近年來(lái)，企業(yè)業(yè)務(wù)規(guī)模的急劇上升，導(dǎo)致運(yùn)維場(chǎng)景的復(fù)雜性也呈指數(shù)性上升，原本依靠人工經(jīng)驗(yàn)的運(yùn)維工作難度也變得更具有挑戰(zhàn)性，而基于機(jī)器學(xué)習(xí)的智能運(yùn)維（AIOps）開(kāi)始得到企業(yè)IT人員的關(guān)注。
AIOps（Algorithmic IT operations platforms），即基于算法的IT運(yùn)維平臺(tái)，也是DevOps未來(lái)發(fā)展的一個(gè)趨勢(shì)。簡(jiǎn)言之，AIOps將機(jī)器學(xué)習(xí)算法引入運(yùn)維中的監(jiān)控和故障分析領(lǐng)域，如通過(guò)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(xiǎn)故障系數(shù)。雷鋒網(wǎng)發(fā)現(xiàn)，常見(jiàn)的如時(shí)間序列異常檢測(cè)、故障根因分析、業(yè)務(wù)調(diào)度等工作均是當(dāng)下運(yùn)維人員所面臨的挑戰(zhàn)。
那么，智能化運(yùn)維（AIOps）如何在真實(shí)業(yè)務(wù)場(chǎng)景中落地？Gartner為用戶指出了三點(diǎn)建議：
一是通過(guò)增量方法確保成功部署AIOps的各項(xiàng)功能。
二是選擇能夠支持廣泛的歷史和流數(shù)據(jù)類(lèi)型的AIOps平臺(tái)。
三是選擇能夠在IT運(yùn)營(yíng)導(dǎo)向的分析和機(jī)器學(xué)習(xí)的四個(gè)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(tái)市場(chǎng)指南》，以幫助用戶快速了解當(dāng)前新興AIOps市場(chǎng)情況。
主要發(fā)現(xiàn)
AIOps在企業(yè)IT運(yùn)營(yíng)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(yùn)營(yíng)成熟度是確保其快速實(shí)現(xiàn)價(jià)值的常見(jiàn)因素，此外，數(shù)據(jù)質(zhì)量成為更為成熟部署架構(gòu)時(shí)的新挑戰(zhàn)。
企業(yè)采用AIOps平臺(tái)以增強(qiáng)應(yīng)用性能監(jiān)測(cè)工具（APM）和網(wǎng)絡(luò)性能檢測(cè)與診斷工具（NPMD）。
供應(yīng)商正制定使用機(jī)器學(xué)習(xí)的戰(zhàn)略，以分析IT運(yùn)營(yíng)在數(shù)量、種類(lèi)及速度等方面遇到的數(shù)據(jù)挑戰(zhàn)。與此同時(shí)，他們也在構(gòu)建數(shù)據(jù)存儲(chǔ)和人工智能實(shí)踐定制化的能力。
定義
AIOps平臺(tái)利用大數(shù)據(jù)和機(jī)器學(xué)習(xí)，通過(guò)可擴(kuò)展性和對(duì)不斷增長(zhǎng)的數(shù)據(jù)進(jìn)行分析，以達(dá)到對(duì)所有主流IT操作功能的支持。該平臺(tái)支持同時(shí)使用多個(gè)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(qiáng)廣泛的IT運(yùn)營(yíng)流程和任務(wù)，包括性能分析、異常檢測(cè)、事件關(guān)聯(lián)和分析、IT服務(wù)管理和自動(dòng)化。其核心功能包括：
1.從多個(gè)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(shí)的實(shí)時(shí)分析；存儲(chǔ)數(shù)據(jù)時(shí)的歷史分析
3.提供對(duì)數(shù)據(jù)的訪問(wèn)
4.使用機(jī)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(cè)可能發(fā)生的事件，并及時(shí)回顧以確定引發(fā)當(dāng)前系統(tǒng)行為的根本原因。）
