在我的应用程序中，我收集了大量的指标：硬件/原生系统指标（如CPU负载、可用内存、交换内存、网络IO以发送/接收的数据包和字节计数等），以及JVM指标（垃圾回收、堆大小、线程利用率等），还有应用级指标（仅对我应用有意义的仪表，例如每分钟订单数等）。
在一周、一个月、一年中，我在这些指标中看到了趋势/模式。例如，当午夜时分所有定时任务启动时，我会看到CPU和磁盘的剧烈波动，因为报告正在生成等。
我正在寻找一种方法来评估/判断这些指标是健康/正常还是不健康/异常，但这种方法需要考虑这些模式。例如，如果每晚午夜前后（±5分钟）CPU使用率激增，这应该被认为是“正常”的，不应触发警报。但如果在白天的“低潮”期间，例如上午11点到中午之间，CPU使用率持续高企，那肯定应该触发一些警报信号。
我有能力将我的指标存储在时间序列数据库中，如果这有助于启动这个分析过程的话，但我完全不知道可以利用哪些算法、方法和策略来建立这些作为时间函数的周期性“基线”。显然，这样的系统需要预先填充或甚至使用映射到正常/异常值的历史数据进行训练（这就是为什么我倾向于使用时间序列数据库作为底层存储），但这对我来说是新的领域，我甚至不知道从哪里开始搜索，以便在搜索结果中获得有意义/相关/有见地的解决方案候选。有什么想法吗？
回答：
您可以根据日期和时间将每个指标（CPU负载、可用内存、交换内存、网络IO）分类为好或坏。对于给定的时间范围，创建一组包含指标值及其是否为好或坏的数据。使用70%的数据进行训练，其中包含数据中的好坏答案。然后使用剩余30%的数据（不含答案）测试训练好的模型，看看是否能从模型中得到预测结果（好，坏）。您可以使用分类算法。
