现如今网络高速发展,现代信息网络化的可交互业务系统已经替代了传统的纸书、磁带以及光盘等需要依靠物理媒介的业务传播方式,信息网络化让各行业的业务效率得到了极大的提高。随着各行业的相关业务系统的搭建,以及大量的相关计算机网络硬件设备的应用开发,带来了成倍增长的运维问题和各行业对IT运维工作的需求。最近几年随着人工智能的发展,各企业都已经逐渐融入了人工智能算法,为很多企业带来了行业难题的解决办法,当IT运维和人工智能相互结合,于是便产生了智能运维（Artificial Intelligence for IT Operations）,AIOps。本文主要研究了AIOps框架下的告警根源分析和KPI异常检测,并且在此基础上设计和实现了基于AIOps的智能告警分析系统。本文的具体工作内容如下:1.针对KPI（Key Performance Indicators）异常检测技术的研究,提出基于Prophet模型中的趋势模型和季节模型。对KPI指标时间序列进行趋势因素分解和季节因素分解,自动识别趋势性和周期性,进而估计相应的参数,获得相应的模型。将得到的模型对一个时间区间的实时类指标进行预测,得到相应的置信区间。然后将结果输入程序,实际值超出置信区间越多则评分越低,健康度评分将反应一个设备单元在一个时间段的各指标的综合情况。针对KPI异常检测,调用训练好的模型进行预测,得到预测值和置信区间,与实际值进行对比,若超出置信区间则判定为异常。2.针对告警根源分析技术的研究,提出基于有监督学习的模型算法。当网络中业务/物理逻辑较分散时,通过子网络划分能够避免子网间的偶然信息对分析造成的干扰,能够更准确地分析出子网络内部的告警传播规律。算法基本思路是将告警根源定位问题转换为多分类问题,利用一段连续时间内发生的告警信息中所标注的根源信息对该告警事务进行分类,通过持续积累的标注数据训练多分类模型,最后分析输出告警的告警根源。3.本文设计并实现了基于AIOps的智能告警分析系统。通过采用浏览器/服务器架构,并选择python开源框架Django结合前端设计技术HTML、CSS和JS进行平台开发。本平台包括数据源管理、告警根源分析、拓扑模型管理及KPI异常检测功能,从数据预处理、根源定位和异常检测三个方面为运维过程提供辅助决策。