AIOps关键四要素与趋势解读.docxVIP

AIOps关键四要素与趋势解读【导读】AIOps为什么是“人机协同”的模式，而不是智能化的模 式？为了更好地落地AIOps,运维组织需要如何理解AIOps的内涵？本文作 者对于AIOps运维的核心观点值得参考。 【作者】彭华盛，腾讯TVP, 10年+的金融领域运维工作，期间负责参与运维 组织、流程、工具建设，包括重大业务系统与数据中心工程性项目实施，标 准化工作流程构建，平台工具体系的规划与研发、数字化转型研究与实施相 关等，对金融领域的运维有较全面理解，更多信息见个人公众号“运维之路”AIOps是运维的方向，但AIOps不能单纯的认为一种技术手段或技术平台，而 应该是数智时代人机协同的运维模式。 1.人机协同的AIOps运维工作模式一种新的工作模式出现，必然会对原来稳定的工作模式进行改变，改变通常会 受到新挑战，所以新工作模式需要能解决当前运维工作中遇到的难题而出现。 以金融行业的业务连续性管理为例，目标是提高公司的风险防范能力、有效地 减少非计划的业务中断、防范运维操作风险，对于首次出现的未知异常能够利 用工具量化分析并快速定位，确保在重大灾难性事件发生后能按计划恢复业务 连续性是传统。在面对当前复杂的技术架构、不断引入的创新技术、快速迭代 的软件版本、严峻的信息安全威胁下，传统运维团队原来被动救火式、问题驱 动式、操作运维、经验运维已经很难实现企业业务连续性的保障目标。金融企 业运行安全稳定，需要运维数据赋予数据洞察、辅助决策、跟踪执行的能力， 提升复杂环境下的运维管理能力，即： 实时获得“发生了什么？” .关联分析“为什么会发生？ ” 智能预测“将会发生什么？ ” .决策判断“采取什么措施？ ” 自动执行“如何快速执行？” 实时感知“工作执行的效果？ ”AIOps就是为了解决上述问题而生，相比传统的运维工作模式，AIOps重点不是 创造一种全新的运维工作模式，而是对现有“专家经验+最佳实践流程+工具平 台”运维模式的补充，为企业运维工作提供“洞察感知、运营决策、机器执 行”能力，支持向“人机协同”模式转变。 为什么是“人机协同”的模式，而不是智能化的模式呢？因为从当前AIOps的 应用情况看，虽然人工智能技术领先，但当面对复杂、多变、信息不完全的环 境，特别是应用于需要复杂应急保障场景时，仍不具备替代专家，更多的应用 在某些特定弱人工智能领域。“人机协同”聚焦在通过机器辅助人的决策与执 行，是在原来运维组织内部参与者，以及运维以外的研发、测试、厂商等协同 网络上，增加机器人角色，形成人机协同的运维模式。人机协同的运维模式， 最关键的角色仍是人，利用人的创造力，结合机器所提供的数据和算法，辅助 人进行运维工作开展。总的来说，人机协同需要发挥人与机器人特长，形成一 个融合的解决方案，后续AIOps的重点推进方向可以围绕三点： “数据+算法”为运维专家赋能“实时感知、辅助决策”的能力。 增加运维机器人岗位，重塑“大计算”、“海量数据分析”、“操作 性”、“流程化”、“规律性” 、“7*24”、“人机体验”等类型的 运维工作。 建立数字平台化管理模式，闭环落实决策执行。 .数据、算法、场景、知识组成AIOps关键4要素如Gartner定义中提出，AIOps应用需要利用大数 据，现代机器学习技术和 其他 高级分析技术，是一种相对较高门槛的工作模式。为了更好地落地 AIOps,运维组织需要深刻的理解AIOps的内涵，重点实现思路：以数据为基 础、算法为支撑、场景为导向，知识为扩展的AI0ps4要素。 数据为先，AIOps需要快速生产高质量数据的能力。“快速”的思路可以以 “中台”思路进行建设，建立统一的数据采控、实时与批量的数据处理能力、与运维相匹配的运维算法、存储方案、主数据、指标模型等；“高质量”则从 将分散数据统一、在线后形成“活数据”，以及数据质量上的治理。从技术实 现看，具备实时“采、存、算、管、用”的数据流动全生命周期管理的能力。 其中，数据采集是按需在线采集数据的能力；数据存储是根据数据类型、数据 应用特点对数据进行归档、整理、传输、共享；数据计算包括数据标注、清 洗、建模、加工、标准化、质量监控，以及为了获得数据洞察、决策、执行而 对数据进行分析统计；数据管理重点围绕数据治理的，包括运维数据标准、主 数据、元数据、数据质量、数据安全的管理；数据使用重点围绕数据服务角度 涉及的数据目录、服务门户，以及配套的数据服务化能力。 算法大脑，适配、引入特定场景下运维算法，构建算法模型体系。机器学习尤 其是深度学习的大规模应用，推动了人工智能的快速发展。随着国内TOB市场 的火爆，AIOps上人工智能研究及应用正处于爆发期，引入AI技术的算法有三 点优势：一是工作稳定性高，人工智能可不知疲倦地进行工作，在规律性问题 的分析时不