一、智能運維現(xiàn)狀

大家對智能問答系統(tǒng)都很熟悉，目前許多APP都有智能問答系統(tǒng)——后臺是一個機器人，而不是真正的人回答問題。當(dāng)前眾多研究者在對智能問答系統(tǒng)進行研究，提出了許多算法和技術(shù)，Google Scholar上關(guān)于智能問答系統(tǒng)的文章有30多萬不到35萬篇。但實際上，智能問答系統(tǒng)遠沒有達到真正的智能，回答的結(jié)果時常是答非所問，那么就會造成海量的算法和技術(shù)與差強人意的效果之間的偏差。

智能運維到現(xiàn)在大概有六七年的發(fā)展歷程，在此期間智能運維算法一直在快速地發(fā)展，包括對性能指標(biāo)的時間序列的數(shù)據(jù)、對日志告警的數(shù)據(jù)以及近兩年對CMDB、調(diào)用鏈等圖的數(shù)據(jù)。算法的類型和效果也在不斷提升，包括指標(biāo)異常檢測、容量預(yù)測、日志聚類、日志日常檢測、告警中的場景挖掘、根因定位等。接下來的內(nèi)容主要涉及指標(biāo)異常檢測、日志智能分析、告警數(shù)據(jù)分析三個類別。

?1、指標(biāo)異常檢測

指標(biāo)異常檢測是一個落地最多的智能運維場景，因為它數(shù)據(jù)容易準(zhǔn)備，效果容易驗證，準(zhǔn)確率、召回率的指標(biāo)容易量化。目前許多公司對大規(guī)模指標(biāo)進行異常檢測，比如1萬個指標(biāo)、10萬個指標(biāo)。

針對指標(biāo)的異常檢測，研究者提出了大量的異常檢測算法，比如單指標(biāo)、多指標(biāo)檢測，基于統(tǒng)計、基于深度學(xué)習(xí)的模型，無監(jiān)督、有監(jiān)督的算法，以及近兩年許多公司和機構(gòu)開源了異常檢測數(shù)據(jù)集和算法。但是，往往在落地的場景中應(yīng)用的效果不盡如人意，主要問題如下：

1）誤報太多

• 設(shè)置閾值嚴，為了消除漏報，往往造成大量的誤報
• 異常數(shù)量多，運維人員難以處理，不得不忽略所有的指標(biāo)異常告警

2）模型/參數(shù)難以設(shè)置

• 不同類型的指標(biāo)，往往適合不同類型的模型和參數(shù)
• 無法單獨設(shè)置模型和參數(shù)，進行分類則效果不佳

3）缺乏有效的反饋和修正機制

• 缺乏問題發(fā)現(xiàn)能力，難以對指標(biāo)異常進行類型、主機、時間段、業(yè)務(wù)等方面的展示和分析，難以對異常進行交互式探索，因此無法判斷異常是否應(yīng)該報
• 缺乏基于反饋的模型調(diào)整能力，難以應(yīng)對“這個不是我們認為的異常，后續(xù)檢測中不要再報了”的個性化需求

?2、日志智能分析

目前，大量企業(yè)上線了日志實時聚類和基于日志的異常檢測，主要解決了人工難以處理海量日志數(shù)據(jù)、基于規(guī)則的方法維護性差的問題。典型場景對海量日志做實時聚類，再做基于日志的異常檢測，比如變量取值異常、模板數(shù)量異常、語義異常等，但日志智能分析實踐同樣存在若干問題。

1）模板質(zhì)量難以有效評估

• 日志聚類完之后，在將其聚到若干模板中時，模板質(zhì)量難以有效評估，尤其是在實施過程或上線過程中，模板數(shù)量大，逐個人工判斷耗時太長，可能運維人員沒有充足的時間逐個人工判斷
• 不同的應(yīng)用目標(biāo)對模板的要求不同，可能做某類型的日志異常檢測時該模板不應(yīng)該被泛化，但做另外一件事情可能就需要泛化，模板是否需要被泛化是一件非常主觀的事情

2）缺乏有效的反饋和修正機制

• 缺乏基于反饋的模板調(diào)整能力，難以應(yīng)對“這種模板應(yīng)該根據(jù)這個變量拆分”、“這個變量應(yīng)該被泛化”之類的個性化需求
• 運維專家和算法人員的溝通難，運維專家與算法團隊之間隔著實施團隊，反饋鏈條長，且不是直接反饋

