识q维 2
1.1.2 主要职责 4
1.1.3 q维技?5
1.2 q维发展历程 6
1.2.1 人工阶段 6
1.2.2 工具和自动化阶段 7
1.2.3 q_化阶D?7
1.2.4 q维阶段 8
1.3 q维现状 9
1.3.1 故障频发 9
1.3.2 pȝ复杂?10
1.3.3 大数据环?12
1.4 本章结 14
1.5 参考文?14
W?章 q维 15
2.1 量数据的存储、分析和处理 16
2.2 多维度、多数据?18
2.3 信息q蝲 19
2.4 复杂业务模型下的故障定位 21
2.5 本章结 22
2.6 参考文?22
W? 站在巨h肩上Q智能运l基设施 W?章 开源数据采集技?25
3.1 数据采集工具Ҏ(gu) 25
3.2 轻量U采集工具Filebeat 26
3.2.1 Filebeat工作原理 26
3.2.2 Filebeat的安装与配置 28
3.2.3 启动和运行Filebeat 38
3.3 日志采集解析工具 38
3.3.1 Logstash工作原理 39
3.3.2 安装Logstash 40
3.3.3 配置Logstash 41
3.3.4 启动Logstash 49
3.4 本章结 49
3.5 参考文?50
W?章 分布式消息队?51
4.1 开源消息队列对比与分析 51 4.1.1 概述 51
4.1.2 ZeroMQ 51
4.1.3 ActiveMQ 52
4.1.4 RocketMQ 52
4.1.5 Kafka 53
4.2 Kafka安装与?53
4.2.1 lg概念 53
4.2.2 基本Ҏ(gu)?53
4.2.3 安装与?54
4.2.4 Java API使用 55
4.3 案例分析 57
4.3.1 日志采集 58
4.3.2 实时l算 58
4.3.3 实时计算 58
4.4 本章结 58
4.5 参考文?59
W?章 大数据存储技?60
5.1 传统数据存储 60
5.1.1 传统应用的架?60
5.1.2 传统存储的运行机?61
5.1.3 传统存储带来的问?62
5.2 ZHDFS的分布式存储 63
5.2.1 分布式存储的定义 63
5.2.2 HDFS的基本原?64
5.2.3 HDFS架构解析 65
5.2.4 HDFS优势 66
5.2.5 HDFS不适合的场?67
5.3 分层存储 68
5.3.1 数据仓库 68
5.3.2 数据仓库分层架构 70
5.3.3 分层存储的好?73
5.4 案例分析 73
5.4.1 数据存储架构 73
5.4.2 数据仓库建模 74
5.4.3 常见的存储问题及(qing)解决Ҏ(gu) 80
5.5 本章结 80
5.6 参考文?80
W?章 大规模数据离U计分?82
6.1 l典的离U计?82
6.1.1 Linux工具sed和awk 82
6.1.2 Python数据处理Pandas基础 84
6.1.3 Python的优势和不 88
6.2 分布式离U计?89
6.2.1 MapReduceȝ计算 89
6.2.2 ȝ计算的数据倾斜问题 97
6.2.3 分布式离U计的技术栈 100
6.3 案例分析 101
6.3.1 ȝ计算理 102
6.3.2 ȝ计算原子控制 103
6.3.3 ȝ计算的数据质?103
6.4 本章结 104
6.5 参考文?105
W?章 实时计算框架 106
7.1 关于实时计?106
7.1.1 如何提高实时计的实时?106
7.1.2 如何提高实时计结果的准确?107
7.1.3 如何提高实时计结果的响应速度 107
7.2 Spark Streaming计算框架介绍 107
7.2.1 概述 107
7.2.2 基本概念 108
7.2.3 q行原理 108
7.2.4 ~程模型 109
7.2.5 Spark Streaming的?110
7.2.6 优化q行旉 114
7.3 Flink计算框架 115
7.3.1 基本概念 116
7.3.2 Flink特点 116
7.3.3 q行原理 118
7.3.4 Java API的?121
7.4 案例分析 124
7.4.1 背景介绍 125
7.4.2 架构设计 126
7.4.3 效果分析 126
7.5 本章结 126
7.6 参考文?126
W?章 时序数据分析框架 127
8.1 时序数据库简?127
8.1.1 什么是时序数据?127
8.1.2 时序数据库的特点 128
8.1.3 时序数据库对?130
8.2 时序数据库Graphite 131
8.2.1 Graphite?131
8.2.2 Graphite在微博广告监控系l中的应?137
8.3 多维分析利器Druid 139
8.3.1 什么是Druid 139
8.3.2 Druid架构 140
8.3.3 Druid在微博广告监控^C的应?144
8.4 性能器ClickHouse 147
8.4.1 什么是ClickHouse 147
8.4.2 ClickHouse的特?148
8.4.3 ClickHouse的不?149
8.4.4 安装配置ClickHouse 149
