相關(guān)截圖：


資料簡介：
本書將全面完整地介紹智能運維的技術(shù)體系，以及大企業(yè)的智能運維實踐經(jīng)驗，讓讀者更加了解運維技術(shù)的現(xiàn)狀和發(fā)展方向，在實踐中能夠有所借鑒。同時，也能幫助運維工程師在一定程度上了解到機(jī)器學(xué)習(xí)的常見算法模型，以及如何將它們應(yīng)用到運維工作中。全書共分4篇。第1篇運維發(fā)展史，將重點闡述當(dāng)前運維的發(fā)展現(xiàn)狀及面臨的技術(shù)挑戰(zhàn)；第2篇智能運維基礎(chǔ)設(shè)施，將重點講述大數(shù)據(jù)場景下的數(shù)據(jù)存儲、大數(shù)據(jù)處理和分析的方法與經(jīng)驗，以及海量數(shù)據(jù)多維度多指標(biāo)的處理分析技術(shù)；第3篇智能運維技術(shù)詳解，將重點關(guān)注在新時期大數(shù)據(jù)時代下，如何進(jìn)行智能化的運維體系建設(shè)；第4篇技術(shù)案例詳解，為大家梳理了通過開源框架ELK快速構(gòu)建智能監(jiān)控系統(tǒng)的整體方案，還將分享微博平臺和微博廣告兩個不同業(yè)務(wù)場景下智能監(jiān)控系統(tǒng)的技術(shù)實踐。

資料目錄：

第1篇　開門見山：運維發(fā)展史                                                                                                                                            第1章　運維現(xiàn)狀 2

1.1　運維工程 2

1.1.1　認(rèn)識運維 2
1.1.2　主要職責(zé) 4
1.1.3　運維技術(shù) 5
1.2　運維發(fā)展歷程 6
1.2.1　人工階段 6
1.2.2　工具和自動化階段 7
1.2.3　平臺化階段 7
1.2.4　智能運維階段 8
1.3　運維現(xiàn)狀 9
1.3.1　故障頻發(fā) 9
1.3.2　系統(tǒng)復(fù)雜性 10
1.3.3　大數(shù)據(jù)環(huán)境 12
1.4　本章小結(jié) 14
1.5　參考文獻(xiàn) 14

第2章　智能運維 15
2.1　海量數(shù)據(jù)的存儲、分析和處理 16
2.2　多維度、多數(shù)據(jù)源 18
2.3　信息過載 19
2.4　復(fù)雜業(yè)務(wù)模型下的故障定位 21
2.5　本章小結(jié) 22
2.6　參考文獻(xiàn) 22

第2篇　站在巨人肩上：智能運維基礎(chǔ)設(shè)施                                                                                                                              第3章　開源數(shù)據(jù)采集技術(shù) 25
3.1　數(shù)據(jù)采集工具對比 25
3.2　輕量級采集工具Filebeat 26
3.2.1　Filebeat工作原理 26
3.2.2　Filebeat的安裝與配置 28
3.2.3　啟動和運行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　安裝Logstash 40
3.3.3　配置Logstash 41
3.3.4　啟動Logstash 49
3.4　本章小結(jié) 49
3.5　參考文獻(xiàn) 50

第4章　分布式消息隊列 51
4.1　開源消息隊列對比與分析 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安裝與使用 53
4.2.1　組件概念 53
4.2.2　基本特性 53
4.2.3　安裝與使用 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　實時結(jié)算 58
4.3.3　實時計算 58
4.4　本章小結(jié) 58
4.5　參考文獻(xiàn) 59

第5章　大數(shù)據(jù)存儲技術(shù) 60
5.1　傳統(tǒng)數(shù)據(jù)存儲 60
5.1.1　傳統(tǒng)應(yīng)用的架構(gòu) 60
5.1.2　傳統(tǒng)存儲的運行機(jī)制 61
5.1.3　傳統(tǒng)存儲帶來的問題 62
5.2　基于HDFS的分布式存儲 63
5.2.1　分布式存儲的定義 63
5.2.2　HDFS的基本原理 64
5.2.3　HDFS架構(gòu)解析 65
5.2.4　HDFS優(yōu)勢 66
5.2.5　HDFS不適合的場景 67
5.3　分層存儲 68
5.3.1　數(shù)據(jù)倉庫 68
5.3.2　數(shù)據(jù)倉庫分層架構(gòu) 70
5.3.3　分層存儲的好處 73
5.4　案例分析 73
5.4.1　數(shù)據(jù)存儲架構(gòu) 73
5.4.2　數(shù)據(jù)倉庫建模 74
5.4.3　常見的存儲問題及解決方案 80
5.5　本章小結(jié) 80
5.6　參考文獻(xiàn) 80

