# 事件 ONCALL 中心建设方法 一站式处理值班 OnCall，智能降噪  可能有多套）或者 Nightingale，日志的监控可能用的 Elastalert，如果上云了，可能还会有多套不同的云监控（尤其是多云场景下）。 监控系统的重心，通常是采集、存储、可视化、生成告警事件，但通常都不具有完备的事件后续处理能力。这里说的后续处理主要包括：多渠道分级通知、告警静默、抑制、收敛聚合、降噪、排班、认领升级、协同闭环处理等等。监控系统或多或少都有一些这方面的能力，但是通常都不完备，而这，正是PagerDuty 3/af23dd3a5d68a86ba08b082c21337120/p2_1.jpg) 对于告警事件的后续处理，有哪些问题和需求以及何为最佳实践？我们从思路方法和工具实践两个方面分别进行探讨，下面先行探讨思路方法，看看要解决这些问题和需求，我们有哪些可能的解法。 ## 思路方法篇 告警事件的后续处理：多渠道分级通知、告警静默、抑制、收敛聚合、降噪、排班、认领升级、协同闭环处理等等。看起来需求很多，最核心的痛点有两个：

# Service Mesh Meetup #4 上海站 探讨和实践基于Istio的微服务治理事件监控 2018.11.25 徐运元 ## 关于我  ![Image](/uploads/documents/7/f/6/2/7f62ee8

## 目录 01 随机事件和概率 02 随机变量及其概率分布 03 多维随机变量及其分布 04 随机变量的数字特征 05 数理统计的基本概念 ### 1. 随机事件和概率 ## 01 随机事件和概率 02 随机变量及其概率分布 03 多维随机变量及其分布 04 随机变量的数字特征 05 数理统计的基本概念 ### 1. 随机事件和概率 ### 1. 事件的关系与运算 (1) (1) 子事件： $ A \subset B $ ，若A发生，则B发生。 (2) 相等事件：A = B，即 $ A \subset B $ ，且 $ B \subset A $ 。 (3) 和事件： $ A \cup B $ （或 $ A + B $ ），A 与 B 中至少有一个发生。 (4) 差事件：A - B，A 发生但 B 不发生。 (5) 积事件： $ A \cap B $ （或AB），A与B同时发生。 (6)互斥事件（互不相容）： $ A \cap B = \varnothing $ 。 (7)互逆事件（对立事件）： $ A \cap B = \varnothing, A \cup B = \varOmega, A = \overline{B}, B = \overline{A} $ 。 ### 1. 随机事件和概率 ### 2. 运算律 (1) 交换律：

概率论和数理统计 ## 随机事件和概率 ### 1. 事件的关系与运算 (1) 子事件： $ A \subset B $ ，若A发生，则B发生。 (2) 相等事件：A = B，即 $ A \subset B $ ，且 $ B \subset A $ 。 (3) 和事件： $ A \cup B $ （或 $ A + B $ ），A与B中至少有一个发生。 (4) 差事件：A - B，A 发生但 发生但 B 不发生。 (5) 积事件： $ A \cap B $ （或AB），A与B同时发生。 (6) 互斥事件（互不相容）： $ A \cap B = \varnothing $ 。 (7) 互逆事件（对立事件）： $ A \cap B = \varnothing, A \cup B = \varOmega, A = \overline{B}, B = \overline{A} $ 2. 运算律 ### 4. 完全事件组 $ A_{1}A_{2}\cdots A_{n} $ 两两互斥，且和事件为必然事件，即 $ A_{i}\cap A_{j}=\varnothing,i\neq j,\bigcup_{i=1}^{n}=\varOmega $ ### 5. 概率的基本概念 (1) 概率：事件发生的可能性大小的度量，其严格定义如下： 概率 $ P(g) $ 为定义在事件集合上的满足下面3个条件的函数：

NumPy(Numeric Python)是Python的一种开源的数值计算扩展库。它包含很多功能： · 创建n维数组（矩阵） · 对数组进行函数运算 · 数值积分 · 线性代数运算 ·傅里叶变换 · 随机数产生 · · · · · ·  ## NumPy概述 02 NumPy数组(ndarry)对象 03 ufunc函数 04 NumPy的函数库 ## 随机数 除了前面介绍的`ufunc()`函数之外，NumPy还提供了大量对于数组运算的函数。它们能够简化逻辑，提高运算速度。 我们首先看随机数。NumPy产生随机数的模块在random里面，其中有大量的分布。 > from numpy import random as nr 0.23, 0.81]] [2, 2, 3]] ## 随机数 |rand|0到1之间的随机数|normal|正态分布的随机数| |---|---|---|---| |randint|制定范围内的随机整数|uniform|均匀分布| |randn|标准正态的随机数|poisson|泊松分布| |choice|随机抽取样本|shuffle|随机打乱顺序| ![Image](/uploads/do