介绍了实现基于云平台的人工智能运维 (AIOps) 的愿景、趋势、挑战和机遇以及多种运用案例和关键技术，特别关注了数据分析、问题分类和解决方案提出和技术应用等方面。着重挖掘了那些尚未被深入开发或对人工智能技术能够产生显著影响的领域。文章中还提供了该领域的趋势预测和关键投资机会。

Apr, 2023

通过利用开源工具，本文调查了在内部实施 AIOps 解决方案的可行性，介绍了一个成功部署的综合 AIOps 基础设施，并提供了构建其各个组件的不同选择的基础。对于寻求以现代 AIOps 方法内部管理软件维护流程的公司，我们的经验可以提供帮助。

Aug, 2023

人工智能运维（AIOps）是一个快速发展的领域，应用人工智能和机器学习来自动化和优化 IT 运维。然而，由于数据源可能包含敏感信息，数据安全是在与 AIOps 供应商合作时的重要关注点。本文将讨论不同供应商提供的安全功能以及我们如何采用最佳实践来确保数据的保护和隐私。

Dec, 2023

该论文提出了一种名为 ADLILog 的方法，结合源代码日志指令和目标系统的数据，通过两阶段学习过程，学习深度神经网络模型来可靠地检测系统日志中的异常，实验结果表明 ADLILog 在 F1 得分上的表现比相关方法提高了高达 60％。

Jul, 2022

本研究提出了一个新颖的混合框架，通过整合无监督策略的创新算法，利用自定义损失函数显著增强了日志异常检测的有效性。实验结果极具潜力，对伪正例的显著减少以及处理原始未经处理的日志的能力等方面具有显著优势，为 AIOps 平台内日志异常检测的进展作出了重要贡献，满足了现代复杂系统中有效和高效日志分析的关键需求。

Nov, 2023

基于人工智能运维 (AIOps) 的时间序列异常检测的综述以及基于最新进展的面向实际应用和下一代时间序列异常检测的未来方向。

Aug, 2023

该研究引入了一个日志异常的分类法，并探索了自动数据标记来减轻标记挑战，同时研究了多种异常检测技术及其与特定异常类型的相互对齐关系。这篇论文丰富了我们对异常检测和自动标注的理解，为变革性的根本原因分析奠定了基础，从而使 IT 系统更具弹性，提升运营效率并提高用户满意度。

Dec, 2023

该研究论文探讨了如何在网络管理中使用 AIOps 技术，通过简单而有效的技术对个体推理和多重推理中的整体模型质量进行评估和追踪。

Feb, 2022

通过训练公共和专有日志数据上的大型语言模型 (LLM)，本论文介绍了一种在多个下游任务上表现优于现有模型的 LLM，为 AIOps 提供了高效和有效的自动化日志分析解决方案，使 SRE 能够专注于更高层次的任务。

Aug, 2023

人工智能领域的最新进展建立了解决具有挑战性任务的基础，然而，与人工智能的集成带来了新的风险，因此为了从其优势中受益，必须充分应对与人工智能相关的风险。本文介绍了 AI 危害管理（AIHM）框架，提供了一个结构化的过程，以系统地识别、评估和处理 AI 危害。建议的过程与开发同时进行，以确保任何 AI 危害都能在 AI 系统生命周期的最早阶段捕捉到。此外，为了确保 AI 系统的可审计性，提出的框架系统地记录证据，表明已经减少了识别出的 AI 危害的潜在影响到可容忍水平的程度。该框架基于来自综合的最新分析的 AI 危害列表，并提供了一个支持识别出的 AI 危害的最佳处理方式的分类方法。此外，我们举例说明了 AIHM 框架如何通过系统地降低识别的危害对电网 AI 用例的总体质量产生积极影响。

Oct, 2023