指標監控關乎穩定性，但隨着數據量的增加、指標的複雜週期性和模式變化的動態性，基於閾值/同比環比的規則難以適用，而且複雜的領域知識導致爲每條指標配置相應的規則費時費力，無法應用在大規模數據監控上。在監控的有效性方面，傳統的規則報警無法智能識別季節性，也經常受到噪聲/抖動數據的干擾而導致誤報，固定的規則以及閾值更無法進行提前預警。
前言
在上面的背景下，淘系技術質量團隊打造了一款基於AI算法的異常檢測平臺，Holmes是一款智能化、輕量級、易接入、可擴展的異常檢測平臺，使用基於AI的異常檢測算法，替代傳統的規則監控方案。解決規則告警系統準確率低、時效性低、規則配置複雜與耗費人力等諸多問題。
Holmes目前已經在阿里內進行開放，覆蓋淘寶、千牛、優酷、釘釘、淘寶直播等多個應用，核心指標量200+，整體準確率在90%以上，算法調用量高達1000萬餘次，有效進行故障的提前預警20餘次。
平臺理念
Holmes通過AI算法對業務指標進行檢測和預測，從而實現智能化報警，彌補了規則監控的不足，減少誤報和漏報情況。提供一站式的異常檢測服務，滿足時序數據的實時檢測，提供多種接入方式，利用機器學習和深度學習方式，定製化學習模型，有效提升報警覆蓋率，以智能化方式進行穩定性的監控和保障。
原文鏈接:【https://www.infoq.cn/article/up3KKEgtpQeU9xmtbCSk】。未經作者許可，禁止轉載。