近年來，企業(yè)業(yè)務(wù)規(guī)模的急劇上升，導(dǎo)致運維場景的復(fù)雜性也呈指數(shù)性上升，原本依靠人工經(jīng)驗的運維工作難度也變得更具有挑戰(zhàn)性，而基于機器學(xué)習(xí)的智能運維(AIOps)開始得到企業(yè)IT人員的關(guān)注。

[[276902]]

AIOps(Algorithmic IT operations platforms)，即基于算法的IT 運維平臺，也是DevOps未來發(fā)展的一個趨勢。簡言之，AIOps將機器學(xué)習(xí)算法引入運維中的監(jiān)控和故障分析領(lǐng)域，如通過算法、建模、推理等方法，以輔助DevOps 提升效率，降低業(yè)務(wù)及系統(tǒng)出現(xiàn)的風(fēng)險故障系數(shù)。雷鋒網(wǎng)發(fā)現(xiàn)，常見的如時間序列異常檢測、故障根因分析、業(yè)務(wù)調(diào)度等工作均是當(dāng)下運維人員所面臨的挑戰(zhàn)。

那么，智能化運維(AIOps)如何在真實業(yè)務(wù)場景中落地?Gartner為用戶指出了三點建議：

• 一是通過增量方法確保成功部署AIOps的各項功能。
• 二是選擇能夠支持廣泛的歷史和流數(shù)據(jù)類型的AIOps平臺。
• 三是選擇能夠在IT運營導(dǎo)向的分析和機器學(xué)習(xí)的四個階段系統(tǒng)進(jìn)步的工具。

為此，雷鋒網(wǎng)整理了Gartner最新公布的《AIOps平臺市場指南》，以幫助用戶快速了解當(dāng)前新興AIOps市場情況。

主要發(fā)現(xiàn)

AIOps在企業(yè)IT運營中的應(yīng)用正逐漸升溫，其中，一些更為成熟的組織則正利用該技術(shù)為企業(yè)領(lǐng)導(dǎo)者提供洞察力。

AIOps技能和IT運營成熟度是確保其快速實現(xiàn)價值的常見因素，此外，數(shù)據(jù)質(zhì)量成為更為成熟部署架構(gòu)時的新挑戰(zhàn)。

企業(yè)采用AIOps平臺以增強應(yīng)用性能監(jiān)測工具(APM)和網(wǎng)絡(luò)性能檢測與診斷工具(NPMD)。

供應(yīng)商正制定使用機器學(xué)習(xí)的戰(zhàn)略，以分析IT運營在數(shù)量、種類及速度等方面遇到的數(shù)據(jù)挑戰(zhàn)。與此同時，他們也在構(gòu)建數(shù)據(jù)存儲和人工智能實踐定制化的能力。

定義

AIOps平臺利用大數(shù)據(jù)和機器學(xué)習(xí)，通過可擴展性和對不斷增長的數(shù)據(jù)進(jìn)行分析，以達(dá)到對所有主流IT操作功能的支持。該平臺支持同時使用多個數(shù)據(jù)源、數(shù)據(jù)收集方法以及分析和演示技術(shù)。

AIOps可以增強廣泛的IT運營流程和任務(wù)，包括性能分析、異常檢測、事件關(guān)聯(lián)和分析、IT服務(wù)管理和自動化。其核心功能包括：

1. 從多個數(shù)據(jù)源中獲取數(shù)據(jù)
2. 數(shù)據(jù)分析：獲取數(shù)據(jù)時的實時分析;存儲數(shù)據(jù)時的歷史分析
3. 提供對數(shù)據(jù)的訪問
4. 使用機器學(xué)習(xí)
5. 根據(jù)分析結(jié)果進(jìn)行下一步操作。(注意：分析是為了用于預(yù)測可能發(fā)生的事件，并及時回顧以確定引發(fā)當(dāng)前系統(tǒng)行為的根本原因。)

市場分析

迄今為止，很少有供應(yīng)商能提供全面、集成化的AIOps平臺。然而，許多供應(yīng)商提供了廣泛且可內(nèi)置集成的AIOps功能。為更清楚描述市場發(fā)展及供應(yīng)商所處水平，Gartner將當(dāng)前可用的AIOps功能劃分為數(shù)據(jù)管理和分析結(jié)果兩大部分：

數(shù)據(jù)獲取與處理

歷史和流數(shù)據(jù)管理——軟件或設(shè)備允許數(shù)據(jù)獲取、索引，以及存儲日志數(shù)據(jù)、互聯(lián)網(wǎng)數(shù)據(jù)、指標(biāo)、文檔數(shù)據(jù)，由此產(chǎn)生的數(shù)據(jù)庫大部分是非結(jié)構(gòu)化或多結(jié)構(gòu)化的，而存儲的數(shù)據(jù)集以高容量累積，以高速變化的格式構(gòu)建。這種歷史數(shù)據(jù)管理功能可被稱之為“大數(shù)據(jù)管理”。

為了給IT運營人員提供幫助，這種工具必須將人類感知的數(shù)據(jù)以時間尺度呈現(xiàn)，并直接提供數(shù)據(jù)無需訪問存儲數(shù)據(jù)庫。此外，它必須跨多個實時和歷史數(shù)據(jù)流提供連貫的分析。

分析結(jié)果

• 基礎(chǔ)及高級統(tǒng)計分析——單變量和多變量分析組合，包括相關(guān)性、聚類、分類和推斷的使用。
• 模式發(fā)現(xiàn)及預(yù)測自動化——使用上述一種或多種類型的歷史數(shù)據(jù)或流數(shù)據(jù)，以引出可從數(shù)據(jù)集本身推斷但不立即存在相關(guān)性的數(shù)學(xué)或結(jié)構(gòu)模式。這些模式可用來及時執(zhí)行不同概率的事件預(yù)測。
• 異常檢測——先確定正常系統(tǒng)行為，再辨別出與正常系統(tǒng)行為的偏差。
• 確定根本原因——對由模式發(fā)現(xiàn)和預(yù)測自動化組件建立的相關(guān)性網(wǎng)絡(luò)進(jìn)一步修正，以隔離代表真正因果關(guān)系的依賴性連接，從而提供有效干預(yù)。
• 規(guī)定性建議——對問題進(jìn)行分類，將其分類為已知類別。然后，挖掘先前解決方案，分析這些解決方案的適用性并以優(yōu)先級形式讓其以用于修改。最終，這些將使用閉環(huán)方法，并在使用后對其有效性進(jìn)行投票。
• 拓?fù)?/strong>——對于AIOps檢測到的相關(guān)且可操作的模式，必須圍繞所獲取的數(shù)據(jù)，形成的即為拓?fù)?。使用拓?fù)渥鳛橐蚬P(guān)系確定的一部分可以大大提高其準(zhǔn)確性和有效性。