汇安科技

业务洞察产品

业务洞察产品

企业在数字化转型过程中，IT 部门的角色越来越重要，逐步从 IT 运维转向IT 运营，不仅要保障企业的业务系统稳定、安全和可靠地运行，而且要提升客户的用户体验和引领企业的业务创新。企业在 IT 运营中会积累大量的数据资产，充分地挖掘这些数据资产的价值，不仅可以发现 IT 系统和应用的运行规律和异常行为，也可以洞察企业产品、服务和用户的特征习惯和变化趋势。

随着数据量和数据多样性的增加，针对复杂和快速变化的数据集，使用传统基于规则的分析方法和仪表盘不可能获得实时的分析结果，需要将大数据和人工智能技术相结合。国际著名的 IT 咨询与分析机构 Gartner 定义了“用户和实体行为分析是基于一系列分析方法提供对用户和其他实体（主机，应用程序，网络流量，数据资料库等）的分析和异常检测，通常使用基本分析方法（例如，利用签名，模式匹配和简单统计的规则）和高级分析方法（例如，有监督和无监督机器学习）。”

产品特点

华青融天公司在多年应用性能管理和业务交易监控、下一代安全运营中心产品与实践的基础上，推出用户行为分析和业务洞察产品 EZUBA, 基于 IT 运营大数据和机器学习方法，帮助客户实现用户行为可视化、实时异常检测、业务分析与预测，和业务风险管控。

基于网络流量真实数据、各类日志源实时采集的数据和第三方数据，在大数据平台之上运用机器学习算法，在海量数据中发现业务运营模型和用户行为习惯；

通过实时异常检测，发现网络行为异常、用户行为异常，和业务交易异常等，快速识别内外部攻击和金融欺诈，从而实现安全事件预警和业务风险控制；发现业务变化趋势，实现智能运营和业务预测。

产品架构

在 IT 运营过程中，会产生和获得大量数据，这些数据是重要的 IT 资产，蕴含着巨大的价值。其中主要有两类数据：一是网络流量的数据，用户所有的操作都会产生网络流量，比如银行的核心业务系统、手机银行应用，电商的交易和支付系统，制造企业的 ERP 系统、政府的对外服务门户等，运维部门可以从网络旁路获得这些流量的真实数据；第二类是日志数据，或者称作机器数据，机器自动产生的数据，包括主机、网络设备、存储、数据库、各种安全组件和应用系统的日志。除了这两类数据之外，还有直接来自于业务部门和业务系统的数据，对这些数据的实时采集、多维关联分析、深度挖掘，并结合人工智能、机器学习的算法和模型，可以提供 IT 运维、安全分析和业务洞察等领域有价值的分析结果。

产品架构

针对不同的数据特征和分析目标，可以选取不同的机器学习模型和算法，也可以结合多种模型和算法去发现潜藏在数据中的规律和价值：

1、可用时间序列来描述的数据：机器（泛指信息系统各种组件）随时间变化的行为特征数据，如：CPU、IO、网络流量、交易量、交易分布、响应时间等，用于发现机器和应用系统的行为习惯和异常，并通过历史数据的学习做周期性和趋势性预测，可以采用时间序列模型；

2、可用点来描述的数据：人（或实体）的属性和独立行为数据，如：管理员对系统的操作指令、用户的系统登录、银行柜员每天的操作行为、客户在电商平台的交易、信用卡的刷卡记录、资产的属性等，用于发现人或实体的行为习惯或者异常，可以采用基于点的聚类和分类模型；

3、可用图来描述的数据：人（或实体）之间的关联性行为数据，如：管理员访问某个数据库、用户操作某个文件、设备 A 访问设备 B、一个人向他人转账等，用于发现人-实体之间、人-人之间、实体-实体之间的行为习惯和异常，可以采用图谱模型。

适用场景

EZUBA 在 IT 运维、安全态势感知、业务分析领域有很多适用场景：

1、智能运维基线和告警

传统基于阈值（无论是静态阈值还是动态阈值）和规则的告警往往不有效，因为它忽视了运维监控指标的周期性和趋势，会产生很多的误报和漏报。一个时间序列通常由 4 种要素组成：趋势、季节变动、循环波动和随机波动。前三种称为确定性变化主要由业务本身的特点决定，第四种称为随机性变化，又可分为系统内由于惯性产生的干扰和来自系统外部的干扰。在平稳时间序列的情况下，指影响数据变化的因素都是可统计，呈现统计规律的，根据历史数据特征，判断影响数据的各因素，形成时间序列模型，基于模型来预测未来数据。

通过对历史数据和当前数据赋予不同的贡献度，针对数据的特点选取不同的模型，有些模型对周期性数据效果较好，有些模型对趋势性数据效果较好，并尽可能消除异常数据噪声和毛刺的影响，计算性能指标的基线和合理的偏移量，自动产生智能告警，可以减低告警设置的复杂性，也可以解决传统告警误报率高的问题。

2、安全风险评分

面对当前日新月异的外部攻击手段和越来越隐蔽的内部违规行为，基于规则的分析已经远远不能胜任对准确性和时效性的要求，特别是对于类似 APT 攻击这类复杂、长期的攻击行为。这类攻击必须从分析人的行为模式入手，需要从比较长的历史行为中提取行为模式特征，继而发现其中的异常。以下是采用了机器学习算法，对业务操作人员行为风险指数的实时评分结果。