市場(chǎng)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(tái)。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(chǎng)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(chǔ)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(kù)大部分是非結(jié)構(gòu)化或多結(jié)構(gòu)化的，而存儲(chǔ)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(chēng)之為“大數(shù)據(jù)管理”。
為了給IT運(yùn)營(yíng)人員提供幫助，這種工具必須將人類(lèi)感知的數(shù)據(jù)以時(shí)間尺度呈現(xiàn)，并直接提供數(shù)據(jù)無(wú)需訪問(wèn)存儲(chǔ)數(shù)據(jù)庫(kù)。此外，它必須跨多個(gè)實(shí)時(shí)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(jí)統(tǒng)計(jì)分析——單變量和多變量分析組合，包括相關(guān)性、聚類(lèi)、分類(lèi)和推斷的使用。
模式發(fā)現(xiàn)及預(yù)測(cè)自動(dòng)化——使用上述一種或多種類(lèi)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(lái)及時(shí)執(zhí)行不同概率的事件預(yù)測(cè)。
異常檢測(cè)——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(duì)由模式發(fā)現(xiàn)和預(yù)測(cè)自動(dòng)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(duì)問(wèn)題進(jìn)行分類(lèi)，將其分類(lèi)為已知類(lèi)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(jí)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(duì)其有效性進(jìn)行投票。
拓?fù)洹獙?duì)于AIOps檢測(cè)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。
發(fā)展方向
在過(guò)去二十年里，人工智能技術(shù)間歇性地影響了ITOM的發(fā)展，而AIOps平臺(tái)只是這種影響的最新例證。IT運(yùn)營(yíng)一方面受到成本降低的壓力，同時(shí)又增加了運(yùn)營(yíng)的復(fù)雜性。關(guān)于后者，可以從數(shù)量、種類(lèi)、速度三個(gè)維度進(jìn)行定義：
數(shù)量，IT基礎(chǔ)架構(gòu)和應(yīng)用程序產(chǎn)生的數(shù)據(jù)量快速增長(zhǎng)（每年增長(zhǎng)2至3倍）；
種類(lèi)，機(jī)器和人生成的數(shù)據(jù)種類(lèi)越來(lái)越多，如指標(biāo)、日志、網(wǎng)絡(luò)真實(shí)數(shù)據(jù)（wire data）、知識(shí)管理文檔；
由于采用了云原生或其他架構(gòu)，數(shù)據(jù)生成速度不斷提高，IT架構(gòu)也在不斷變化。
考慮到現(xiàn)代企業(yè)所需的洞察力，以上不同維度的運(yùn)營(yíng)復(fù)雜性帶來(lái)的成本是非常高的。在處理大量、多樣化且快速增長(zhǎng)的數(shù)據(jù)時(shí)，現(xiàn)有的監(jiān)控工具承受了不少壓力。更重要的是，監(jiān)控工具不會(huì)跨平臺(tái)挖掘其他多種數(shù)據(jù)，特別是用戶的情感數(shù)據(jù)、業(yè)務(wù)交易數(shù)據(jù)、傳感器遙測(cè)以及各種系統(tǒng)的日志，以獲得更多洞察。
為此，非IT團(tuán)隊(duì)如業(yè)務(wù)leader和IT運(yùn)營(yíng)團(tuán)隊(duì)，對(duì)AIOps技術(shù)產(chǎn)生了越來(lái)越濃厚的興趣。正如他們探索正探索的通用平臺(tái)，其部署時(shí)最大的問(wèn)題在于IT運(yùn)營(yíng)實(shí)現(xiàn)不同用例時(shí)的AIOps平臺(tái)的性能和成熟度。
