学习 AIops 智能运维平台

AIOps（Artificial Intelligence for IT Operations ），即智能运维，是将人工智能的能力与运维相结合，通过机器学习的方法来提升运维效率。

在传统的自动化运维体系中，重复性运维工作的人力成本和效率问题得到了有效解决。但在复杂场景下的故障处理、变更管理、容量管理、服务资源过程中，仍需要人来掌控决策的过程，这阻碍了运维效率的进一步提升。而AI方法的引入，使得机器能够代替人来做出决策，从而让真正意义上的实现完全自动化成为了可能。

AIOps有两个主要组件：大数据和机器学习，AIOps使用机器学习来分析来自各种IT运维工具和设备的大数据，通过AIOps能够自动发现并实时响应问题。

AIOps用于增强和部分取代IT运维流程和任务，包括可用性和性能监控，事件关联和分析，IT服务管理和自动化，AIOps平台和解决方案运行的一般过程包括三个基本过程。

1. AIOps的三个基本过程。

 

数据管理

AIOps平台首先需要观察数据的性质及其行为，AIOps数据发现需要支持海量数据规模，其中分析速度都是关键，必须几乎实时地收集数据并且分析。成功的AIOps平台利用多种机制组合来收集来多环境的数据。环境可能包括一系列容器，虚拟机，网络和存储，公有云以及其他技术和体系结构。

服务管理

AIOps平台提供跨关键IT运维域的编排，如变更管理和事件管理，服务管理传统上是手工的，通常严重依赖于配置管理数据库，对于涉及频繁变更的环境，往往容易出错。AIOps平台提供分析和输入，使IT服务管理任务更加自动化和可靠。

自动化

自动化是AIOps的必杀技，使用机器学习实现关键IT运维的自动化是大多数组织的新挑战。机器学习的自动化技术正在逐渐成熟，组织可以使用它来完成简单或者复杂的工作。

2. AIOps的层次划分和能力

根据Gartner的定义，AIOps产品或平台应包含下图所示的层级：

 

AIOps应拥有以下能力：

数据提取

AIOps从各种来源收集各种类型的数据。这可能包括关于错误、日志、性能警报和工单数据。从最不同的数据源摄取数据的能力至关重要。

自动发现

IT环境，尤其是到了云环境，一直是一个动态的过程，企业需要自动发现的能力。AIOps能自动收集标识所有基础设施设备、正在运行的应用程序和的业务数据。

相关性关联

AIOps平台应该将数据以关联起来，确定基础设施、应用程序、业务之间的关系。

可视化展现

AIOps端到端关联过程完成后，需要可视化数据，可视化非常重要，可视化之后IT运维能快速查明问题并采取纠正措施。

自动化

自动化是AIOps的一个关键组成部分，因为它向用户交付了最终的ROI。通过自动化IT运维任务，可以减少运维成本，加速创新，降低MTTR，提高满意度。

预测

找到问题的根源是关键，但确定重复出现的事件及预测未来可能发生的事件更为关键。AIOps使用机器学习来确定时间序列中事件的模式，从而预期行为和阈值检测异常，并预测中断和性能问题。

3. 云使IT环境更复杂，使用AIOps只是时间问题

AIOps将基于自动化运维，将AI和运维很好地结合起来，这个过程需要三方面的知识：

• 行业、业务领域知识，跟业务特点相关的知识经验积累，熟悉生产实践中的难题。

• 运维领域知识，如指标监控、异常检测、故障发现、故障止损、成本优化、容量规划和性能调优等。

• 算法、机器学习知识，把实际问题转化为算法问题，常用算法包括如聚类、决策树、卷积神经网络等。

AIOps具体的能力框架如下所示:

