用途：将机器学习应用于运维指标异常检测，关联告警并降低误报。适用于告警量过大（>100 条/天）、需要检测多指标复杂异常、静态阈值因季节性失效、希望提前预测问题、需要关联告警定位根因、误报过多或需发现细微性能退化趋势的场景。
输入：必需为监控系统的时间序列指标（CPU、内存、延迟、错误率）与至少 30-90 天历史数据；可选告警历史标签、系统拓扑、日志数据、部署/变更事件。
主要能力与步骤：
- 环境与数据准备，安装依赖： python -m venv venv source venv/bin/activate pip install prophet scikit-learn pandas numpy pip install tensorflow keras pip install pyod pip install statsmodels pip install prometheus-api-client pip install plotly matplotlib seaborn
- 用 Isolation Forest 做多变量无监督异常检测，通常标记 0.5-2% 的点为异常。
- 用 Prophet 建模季节性并检测偏离，实际值落在 99% 置信区间外视为异常，并可生成容量规划预测。
- 用 DBSCAN 与依赖图关联告警、识别根因、生成事件摘要。
- 接入告警系统：高严重度触发 PagerDuty，中severity 发 Slack，低severity 仅记录，15 分钟内重复告警抑制。
- 部署为持续监控服务，每 5 分钟检测一次。
验证要点：历史数据无缺失时间戳、模型能检出已知异常、捕获日/周季节性、告警关联与根因正确、重复告警被抑制、严重度评分合理（0.5-0.9）、服务连续运行 7 天以上、误报率<10%、关键事件真阳性率>80%。
限制与常见坑：训练数据须为干净基线；忽略季节性会导致失败；阈值过敏感需从 99.5% 起调；缺失数据需插值处理；低严重度告警需过滤；忽略拓扑会漏掉级联故障；模型会漂移需每月或系统变更时重训；逐指标检测资源开销大，应优先关键服务或采样。相关技能包括 monitor-model-drift、monitor-data-integrity、setup-prometheus-monitoring、forecast-operational-metrics。