《企业级 AIOps 实施建议》白皮书
8 copyright©GREATOPS 高效运维社区
1、整体介绍
AIOps,即 Artificial Intelligence for IT Operations,智能运维,将人工智能应用
于运维领域,基于已有的运维数据(日志、监控信息、应用信息等),通过机器学习的方式来
进一步解决自动化运维没办法解决的问题。
早期的运维工作大部分是由运维人员手工完成的,这被称为手工运维或人肉运维。这种
落后的生产方式,在互联网业务快速扩张、人力成本高企的时代,难以维系。
自动化运维因此应运而生。其基于用可被自动触发的、预定义规则的脚本,来执行常见
的、重复性的运维工作,从而减少人力成本,提高运维效率。总的来说,自动化运维可以认为
是一种基于行业领域知识和运维场景领域知识的专家系统。
随着整个互联网业务急剧膨胀,以及服务类型的复杂多样,“基于人为指定规则”的专
家系统逐渐变得力不从心。自动化运维的不足,日益凸显。
DevOps 的出现,部分解决了上述问题。其强调从价值交付的全局视角,端到端打通软件
生命周期,建立基于微服务的单件流式的流水线。但 DevOps 更强调横向融合及打通,较低阶
段的 DevOps 无力改变“基于认为指定规则”的既定事实。
AIOps 是 DevOps 在运维(技术运营)侧的高阶实现,两者并不冲突。此部分可具体参
考《研发运营一体化能力成熟度模型》。
AIOps 不依赖于人为指定规则,主张由机器学习算法自动地从海量运维数据(包括事件
本身以及运维人员的人工处理日志)中不断地学习,不断地提炼并总结规则。
AIOps 在自动化运维的基础上,增加了一个基于机器学习的大脑,指挥监测系统采集大
脑决策所需的数据,做出分析、决策,并指挥自动化脚本去执行大脑的决策,从而达到运维系
统的整体目标。
AIOps 基于自动化运维,将 AI 和运维很好的结合起来,其需要三方面的知识:
1) 行业领域知识:应用的行业,如互联网、金融、电信、物流、能源电力、工业制造
和智慧城市等,并熟悉生产实践中的难题;
2) 运维场景领域知识:如指标监控、异常检测、故障发现、故障止损、成本优化、容
量规划和性能优化等;
3) 机器学习: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。