 随着云的普及，IT环境表现出三个特征：

越来越多的数据，复杂环境频繁的警报，大量重复工作，要求提升自动化水平，AIOps是解决这些问题的利器，使用AIOps只是时间问题。

AIOps能解决哪些问题

通过使用AIOps的解决方案，可以解决很多IT难题，也可以提高IT多方面的效率。

1. 加速DevOps

DevOps最重要的任务之一是构建发布部署流水线，通过AIOps，可以监视健康指标的部署并快速检测回滚。

2. 减少MTTD和更快的MTTR

通过使用智能算法和提升自动化水平，AIOps可以大幅降低平均检测时间（MTTD），让将平均修复时间（MTTR）更快。

3. 实时分析

AIOps平台通过对数据实时应用各种类型的算法，可以获得问题的实时分析和诊断以及操作建议。

4. 降低报警噪音

报警噪音一直是困难运维的难题，通过一些阀值配置，可以减少一些误报，但是不能从根本上解决问题，AIOps通过大数据分析和机器学习，不断完善算法，可以不断提高过滤警报噪音的水平，从而有效解决这个难题。

5. 故障原因分析及预测

AIOps通过海量的数据分析，可以帮助识别造成问题的根本原因，甚至根据历史数据预测将要发生的故障

6. 运维建议

AIOps基于实时数据和历史数据，可以提供运维建议。

7. 云费用分析及优化

随着云的大量使用，云费用的优化也越来越重要，通过收集相关的数据，使用AIOps数据分析和算法，可以分析云费用，并且更智能的给出优化方法。

8.智能驱动的网络

思科等网络厂商提出的基于意图的网络，实际上也可以理解成使用AIOps的方法，基于海量数据和算法，让网络配置更智能。

 

实施AIOps需要解决哪些挑战

根据Gartner最新的技术成熟度曲线，AIOps还处于技术诞生的促动期，实际在落地过程中面临许多挑战。

 

1. 数据量不足

对大型组织数据量可能不是问题，但中小型组织由于数据量不够，使得很难满足AIOps基本的数据样本需求，更别说在数据之上的数据分析和机器学习了。

2. 缺乏数据分析和算法技术和能力

AIOps要求分析并实时处理数据，对数据分析和算法能力要求比较高，本身这方面的技术就在飞速发展，组织要拥有这方面的能力和经验非常困难。

3. 缺乏相关的人才

目前大数据和AI的人才非常紧缺，AIOps要落地，要求相关人才不光要懂大数据和AI技术，还要熟悉运维场景，熟悉业务，这也是制约AIOps落地的一个原因。

那么，组织要尽快获得AIOps的好处，有没有更好办法？答案是可以选择一家服务商。直接利用服务商现成的产品和经验，即使没有足够的数据，没有相关的技术能力和人才，也能借助服务商，很快的具备AIOps的能力，获得使用AIOps的收益，ChinaMSP的 AIOps平台就可以很好的满足这样的需求。

 

ChinaMSP AIOps平台解析

ChinaMSP AIOps平台支持同时使用多个数据源、数据收集方法以及分析和展示技术，能够构建起智能化运维管控模型，识别业务中的问题，简化操作复杂度。目前该平台支持近百种插件，可以帮助用户在本身环境不进行更改的情况下，集成到平台，有效提高运维效率。

ChinaMSP AIOps平台与传统运维服务平台相比优势明显，比如在去除冗余报警这一项目上，AIOps 平台使用 Sigalisers机器学习算法，根据时间戳，语言或拓扑的相似性将警报聚集在一起，快速的定位目前的主要问题，而不会因为同一时间涌现出的大量告警而手忙脚乱。在实际测试中，通过使用ChinaMSP AIOps 平台，能将11K的报警数优化99.9%以上。

此外，因为ChinaMSP拥有丰富的云管理经验，所以ChinaMSP AIOps更适合云环境，支持将您的云上业务和本地IDC数据中心管理无缝结合。

ChinaMSP AIOps具体特点如下：

 

总结：AIOps是必然的选择

随着云大量的采用，IT环境越来越复杂，运维管理的任务也越来越繁重，运维自动化可以解决一部分问题，但是一直困扰运维的报警收敛，一些更为灵活的配置需求，依靠运维自动化还不能完全解决，通过AIOps的方法，则可以更深层次的解决这些问题，并且还可以为IT运维决策提供更智能的依据，预测将要发生的一些趋势，随着时间推移，AIOps是必然的选择。

 

参考：https://blog.csdn.net/micklongen/article/details/90311395

https://blog.csdn.net/qq_42820805/article/details/115535442