8.4.5 表引?153
8.4.6 函数支持 157
8.5 本章结 160
8.6 参考文?160
W?章 机器学习(fn)框架 161
9.1 ?161
9.2 TensorFlow介绍 162
9.2.1 什么是TensorFlow 162
9.2.2 下蝲安装 162
9.2.3 “Hello TensorFlow”CZ 166
9.3 TensorFlowq阶 166
9.3.1 基础理论 167
9.3.2 模型准备 169
9.3.3 训练数据 169
9.3.4 模型训练 171
9.3.5 生成seq2seq句子 174
9.3.6 q行演示 175
9.4 本章结 178
9.5 参考文?179
W? q维新时代：(x)q维技术详?nbsp; W?0章 数据聚合与关联技?182
10.1 数据聚合 182
10.1.1 聚合q算 183
10.1.2 多维度聚?186
10.2 降低l度 188
10.2.1 告警聚合成兌“事g” 189
10.2.2 减少误报Q告警分c?190
10.3 数据兌 192
10.4 实时数据兌案例 193
10.4.1 设计Ҏ(gu) 193
10.4.2 效果 195
10.5 本章结 195
10.6 参考文?195
W?1章 数据异常Ҏ(gu)技?196
11.1 概述 196
11.2 异常(g)方?198
11.2.1 Zl计模型的异常点(g)?199
11.2.2 Z邻近度的异常Ҏ(gu)?202
11.2.3 Z密度的异常点(g)?203
11.3 独立林 204
11.4 本章结 207
11.5 参考文?207
W?2章 故障诊断和分析策?208
12.1 日志标准?209
12.2 全链路追t?210
12.3 SLA的统一 210
12.4 传统的故障定位方?211
12.4.1 监控告警?211
12.4.2 日志分析?212
12.5 人工在故障定位领域的应用 213
12.5.1 Z兌规则的相x分?213
12.5.2 Z决策?wi)的故障诊?217
12.6 本章结 222
12.7 参考文?222
W?3章 势预测法 223
13.1 Udq_?223
13.2 指数qx?224
13.3 ARIMA模型 226
13.3.1 ?226
13.3.2 重要概念 226
13.3.3 参数解释 228
13.3.4 建模步骤 230
13.3.5 ARIMA模型案例 232
13.4 经|络模型 236
13.4.1 L(fng)经|络 236
13.4.2 循环经|络 238
13.4.3 长短期记忆网l?239
13.4.4 应用说明 241
13.5 本章结 241
13.6 参考文?242
W? q维架构实践Q技术案例详?nbsp; W?4章 快速构建日志监控系l?244
14.1 Elasticsearch分布式搜索引?244
14.1.1 基本概念 244
14.1.2 分布式文存储与d 248
14.1.3 分布式文检?250
14.1.4 分片理 252
14.1.5 路由{略 254
14.1.6 映射 255
14.2 可视化工具Kibana 258
14.2.1 Management 260
14.2.2 Discover 260
14.2.3 Visualize 262
14.2.4 Dashboard 263
14.2.5 Timelion 263
14.2.6 Dev Tools 264
14.3 ELK搭徏实践 264
14.3.1 Logstash安装配置 264
14.3.2 Elasticsearch集群安装配置 266
14.3.3 Kibana安装配置 272
14.4 本章结 274
14.5 参考文?274
W?5章 微博q告监控pȝ 275
15.1 背景介绍 275
15.1.1 监控指标体系 275
15.1.2 功能设计原则 276
15.2 整体架构 277
15.3 核心(j)功能分析 278
15.3.1 全景监控 278
15.3.2 势预测 281
15.3.3 动态阈?285
15.3.4 服务ȝ 285
15.4 本章结 288
W?6章 微博q_通用监控pȝ 289
16.1 背景 290
16.2 整体架构 291
16.3 核心(j)模块 292
16.3.1 数据采集QLogtailerQ?292
16.3.2 数据路由QStatsd-proxyQ?295
16.3.3 聚合q算QStatsdQ?295
16.3.4 数据分发QC-RelayQ和数据存储 295
16.3.5 告警模块 297
16.3.6 API设计 300
16.3.7 数据可视?301
16.4 W三方应?302
16.4.1 决策支持pȝ 302
16.4.2 q维自动?303
16.4.3 成本分析和容量日?303
16.4.4 机器学习(fn) 303
16.5 本章节 303
附录A 中国大数据技术大?017QBDTC 2017QCSDN专访实录305
苏公|安?32061202001004?/p>