?3、告警數(shù)據(jù)分析

近年來告警相關(guān)項目快速增長，每天有成千上萬的告警，由于告警數(shù)量太多，運維人員難以有效處理和派單，因此通過算法進行告警壓縮、場景挖掘、根因定位越來越受重視。在告警智能處理中存在兩個典型問題：

1）告警模板提取效果不佳

• 告警數(shù)據(jù)更為靈活多變，不同運維人員的告警描述方式存在差異
• 包含大量中文，告警模板提取效果不盡如人意

2）根因定位效果欠佳

• CMDB質(zhì)量有待提高，可能存在系統(tǒng)變更但CMDB沒有及時變更到最新場景的情況
• 可能真正的故障原因不存在于告警數(shù)據(jù)中，無法進行根因定位
• 標(biāo)簽數(shù)據(jù)缺失，一方面故障數(shù)量少，另一方面企業(yè)由于涉及隱私等原因不愿意給予標(biāo)簽

二、問題分析

我們在前面對于智能運維的現(xiàn)狀和具體的類別及相關(guān)問題進行了梳理，那么接下來是我個人的一些思考。我認為算法落地效果不盡如人意有兩個深層次原因：

?1、算法需要不斷迭代優(yōu)化

我們時常認為智能運維的算法是開箱即用，但其實效果遠不是如此，算法需要不斷迭代優(yōu)化。算法最開始的時候一般是一個通用算法，到具體在企業(yè)部署之后，它一定會成為一個定制化的算法。因為對于每一個具體的項目，算法需要和運維數(shù)據(jù)、業(yè)務(wù)特點、運維目標(biāo)等深度融合，需要不斷進行打磨和適配。

1）算法本身：普遍缺乏反饋修正能力

對于“這個異常我不需要，后續(xù)檢測中不要再報了”、“這兩個模板應(yīng)該合并掉，變量不能被泛化”之類的反饋，當(dāng)前的模型尤其是深度學(xué)習(xí)模型很難有效吸收，其中主要是兩種能力的缺失：

• 發(fā)現(xiàn)問題的能力。比如說我們一天報2000個異常，能否有半小時或一小時的時間將這2000個異常過一遍，判斷其中哪些異常應(yīng)該報，哪些不應(yīng)該報，目前很少有人能夠在短時間內(nèi)做到這點。

• 模型自動修正能力。比如給了很多“這個要報，那個不要報”之類的很多反饋，模型是否能夠很好地適應(yīng)，因為這個適應(yīng)其實是個百分百的適應(yīng)，有的可能一個都不要報，有些是一定要報出來，這種對于模型也是比較難的。

2）實施過程：運維專家和算法人員的脫離

對于算法而言，最重要的是標(biāo)簽數(shù)據(jù)和對算法結(jié)果的快速反饋，但是相關(guān)領(lǐng)域的專家可能熟悉機理卻不熟悉算法，由于溝通鏈條長、溝通成本高，運維專家和算法人員在一定程度上是脫離的。

?2、系統(tǒng)故障本身是超低頻事件

系統(tǒng)故障本身是一個超低頻的事件，嚴重的故障基本可能只出現(xiàn)一次，并且會被快速解決，不可能再出現(xiàn)。而算法需要基于歷史數(shù)據(jù)學(xué)規(guī)律進行優(yōu)化提升，如果之前發(fā)現(xiàn)的故障后來很可能不再出現(xiàn)了，那么這其實是一個悖論。

我們前面也有提到完全依靠算法來實現(xiàn)自動化運維，至少在目前階段我覺得其實是不現(xiàn)實的，我們僅僅做異常檢測、日期類都沒有做得非常的好，那么我們相信現(xiàn)在算法能達到自動化運維嗎？我覺得更現(xiàn)實的目標(biāo)是將算法作為一種讓運維更高效的輔助手段。

1）數(shù)據(jù)量太大，用算法來提高效率

• 對每天幾百TB的日志自動提取模板和變量
• 對上萬的指標(biāo)自動進行異常檢測

2）在某些場景下，用算法來提高精度

因為在因果推斷里有些鏈條比較長，需要考慮的方面比較多，人的思考其實并沒有那么發(fā)達，所以算法在這些方面是可以幫助提高精度的。

3）作為一種定位故障過程的輔助手段，幫助運維人員靈活快速地查詢和探索數(shù)據(jù)

