关于 幸运农场玩法有图片幸运农场玩法技巧q群778_7878鳌nhe 的搜索结果,共911
w****t 2018-07-10
AIOps中的四大金刚
具体职责包括: 在AIOps时代,维工程师一方面需要熟悉维领域的知识,了解维的难题和解决思路;另一方面需要了解人工智能和机器学习的思路,能够理解哪些景问题适合用机器学习方解决,需要提供怎样的样本和数据,即成为AI在维领域落地实施的解决方案专家。 维AI工程师 在单机房故障自愈景中,维AI工程师将机器学习的算与实际的故障处理业务景相结合,针对单机房故障景的风险点,进行策略研发与实验工作。如下所示: 维AI工程师分别设计了如下算策略来满足整个复杂故障景的自动决策: 异常检测算:解决故障发现时指标异常判断问题,基于AI方实现较高的准确率和召回率,作为整个故障自愈的数据基础。 策略编排算:基于当前线上的实际流量和服务状态,设计损益计算模型,判断基于何种方式的操作组合或步骤,能够使整个自动止损带来收益最大,风险最小。 流量调度算:基于线上服务容量与实时流量情况,进行精确流量比例计算,防御容量不足或不准风险,并实现流量调度收益最大化。
金****洲 2018-07-10
混乱的集遇见TA 从此岁月静好
Q新开发的基础设施服务问题,能立马回滚吗? Q可以做虚拟化资源限制基础设施不占用过多的机器资源吗? Q如何先部署小批量机器,确认无误之后,再做全集部署?简而言之,灰度发布。 Q新到位10000机器,如何高效部署最新的基础设施?使集中所机器环境同质化? 管中窥豹,我们可以发现如果在私云或者混合云景中还是通过人肉维的方式管理,那么管理效率将会十分低下,并且其中重复繁杂的操作,难以保证云环境的稳定性和安全性。急人之所急,需人之所需。百度云的工程师们便展开了一头脑风暴...... 原始太初 私云中存在大规模的机器集,集中一空虚混沌,渊面黑暗,仅字节流在其间穿梭。为效地管控体量庞大的集,合理分配资源,降低维成本,保障云上服务穿越狂风暴雨,工程师们意识到:“必须要一个优秀系统来管控这混沌的集世界!” 第一天 工程师们说:”这个系统要代表操作系统的意志!占用资源少!对外部系统零依赖!装机自带!要能自升级和自保活!“。
流****水 2018-07-11
度云企业级维平台——NoahEE
除了这些以外,考虑到企业中更复杂的监控景,例如通过SNMP/IPMI等标准协议对于网络设备等进行数据采集,报警通知方式可以自定义,支持和企业内通讯软件例如Lync等进行整合。NoahEE的这些监控能力,可以让你全面掌握维工作的方方面面,各种问题洞若观火。 一张简单地将NoahEE监控模块的特点总结一下: 5 监控管理 今天介绍的NoahEE文章里,我们只介绍了基础术相关的产品,当然除此之外,我们还提供高级版的智能维产品,相信将基础版维平台与自动异常检测、辅助根因诊断、智能故障自愈等AIOps术结合,会让维更上一个台阶,为业务带来更大价值。 总 结 作为一个自动化维平台,NoahEE的功能全面且易于使用,在这篇文章中无面面俱到的详细阐述,大家可以通过访问我们的维网站http://aiops.baidu.com来详细了解我们的维产品。网站中除了NoahEE维平台的介绍外,还我们智能维产品的相关介绍,欢迎大家访问该网站并联系我们试用各维产品。
b****z 2018-07-11
智能维基础-维知识库之ETL
Pull ETL由于是周期性的执行,因此在时效性上无满足需求;Push ETL需要数据源进行改造,一定的成本,且变更消息传输存在一定的延迟,无实时查询到最新数据。 因此,如下所示,我们采用另一种经典方Federation(Lazy ETL)来实现数据集成:即维知识库处理用户查询时,直接调用接口去访问原始数据源,按schema转换后,返回给用户。 总结 本文主要介绍了百度云Noah智能维产品中的维知识库之ETL。针对不同业务景使用的数据,提供不同的ETL方式。针对离线数据建设,采用Pull ETL周期性从数据源获取数据,此外综合考虑数据接入收益和成本,提供了自适应ETL以及基于SDK的自定义ETL;针对时效性高的数据建设,采用Push ETL,数据源主动推送变更到维知识库中;针对实时数据建设,采用Lazy ETL,在查询时回源获取数据并进行转换。维知识库和ETL感兴趣的同学,欢迎留言探讨。
3****3 2018-07-10
百度智能维工程架构
相比较原的单机房故障处理方式,在感知、决策、执行三个方面,L4级的单机房故障自愈系统效果显著: 1.感知方面,智能异常检测算替代过去大量误报漏报的阈值检测方; 2.决策方面,具备全局信息、自动决策的算组件替代了过去“老中医会诊”的人工决策模式; 3.执行方面,状态机等执行长流程组件的加入,让执行过程可定位、可复用。 目前L4级的单机房故障自愈,已经覆盖百度大多数核心业务线,止损效率可做到分钟级,最快秒级止损,较人工止损效率提升60%-99%。 总结 随着AIOps逐渐走向成熟和产品化,必将越来越多的景被AIOps所变革,而我们,百度云智能维团队,也希望秉承着这个方向,为行业贡献更多的创新理念、术和产品,欢迎大家一起加入探讨。 最后,用一句话来总结下工程架构对于智能维的意义: 框架在手,AI我:智能时代,框架会越来越重要,从机器学习框架TensorFlow到自动驾驶框架Apollo,概莫能外。
l****m 2018-07-10
五年前的预言——2012年云计算时代的维职位展望
生产领域的公司因为维涉及到实实在在的钱,所以维人员待遇高(都是专术难培养)、做的事情少(自发做事多了会出错,不如找厂商术支持),只是跳槽的难度比通用维要大一些(都是专术不通用) 4、彻底转型,做和计算机无关的工作;选这条路的人一部分是自己大觉悟或机缘,但另一部分人是真的适应不了环境变化,希望各位不要被淘汰掉。 最后总结一下,云计算是不可阻挡的历史趋势,它还给了维五到十年的时间去修正自己的职规划,我们可以顺势而为也可以激流勇进,但不可得过且过随波逐流最终。 天行健,君子自强不息。
金****洲 2018-07-09
百度安全实验室|机器学习对抗性攻击报告
在定向类攻击中,作者首先根据条件概率找出给定源像,最不可能(least-likely) 被识别的类型y 值,表示为(该种类通常和原种类完全不同)。然后采用定向类攻击方 中的FGS 迭代方,产生对抗性。其中非定向类攻击方在类型种类比较少并且类型种类差距较大的数据库里,比较效。但是一旦类型之间比较相关,该攻击极大的可能只会在同一个大类中偏移。这时候定向类攻击方就会效很多。 2 对抗性像在现实物理世界欺骗机器学习过程 为了验证结果,作者采用白盒攻击模型。其中,作者使用谷歌Inception v3 作为目 标像识别模型,并选取ImageNet 中的50,000 个验证像针对Inception v3 构 造出相对应的对抗性像。在实验中,他们将所的对抗性和原始都打印出来, 并手动用一个Nexus 5 智能手机进行拍照,然后将手机里的像输入Inception v3 模 型进行识别。现结果表明,87%的对抗性像在经过外界环境转化后仍能成功欺骗机 器,从而证明了物理对抗性例子在真实世界的可能性。
TOP