第6章　大規(guī)模數(shù)據(jù)離線計算分析 82
6.1　經(jīng)典的離線計算 82
6.1.1　Linux神級工具sed和awk 82
6.1.2　Python數(shù)據(jù)處理Pandas基礎(chǔ) 84
6.1.3　Python的優(yōu)勢和不足 88
6.2　分布式離線計算 89
6.2.1　MapReduce離線計算 89
6.2.2　離線計算的數(shù)據(jù)傾斜問題 97
6.2.3　分布式離線計算的技術(shù)棧 100
6.3　案例分析 101
6.3.1　離線計算管理 102
6.3.2　離線計算原子控制 103
6.3.3　離線計算的數(shù)據(jù)質(zhì)量 103
6.4　本章小結(jié) 104
6.5　參考文獻(xiàn) 105

第7章　實時計算框架 106
7.1　關(guān)于實時流計算 106
7.1.1　如何提高實時流計算的實時性 106
7.1.2　如何提高實時流計算結(jié)果的準(zhǔn)確性 107
7.1.3　如何提高實時流計算結(jié)果的響應(yīng)速度 107
7.2　Spark Streaming計算框架介紹 107
7.2.1　概述 107
7.2.2　基本概念 108
7.2.3　運行原理 108
7.2.4　編程模型 109
7.2.5　Spark Streaming的使用 110
7.2.6　優(yōu)化運行時間 114
7.3　Flink計算框架 115
7.3.1　基本概念 116
7.3.2　Flink特點 116
7.3.3　運行原理 118
7.3.4　Java API的使用 121
7.4　案例分析 124
7.4.1　背景介紹 125
7.4.2　架構(gòu)設(shè)計 126
7.4.3　效果分析 126
7.5　本章小結(jié) 126
7.6　參考文獻(xiàn) 126

第8章　時序數(shù)據(jù)分析框架 127
8.1　時序數(shù)據(jù)庫簡介 127
8.1.1　什么是時序數(shù)據(jù)庫 127
8.1.2　時序數(shù)據(jù)庫的特點 128
8.1.3　時序數(shù)據(jù)庫對比 130
8.2　時序數(shù)據(jù)庫Graphite 131
8.2.1　Graphite簡介 131
8.2.2　Graphite在微博廣告監(jiān)控系統(tǒng)中的應(yīng)用 137
8.3　多維分析利器Druid 139
8.3.1　什么是Druid 139
8.3.2　Druid架構(gòu) 140
8.3.3　Druid在微博廣告監(jiān)控平臺中的應(yīng)用 144
8.4　性能神器ClickHouse 147
8.4.1　什么是ClickHouse 147
8.4.2　ClickHouse的特性 148
8.4.3　ClickHouse的不足 149
8.4.4　安裝配置ClickHouse 149
8.4.5　表引擎 153
8.4.6　函數(shù)支持 157
8.5　本章小結(jié) 160
8.6　參考文獻(xiàn) 160

第9章　機(jī)器學(xué)習(xí)框架 161
9.1　簡介 161
9.2　TensorFlow介紹 162
9.2.1　什么是TensorFlow 162
9.2.2　下載安裝 162
9.2.3　“Hello TensorFlow”示例 166
9.3　TensorFlow進(jìn)階 166
9.3.1　基礎(chǔ)理論 167
9.3.2　模型準(zhǔn)備 169
9.3.3　訓(xùn)練數(shù)據(jù) 169
9.3.4　模型訓(xùn)練 171
9.3.5　生成seq2seq句子 174
9.3.6　運行演示 175
9.4　本章小結(jié) 178
9.5　參考文獻(xiàn) 179

第3篇　運維新時代：智能運維技術(shù)詳解                                                                                                                                 第10章　數(shù)據(jù)聚合與關(guān)聯(lián)技術(shù) 182
10.1　數(shù)據(jù)聚合 182
10.1.1　聚合運算 183
10.1.2　多維度聚合 186
10.2　降低維度 188
10.2.1　將告警聚合成關(guān)聯(lián)“事件” 189
10.2.2　減少誤報：告警分類 190
10.3　數(shù)據(jù)關(guān)聯(lián) 192
10.4　實時數(shù)據(jù)關(guān)聯(lián)案例 193
10.4.1　設(shè)計方案 193
10.4.2　效果 195
10.5　本章小結(jié) 195
10.6　參考文獻(xiàn) 195