這是一種非常重要的能力，因為在很多項目里，算法結(jié)果的分析工作非常勞累辛苦。

4）算法作為一種積累知識的方式，構(gòu)建知識圖譜

三、探索工作

?1、如何高效地支持反饋

如果只讓運維專家給10個異常/10個模板打標(biāo)簽，應(yīng)該怎么做？

1）快速發(fā)現(xiàn)問題的能力

首先可以通過異常置信度、日志模板置信度從2000個異常中選擇10個異常，然后通過異常立方體更加系統(tǒng)的能力對異常進行交互式探索，使異?？梢暬?/p>

2）模型自動修正的能力

當(dāng)我們希望將一個Excel或CSV的記錄人的電話、傳真信息的表格變成結(jié)構(gòu)化數(shù)據(jù)進行處理時，我們可以通過算法進行自動轉(zhuǎn)化。通過我們給的少量樣本，算法能夠自動識別我們的目標(biāo)，從而達成這個目標(biāo)，這就是基于樣例的算法?；跇永乃惴ㄔ谥悄苓\維領(lǐng)域中同樣大有可為，另外還有一種方法是小樣本算法，通過給定少量標(biāo)簽或案例快速達成目標(biāo)是我們正在進行的嘗試。

?2、作為輔助手段的數(shù)據(jù)探索技術(shù)

1）基于自然語言的問答系統(tǒng)

人可以問類似以下自然語言的問題，能夠自動轉(zhuǎn)成SQL并出結(jié)果，具有高易用性，便于運維人員進行個性化數(shù)據(jù)探索。

• 在2019/11/28 11:25發(fā)生突增異常的指標(biāo)有哪些？
• A應(yīng)用發(fā)生異常次數(shù)最多的主機是哪臺？
• B應(yīng)用告警次數(shù)最多的告警種類是什么？
• 最近一周內(nèi)存使用率最高的十臺主機是哪些？
• 最近十天發(fā)生異常次數(shù)最多的應(yīng)用是什么？
• 最近一周內(nèi)失敗率最高的應(yīng)用是哪個？

2）基于時間關(guān)聯(lián)的復(fù)雜查詢

用于事件關(guān)聯(lián)的快速發(fā)現(xiàn),如下圖所示的HDFS日志，我們想查詢其中三個模板是否經(jīng)常一起出現(xiàn)，PLQ查詢能夠更加簡潔高效，SQL查詢則會更加復(fù)雜。

3）基于拖拽式的分析流程實現(xiàn)

• 便于領(lǐng)域?qū)＜医Y(jié)合不同分析算法搭建分析流程
• 融合了異常檢測、聚類、場景挖掘等多種算法
• 支持不同語言開發(fā)的算法
• 支持輸入數(shù)據(jù)格式的智能學(xué)習(xí)

四、總結(jié)

智能運維中的算法正在發(fā)揮越來越大的作用，但同時算法落地仍有大量問題需要解決。算法不能一蹴而就，需要有持續(xù)優(yōu)化的能力。不妨將算法作為一種運維的輔助手段，使運維人員也能靈活地分析數(shù)據(jù)，在運維過程中使其變得更高效。

作者：王鵬  復(fù)旦大學(xué) 教授/博導(dǎo)

復(fù)旦大學(xué)計算機科學(xué)技術(shù)學(xué)院，教授，博導(dǎo)。主要研究興趣包括：工業(yè)物聯(lián)網(wǎng)大數(shù)據(jù)、智能運維等。2012年獲得教育部自然科學(xué)二等獎（第三完成人）。主持或主要參與科技部重點研發(fā)計劃、國家青年973、自然科學(xué)重點 面上基金、上海市科委、上海市經(jīng)信委的多個項目，以及華為、微軟、IBM等企業(yè)的資助項目。在數(shù)據(jù)庫領(lǐng)域頂級國際期刊和會議SIGMOD、VLDB、ICDE、TKDE等發(fā)表論文40多篇。擔(dān)任眾多國際學(xué)術(shù)會議的程序委員會委員，包括SIGKDD、ICDE、DASFAA、WAIM等。國際學(xué)術(shù)期刊VLDB Journal、TKDE、KIS等的審稿人。