detect-anomalies-aiops

Apply machine learning to detect anomalies in operational metrics, correlate alerts, and reduce false positives.

Expected: Time series data loaded with regular intervals, missing values handled, features engineered for ML models.

On failure: If Prometheus connection fails, verify URL and network access, if data gaps exist use forward-fill or interpolation, ensure timestamp column is datetime type, check for memory issues with large date ranges (process in chunks).

قم بتنفيذ الكشف عن الحالات الشاذة المدعومة بالذكاء الاصطناعي للمقاييس التشغيلية باستخدام تحليل السلاسل الزمنية (Isolation Forest، Prophet، LSTM)، وارتباط التنبيه، وتحليل السبب الجذري. يمكنك تقليل إجهاد التنبيه من خلال تحديد الحالات الشاذة الحقيقية بذكاء في مقاييس النظام والسجلات والتتبعات. يُستخدم عندما تكون فرق العمليات غارقة في حجم التنبيهات، أو عند اكتشاف حالات شاذة معقدة متعددة المقاييس تتجاوز الحدود الثابتة، أو عندما تجعل الأنماط الموسمية الحدود غير فعالة، أو عند الحاجة إلى التنبؤ بالمشكلات بشكل استباقي قبل أن تؤثر على المستخدمين. المصدر: pjt222/development-guides.