1、告警自身质量的人工辅助判定
告警系统的误警和漏警如何计算？在线上运行的告警设置必然是会受到骚扰频次的限制。门限设得过高就可能会漏警。但是如果每天执行一次告警质量的检查算法，然后给出一堆疑似的漏警和误警，然后结合人工辅助可以更快地发现漏警和误警的情况。
2、数据质量的自动判定
数据质量和异常检测是一回事。只是线上运行的异常检测的设置是以最大化的发现故障，最小化骚扰为原则的。所以可能会把一些数据质量的问题给过滤掉。但是做为平台方，应该统计出数据的整体质量，并推动优化。
3、可用性异常检测
- 利用数据的周期性发现统计意义上的异常，以发现故障。
- 利用数据在底层天然上的相关性检测出统计意义上的异常，以发现故障。
这两个方向在这里有一些提及：http://radar.oreilly.com/2013/08/anomalies-and-patterns-in-machine-dat...
4、性能降级/瓶颈检测，集群健康预警
可用性检测关注的是玩家是否受到影响。性能降级检测关注的是后台开发前台开发写的代码有没有问题，或者考虑不周全的地方。性能降级/瓶颈不一定导致故障，而且也更难发现。但是对于刚上线的新业务会非常有帮助
- http://www.prelert.com/resources/Anomaly_Detection_In_APM_Data.pdf
- http://www.amazon.com/Structural-Health-Monitoring-Learning-Perspectiv...
5、故障模式匹配
这里有提及：http://radar.oreilly.com/2013/04/the-re-emergence-of-time-series-2.htm...
可以用于展出同类型故障。或者找出同时期受到影响的曲线，也就是故障的并发症状。
6、日志数据的自动分类和异常检测
- 这里有提及：http://info.prelert.com/blog/machine-data-is-different
- 这里也有提及：http://radar.oreilly.com/2013/08/anomalies-and-patterns-in-machine-dat...
主要是summologic和prelert两家公司
7、系统状态的自动分类：停机，故障，和正常状态
一般的异常检测只能找到曲线的陡降的点。但是从业务上不仅仅需要知道什么时候陡降的，还需要知道故障影响时长，停机时长。最终要能用算法自动得出整个业务的可用性指标。
8、故障根本原因分析
关联指标（在线图）与事件（发布变更单，网络质量告警等）。人工辅助机器学习。
9、主机分类与部署模式识别
虽然有配置管理系统，但是配置管理系统并不一定就真实反应了生产环境的部署情况。根据主机的指标，比如有的主机每天日志都疯狂增长，但是定时就回落。这些行为模式可以用于更精确的分类产生环境中的不同类型的主机。
集群中不同主机的不同互访角色也可以通过netflow等数据方向推算得出。
10、资源使用优化
主机行为分类可以把主机分为空闲的，cpu型的，磁盘型的等等。可以推动业务进行混合部署，裁撤冗余的机器。
11、运维脚本的模式识别
一些发布系统并没有严格强制的分类。特别是允许运维自定义的脚本更加是很难知道它到底干了一些什么。利用发布变更系统的历史数据与作用到的目标ip的影响，可以从行为倒推出脚本的真实类型。对于不同危险程度的脚本进行不同严格层度的审查。
文本的相似度可以找出copy paste的脚本，推动代码重构，提高脚本的通用性。
12、违规行为的识别
利用运维数据识别运维人员的行为模式，找出违规操作或者外部入侵。
同行：
- http://www.anodot.com/
- http://sematext.com/spm/
- https://logentries.com/logentries-announces-machine-learning-analytics...
- https://www.cloudphysics.com/
- http://info.prelert.com/