第11章　數(shù)據(jù)異常點檢測技術(shù) 196
11.1　概述 196
11.2　異常檢測方法 198
11.2.1　基于統(tǒng)計模型的異常點檢測 199
11.2.2　基于鄰近度的異常點檢測 202
11.2.3　基于密度的異常點檢測 203
11.3　獨立森林 204
11.4　本章小結(jié) 207
11.5　參考文獻(xiàn) 207

第12章　故障診斷和分析策略 208
12.1　日志標(biāo)準(zhǔn)化 209
12.2　全鏈路追蹤 210
12.3　SLA的統(tǒng)一 210
12.4　傳統(tǒng)的故障定位方法 211
12.4.1　監(jiān)控告警型 211
12.4.2　日志分析型 212
12.5　人工智能在故障定位領(lǐng)域的應(yīng)用 213
12.5.1　基于關(guān)聯(lián)規(guī)則的相關(guān)性分析 213
12.5.2　基于決策樹的故障診斷 217
12.6　本章小結(jié) 222
12.7　參考文獻(xiàn) 222

第13章　趨勢預(yù)測算法 223
13.1　移動平均法 223
13.2　指數(shù)平滑法 224
13.3　ARIMA模型 226
13.3.1　簡介 226
13.3.2　重要概念 226
13.3.3　參數(shù)解釋 228
13.3.4　建模步驟 230
13.3.5　ARIMA模型案例 232
13.4　神經(jīng)網(wǎng)絡(luò)模型 236
13.4.1　卷積神經(jīng)網(wǎng)絡(luò) 236
13.4.2　循環(huán)神經(jīng)網(wǎng)絡(luò) 238
13.4.3　長短期記憶網(wǎng)絡(luò) 239
13.4.4　應(yīng)用說明 241
13.5　本章小結(jié) 241
13.6　參考文獻(xiàn) 242

第4篇　智能運維架構(gòu)實踐：技術(shù)案例詳解                                                                                                                              第14章　快速構(gòu)建日志監(jiān)控系統(tǒng) 244
14.1　Elasticsearch分布式搜索引擎 244
14.1.1　基本概念 244
14.1.2　分布式文檔存儲與讀取 248
14.1.3　分布式文檔檢索 250
14.1.4　分片管理 252
14.1.5　路由策略 254
14.1.6　映射 255
14.2　可視化工具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搭建實踐 264
14.3.1　Logstash安裝配置 264
14.3.2　Elasticsearch集群安裝配置 266
14.3.3　Kibana安裝配置 272
14.4　本章小結(jié) 274
14.5　參考文獻(xiàn) 274

第15章　微博廣告智能監(jiān)控系統(tǒng) 275
15.1　背景介紹 275
15.1.1　監(jiān)控指標(biāo)體系 275
15.1.2　功能設(shè)計原則 276
15.2　整體架構(gòu) 277
15.3　核心功能分析 278
15.3.1　全景監(jiān)控 278
15.3.2　趨勢預(yù)測 281
15.3.3　動態(tài)閾值 285
15.3.4　服務(wù)治理 285
15.4　本章小結(jié) 288

第16章　微博平臺通用監(jiān)控系統(tǒng) 289
16.1　背景 290
16.2　整體架構(gòu) 291
16.3　核心模塊 292
16.3.1　數(shù)據(jù)采集（Logtailer） 292
16.3.2　數(shù)據(jù)路由（Statsd-proxy） 295
16.3.3　聚合運算（Statsd） 295
16.3.4　數(shù)據(jù)分發(fā)（C-Relay）和數(shù)據(jù)存儲 295
16.3.5　告警模塊 297
16.3.6　API設(shè)計 300
16.3.7　數(shù)據(jù)可視化 301
16.4　第三方應(yīng)用 302
16.4.1　決策支持系統(tǒng) 302
16.4.2　運維自動化 303
16.4.3　成本分析和容量日報 303
16.4.4　機(jī)器學(xué)習(xí) 303
16.5　本章小節(jié) 303
附錄A　中國大數(shù)據(jù)技術(shù)大會2017（BDTC 2017）CSDN專訪實錄305