早前针对疫情的影响情况，各地教育局纷纷发布了延迟开学的通知。为了让广大学子们在家也能线上学习，腾讯课堂助力“停课不停学”，推出了“老师极速版”，全方位帮助学校、老师、学生进行在线教学，助力保障学校与教育机构的教学进度与教学效果。
线上授课，最担心的莫过于：
小明同学，您来回答下这道题目...
小明？
...听得到吗？...
老师，您的屏幕黑屏了，我们看不到...
老师，您那边网络好卡呀...
我们都错过刚说的知识重点了...
Don't worry. 腾讯
课堂依托平台强大的音视频技术，有效的降低了卡顿、网络延时等问题；同时其核心系统100%上云，可实现业务秒级扩容。除此之外，当然也少不了腾讯云监控，帮助业务及时发现异常、定位问题原因，更好地保障腾讯课堂的服务质量，为老师和学生打造流畅的上课体验。
今天腾讯云监控给你划学习重点啦！
业务核心指标监控
■
■
■
■
腾讯课堂的研发同学会在各个服务模块的关键路径代码里，埋点上报自定义的业务指标，如：
-
同时在线人数；
-
进入课堂房间数；
-
老师直播授课的延时；
-
学生点击签到的成功率；
-
......
然后通过对这些业务指标进行
定义
（定义其所代表的含义，定义其是否关键指标，定义其汇聚的统计方式）、
分组
（对不同服务模块部署的机器进行分组，构建不同模块的分组视图）、
管理
（对上报的指标按系统层、逻辑层、数据层等方式分组管理，以便快速检索查看）；最后来构成业务重点指标的实时监控面板，以及查看各自研发负责的指标视图和单机视图的变化情况。
（今天我们不详细展开关于业务指标监控的内容，感兴趣的同学可以浏览之前推送过的文章：
腾讯会议幕后的Metric监控
）
时间序列异常检测
■
■
■
■
想要更好保障服务质量，上报的指标就要更覆盖业务代码和系统的所有逻辑点。但在如此海量指标中，通过传统的告警配置来发现异常，会存在以下问题：
假设不通过告警规则配置，而是利用我们大脑去人为判断，又是怎样发现业务指标是否真的出现异常呢？我们用心电图举个例子，假如你以前正常的心电图是左边这样的波形，突然之间你的心电图变成右边这样的波形展示了：
这时候的你，肯定是出现什么跟以往不同的异常情况了吧~这是心动的感觉？
![]()
还是老师突然点名让你回答问题的紧张呢？
![]()
不管是什么情况，你的心电图波形跟以前对比出现较大偏差。
那么如果无须人为判断，是否能让机器学习算法来自动识别出异常呢？我们通过将以往的数据进行特征工程，挖掘选取出多种不同的特征，然后通过算法来进行训练，再加以人工对样本的打标，从而不断优化模型。
特征工程：
“数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已”。可以说，用哪些特征来表达一个时序数据样本的“长相”，是保证后面算法效果的关键，也间接决定了最终异常判决效果的关键。特征选取是一个不断优化的过程，我们从最初的max, min, mean, meidan，pvalue,rvalue(相关系数), intercept(截距), slope(斜率), stderr(拟合的标准差) 等32个特征优化到目前的100+，还在不断优化中。
算法和模型：
在前期研究测试中发现，没有任何一种单一算法可以达到业务对异常检测的准确率、召回率以及性能上的要求。比如：
所以我们的实际算法方案上，采用和不同类型算法串联的方式，发挥不同类型算法各组的优点：
平台化建设：
我们搭建了通用时序数据异常检测平台，将上述能力投入自研环境运营使用。
最后，放上几张具有代表意义的典型案例图：
（向左滑动查看更多）
时间序列联动分析
■
■
■
■
虽然我们利用机器学习来帮助我们智能地检测异常，而省去人工配置告警规则的工作，以及提升检测的准确率。但面对如此海量的指标，还是会产生大量的告警，往往导致：
