O lançamento de ti é um trabalho de suporte de ti que ocorre com frequência e consome bastante tempo. A implementação do lançamento não atendido será um impulso positivo para o controle de custos e a redução de falhas.
Os principais processos envolvidos na liberação autônoma incluem: desenvolvimento de um plano de liberação, feedback de confirmação, aquisição de dados, análise comparativa, treinamento de algoritmos e verificação de reprodução.
A implementação da publicação autônoma precisa se concentrar em indicadores relevantes da saúde do aplicativo: indicadores relacionados ao ambiente básico, como CPU, memória e IO, indicadores de negócios como PV, UV e volume de negócios. Existem também indicadores relacionados ao middleware e registros de exceção.
Dentre os desafios para a identificação de anomalias de dados estão: a rápida aquisição de dados durante o processo de liberação, a exclusão dos efeitos de vários dados de interferência, a seleção de métodos de detecção adequados em uma variedade de indicadores com características diferentes.
Em seguida, o pré-processamento de dados, incluindo a agregação de dados, a consolidação de dados, bem como dados incompletos, onde a agregação por sua vez é dividida em dimensões do IP e do tempo, após uma série de pré-processamento para formar os dados a serem analisados.
Outro problema a ser resolvido é a garantia de uma taxa de precisão e recl eficaz, o que requer um ajuste fino do algoritmo através da análise constante de dados falsos e subpositivos, o que requer a ajuda de reprodução de falha desatendida.
É necessário analisar constantemente os dados de detecção e ajustar os algoritmos. Se houver falsos positivos que não são claramente identificados ou persistem, é necessário melhorar a precisão da detecção com base no aprendizado de máquina.
Os elementos do aprendizado de máquina incluem: dados de amostra para aprendizado, algoritmos para aprendizado de máquina e uma combinação de resultados de aprendizado e detecção em tempo real. Onde a aquisição de dados de aprendizagem precisa se concentrar nos seguintes pontos.
Os algoritmos de aprendizado de máquina são constantemente ajustados e otimizados por meio de uma análise categórica das anomalias, avaliando se é um problema com a definição de limiares e se os indicadores relevantes são definidos de forma razoável.