在信息化时代,目前存在大量的互联网服务公司需要密切监控大量的网络服务数据,以确保其业务的稳定运行,这也就是现在互联网公司中的所说的运维。然而,对这些具有不同模式和质量参差不齐的数据,简单的人为观察会相当耗费人力,并且在准确性上也与期望相差较大。随着人工智能的发展,运维也相应进入了智能运维的时代,异常检测是智能运维(AIOps)系统中一项基础且重要的功能,其旨在通过算法自动发现运维数据中的异常波动,为后续的异常告警、根因分析等提供相应的决策依据。在实际场景中,由于异常点数据的稀少,数据模式的不同以及数据类型的多样性,给运维数据异常检测带来了很大的挑战。首先,本文主要针对某保险行业公司的运维数据,针对实际场景中的实际需求,结合深度学习技术,分别利用LSTM、VAE以及GAN网络解决智能运维中的数据异常检测问题,并且本文的方法采用的是无监督学习方法,解决了大多数现存运维数据异常检测的有监督学习方法需要耗费大量人力以及时间进行标注数据的问题。其次,本文还集成了两种运维数据异常检测的方法、数据异常预测方法以及多维度关联分析,提出了一套智能运维系统解决方案。目前该系统在某保险行业公司处于上线状态,并得到企业的认可。最后,本文分析比较了本文提出的所有方法的表现差异,并比较了基于深度学习的运维数据异常检测方法与现存的运维数据异常检测方法,经过实验对照。基于深度学习的运维数据异常检测方法在一部分类型的运维数据上的检测效果要优于现存方法,一部分类型的运维数据上与现存方法相近。