主要功能

• 异常检测：提供率值检测和量值检测 API 接口，对时间序列进行检测，HTTP协议
• 特征提取：提供三类特征（统计特征、拟合特征、分类特征）的提取功能，特征维度90+；支持增加自定义特征
• 异常查询：经 API 检测后的时间序列（仅异常）入库存储，提供管理功能，分页查询、检索、放缩等
• 标注打标：提供标注打标的功能，标记/取消标记为正负样本，标记后样本入样本库
• 样本管理：提供样本管理功能，检索、图示、编辑、删除，导入等功能
• 模型管理：提供模型管理功能，支持自定义模型训练

应用场景

• 质量保障： 利用机器学习技术，进行异常检测、故障定位、瓶颈分析等，可在无人工干预下，智能地保障业务稳定运行。如无阈值智能监控、DLP 生死指标监控、多维根因分析。
• 效率提升：基于自然语言处理、机器学习技术，进行智能问答、智能变更、智能决策，可显著提升运维效率。如 Metis 的智能咨询机器人、舆情监控、集群智能负载均衡、参数调优、容量预测。
• 成本管理：基于大数据智能分析技术，进行资源（设备、带宽、存储）管理，可迅速分析资源使用的明细，并通过横向大数据对比识别可优化点。如硬盘生命周期预测。本次 Metis 率先开源的无阈值智能监控学件，是从无监督+有监督学习的角度来解决时序数据的智能检测问题。

项目特性

• 智能检测：运维人员不需要再去设置监控阈值，模型能够对异常情况做智能判决，直观告知检测结果是正常还是异常。通常而言，阈值的监控包含最值、同比、环比等维度设置，此检测方案在检测初期效果较好，但是随着业务发展和规模壮大，就会需要付出较高的人力成本去维护合适的阈值范围，对于大规模发展性业务得不偿失。智能检测的方案是基于统计判决、无监督和有监督学习对时序数据进行联合检测，通过统计判决、无监督算法进行首层判决，输出疑似异常，其次进行有监督模型判决，得到最终检测结果。这个过程就摒弃了阈值方式带来的问题。
• 通用模型：智能检测的模型由腾讯织云多元化的海量业务样本训练而成，比较适合复用在互联网行业的时间序列检测中。有监督的检测效果取决于标注样本的准确性和种类丰富性，通过样本库管理功能积累了大量的正负样本、分为测试集和训练集，通用模型是经过海量训练集的样本数据训练而来，涵盖较全面的样本分类。可以帮助一些用户避免掉缺乏训练数据所带来的难点，用户可直接加载通用模型进行检测。
• 规则学习：实践过程中也会遇到较个性的业务场景，千人千面，不同的用户对异常的判断标准也不尽一致，因此支持标注反馈功能，用户可根据标注信息进行训练，生成新的检测模型，进而掌握新的业务规则。

腾讯表示，秉承腾讯开源的理念，Metis 将打造一个开放的学件平台，陆续开源时间序列指标预测、主机异常智能分析、MySQL 异常智能分析、硬盘生命周期预测等其它智能运维学件，集合广大用户在智能运维领域的建设经验和实践，丰富完善针对质量、效率、成本三个方面的AI学件，搭建完备的运维场景，并将在未来兼容其它监控领域的开源产品，如 Zabbix、Nagios、Open-Falcon 等。