6.4 AI 驅動的異常偵測與自癒系統#

從「人看著」到「系統自己反應」#

傳統維運（6.3 節）靠的是：人看儀表板、人收到警報、人去調查、人去修復。這個模型有個瓶頸——人的注意力有限、反應有延遲、深夜不一定在線。

本節討論更先進的方向：讓 AI 不只「看」，還能「自動偵測、自動反應、自動修復」——即 AI 驅動的異常偵測與自癒系統（Self-Healing）。

flowchart LR
    A[可觀測性資料<br/>指標 / 日誌 / 追蹤] --> B[異常偵測<br/>規則 + AI 模型]
    B -->|發現異常| C[診斷<br/>判斷原因與影響]
    C --> D{執行修復}
    D -->|可行且安全| E[自動修復<br/>重啟 / 擴展 / 回滾]
    D -->|需人判斷| F[升級給人<br/>附上下文]
    E --> G[回報與記錄]
    F --> G

異常偵測：從規則到 AI 模型#

異常偵測回答「系統是不是不正常了」。它無外乎兩種方法：

1. 規則式偵測（Threshold-Based）#

基於預先定義的規則：「p99 延遲 > 1 秒 → 異常」「錯誤率 > 5% → 異常」。簡單、可解釋、易於警報。

侷限：只能抓到「我們事先想到的」異常；真實世界的異常往往非線性、時序化、難以用固定閾值描述——例如「流量突然暴增但延遲正常」「某個時間點的規律性抖動」。

2. 學習式偵測（AI/ML-Based）#

用 AI/ML 模型學習「什麼是正常」，再偵測「偏離正常」。常見方向：

• 無監督學習：模型學出歷史資料的正常型態，偵測「統計上的異常點」（Anomaly Detection）
• 時間序列模型：預測「接下來應該是多少」，實際值與預測值偏差過大即異常
• 日誌異常：從日誌文字中學習「常見模式」，偵測「罕見的異常事件組合」

AI 偵測的優勢：能捕捉規則式想不到的異常模式、能處理高維度與非線性的訊號。挑戰：需要足夠的歷史資料、可能誤報（需要調校）、可解釋性較低（為什麼說異常）。

務實做法：規則與 AI 混合——用規則抓已知、用 AI 抓未知，兩者互補（呼應「監控 vs 可觀測性」的分工）。

自癒：自動反應的動作#

偵測異常只是第一步，真正的價值在「接著做對的事」。自癒系統比喻著「人體」：生病了，免疫系統自己啟動修復，而不是等醫生。

常見的自癒動作（由操控的「自動化能力」執行）：

這些動作之所以「能自動」，靠的是第 6.1、6.2 節的基礎：有不可變的映像（可重啟/替換）、有可重現的 IaC（可重建/遷移）、有可回滾的部署（可退回前一版本）。沒有這些自動化基礎，「自癒」就無從談起——自癒是把「重啟/擴展/回滾」這類已被自動化的動作，加上「自動偵測觸發」的邏輯。

自癒的危險：自動化的雙刃劍#

自動化修復也有顯著風險，必須謹慎設計：

1. 誤診更糟：如果 AI 誤判「正常為異常」（誤報），可能「把好的服務重啟」反而造成中斷
2. 修復本身有風險：自動回滾到一個「看起來對但其實有 bug」的版本，可能重複出錯（回滾地獄）
3. 無限迴圈：兩個互相觸發的「自動修復」可能互相打架，形成震盪
4. 需要「人知道」：即使自動修復，也必須記錄並通知人類，不能「偷偷做了」卻無人知曉

關鍵設計：分級處理與人在迴路#

為了控管自癒的風險，成熟系統採用分級的自癒策略與人在迴路（Human in the Loop）：

• 低風險動作（如「重啟壞掉的唯讀快取」）：可完全自動，但務必記錄與回報
• 中風險動作（如「自動擴展」「回滾到前一版」）：可自動但需設限（如一天最多幾次），並回報
• 高風險動作（如「影響資料的修正」「大型遷移」）：必須先升級給人，由人確認後才執行

核心原則：自動化修復應該「是可逆的、有上限的、且總是人可介入的」。 把「衍生風險高的決策」保留給人，是可靠自癒設計的關鍵——這正是第 9 章要詳談的「Harness 約束與糾正」在維運領域的應用。

從偵測自癒到 AI Agent Ops#

展望未來，AI 在維運中的角色會持續深化，形成「AI Agent 負責維運工作」的方向（這與第 8、9 章的 Agent/Harness 概念直接相連）：

• AI 維運 Agent：不只「偵測異常」，還能「調查原因（讀日誌、跑追蹤）、提出修復計畫、在授權範圍內執行修復」
• 受控的 Agent 動作：如同 13 章的工具安全，AI 維運 Agent 對系統的「寫操作」（重啟、改配置、遷移）必須受權限控制、可逆、有稽核

這裡再次浮現全書的主軸：AI 負責「看得快、猜得準、動得勤」，人類負責「定邊界、把關、負最終責任」。 自癒系統再聰明，它的「修復動作」也該有一個人在迴路中掌握方向。

本章小結#

• 從「人看人修」進化到「AI 自動偵測與自癒」
• 異常偵測：規則式（抓已知）與學習式 AI（抓未知），兩者混合最佳
• 自癒動作：重啟、擴展、回滾、遷移——依賴 6.1/6.2 節的自動化基礎
• 風險：誤診更糟、修復本身有風險、無限迴圈；務必記錄並通知人
• 分級處理 + 人在迴路：低風險可自動、高風險留給人
• 展望：AI 維運 Agent 深化自動化，但真操作須受控、可逆、有稽核
• 主軸重申：AI 負責「動」，人負責「定邊界與把關」

想一想#

1. 「規則式」與「AI 學習式」異常偵測各有什麼優缺點？為什麼「混合」通常是好選擇？
2. 為什麼「自癒的修復動作」必須分級、並在特定風險上保留人在迴路？完全不設限的全自動會怎樣？
3. 如果你要設計一個「AI 維運 Agent」，你會給它哪些「可自動執行的動作」、哪些「必須人確認的動作」？