迄今為止，AIOps主要用于支持IT操作流程，以便監(jiān)控或觀測(cè)IT基礎(chǔ)架構(gòu)、應(yīng)用程序表現(xiàn)或數(shù)字體驗(yàn)。此外，無(wú)論是采用機(jī)器學(xué)習(xí)對(duì)事件管理環(huán)境中的重復(fù)數(shù)據(jù)進(jìn)行刪除，還是在APM中結(jié)合基于字節(jié)碼檢測(cè)的分布式跟蹤數(shù)據(jù)來(lái)分析應(yīng)用程序的日志數(shù)據(jù)，這都是合理的。
AIOps平臺(tái)正擴(kuò)展其能夠獲取的數(shù)據(jù)種類(lèi)的范圍。在過(guò)去，供應(yīng)商僅支持提供日志數(shù)據(jù)，而現(xiàn)在，數(shù)據(jù)種類(lèi)已延伸到互聯(lián)網(wǎng)真實(shí)數(shù)據(jù)。
因此，考慮到供需方面的趨勢(shì)和技術(shù)差異，Gartner預(yù)計(jì)，在未來(lái)五年內(nèi)，AIOps平臺(tái)將成為AIOps功能交付最為廣泛的形式，而不是僅僅將AIOps功能嵌入APM、NPMD、ITIM等監(jiān)測(cè)工具中。
與此同時(shí)，IT組織也開(kāi)始在DevOps環(huán)境中探索這種方式，以預(yù)測(cè)部署前的潛在問(wèn)題并監(jiān)測(cè)潛在的安全問(wèn)題。
Gartner認(rèn)為，AIOps將會(huì)演變成雙向解決方案，不僅可以獲取數(shù)據(jù)進(jìn)行分析，還可以根據(jù)分析啟動(dòng)操作。這些操作最有可能通過(guò)與其他ITOM/ITSM工具集成，將采取多種形式，包括：
警報(bào)
問(wèn)題分類(lèi)
配置管理數(shù)據(jù)庫(kù)（CMDB）
日志運(yùn)行自動(dòng)化
應(yīng)用程序發(fā)布編排
AIOps工具在監(jiān)控的四個(gè)階段：數(shù)據(jù)采集、聚合、分析、行動(dòng)，具有數(shù)據(jù)聚合和分析的核心功能。目前一些企業(yè)用戶利用開(kāi)源技術(shù)進(jìn)行數(shù)據(jù)采集，從而繞過(guò)APM并使用AIOps作為監(jiān)控功能的主要方式。
可以看到，關(guān)于監(jiān)控工具與AIOps的爭(zhēng)論才剛剛開(kāi)始。從長(zhǎng)遠(yuǎn)來(lái)看，APM將主要應(yīng)用于專(zhuān)用領(lǐng)域，而AIOps將適用于更為廣泛的IT運(yùn)營(yíng)場(chǎng)景。
未來(lái)
隨著市場(chǎng)的發(fā)展，Gartner還觀察到AIOps功能的一些主要變化：
一是提供與數(shù)據(jù)源無(wú)關(guān)的AIOps平臺(tái)的供應(yīng)商進(jìn)入市場(chǎng)。這些產(chǎn)品往往是通用的，可滿足最為廣泛的使用案例。
二是具有關(guān)鍵組件但數(shù)據(jù)源往往受限的供應(yīng)商，他們通常專(zhuān)注于一個(gè)域（如網(wǎng)絡(luò)、端點(diǎn)系統(tǒng)、APM）。這些工具往往只有一組有限的用例，針對(duì)于某些IT運(yùn)營(yíng)部門(mén)。
三是一些供應(yīng)商現(xiàn)有的監(jiān)控解決方案將數(shù)據(jù)源限制在自己的監(jiān)控產(chǎn)品中，或擴(kuò)展到有限的合作伙伴。
四是一些用戶通過(guò)開(kāi)源項(xiàng)目能夠通過(guò)提供數(shù)據(jù)獲取的工具、大數(shù)據(jù)平臺(tái)、機(jī)器學(xué)習(xí)、可視化技術(shù)來(lái)組裝自己的AIOps平臺(tái)，最終可混合或匹配多個(gè)供應(yīng)商的組件。
目前，市場(chǎng)中存在一種聲音：AIOps是否會(huì)取代APM、NPMD、ITIM、DEM為主的以域?yàn)橹行牡谋O(jiān)控工具？其實(shí)，這是一種混淆。AIOps不會(huì)取代監(jiān)控工具，相反，它增強(qiáng)了分析能力和更具可操作性的數(shù)據(jù)。以域?yàn)橹行牡谋O(jiān)控工具將繼續(xù)存在，為專(zhuān)家提供其域的數(shù)據(jù)獲取、分析和可視化。只不過(guò)，數(shù)據(jù)將流轉(zhuǎn)到AIOps平臺(tái)，該平臺(tái)充當(dāng)?shù)氖且粋€(gè)將數(shù)據(jù)集中到連貫跨域分析的作用。（雷鋒網(wǎng)(公眾號(hào)：雷鋒網(wǎng))摘譯自Gartner）
