探索運營的輔助智能（AIOps）

在今天的數位時代，運營的複雜性和規模已經顯著提高，這讓組織在有效管理和解決問題上面臨著挑戰。運營的輔助智能（AIOps）作為一種有前途的解決方案出現，結合大數據分析、機器學習和自動化，以幫助運營團隊理解大量數據，提高運營效率。GAN託在2016年首次提出AIOps，它具有改變企業處理運營的方式的潛力，提供洞察力、自動化任務，以及預測和防止問題。

理解AIOps

在其核心，AIOps利用先進的算法和技術來釋放大數據和機器學習的力量。它有助於處理和分析大量的運營數據，如日誌、事件、指標和跟蹤，以識別模式，檢測異常並提供可行的見解。AIOps的主要目標是通過自動化既定的任務，促進根本原因分析，以及預測和防止問題，使企業能夠實現有效和主動的運營管理。

AIOps的主要挑戰

雖然AIOps提供了巨大的潛力，但是組織需要處理幾個問題才能完全實現其效益:

1.數據科學知識有限：導入 AIOps 需要數據科學、機器學習和統計分析的專門技術。公司可能會在招聘和提升具有必要技能的人員方面遇到挑戰，以有效地利用 AIOps 技術。

2.服務複雜性和依賴性：現代 IT 基礎設施複雜且相互關聯，這使得準確確定服務依賴性變得困難。AIOps 解決方案需要處理這種複雜性並提供整個系統的全面視圖，以準確識別問題的根本原因。

3.對信任和有效性的問題：組織往往會因對生成的洞察和建議的準確性和有效性的擔憂而對 AIOps 系統的信任度變低。確保透明和可靠是建立對 AIOps 技術信任的關鍵。

土法煉鋼：首選 AIOps 落地場景

雖然存在挑戰，但 AIOps 也提供了改善運營管理的許多機會。以下是 AIOps 可以提供重大效益的一些領域：

  • 异常检测：AIOps 可以帮助识别并通知运维团队系统行为中的不寻常模式或异常值，从而实现迅速回应和故障排除。

  • 配置更改检测：AIOps 可以自动检测和跟踪配置更改，提供对这些变更对系统影响的可见性，促进问题快速解决。

  • 基于指标的遥测和基础设施服务：AIOps 可以分析指标和遥测数据，提供有关基础设施服务性能和健康状况的见解，实现积极维护和优化。

  • 建议已知故障：AIOps 可以利用历史数据和模式，建议可能发生的失败或以前发生过的问题，帮助团队积极应对它们。

  • 預測糾正：通過分析模式和歷史數據，AIOps可以預測可能的問題或故障，並推薦糾正行動，這樣團隊就可以在問題發生之前採取預防措施。

AWS 中 AIOps 的示例

亞馬遜網絡服務（AWS）提供了數種結合AIOps能力的服務和特性：

  • CloudWatch异常检测：AWS CloudWatch 提供异常检测功能，允许用户自动识别其监控数据（例如，CPU 使用量、网络流量或应用日志）中的不寻常模式或行为。

  • DevOps Guru 建议：AWS DevOps Guru 使用机器学习分析运营数据、检测异常，并提供解决问题和改善系统性能的行动建议。

  • EC2 的预测性扩展：AWS 为 EC2 实例提供预测性扩展功能，这个功能利用历史数据和机器学习算法自动调整 EC2 实例的容量，以便根据预测的需求进行调整，确保最佳性能和成本效益。

短版：改进领域

雖然 AIOps 表現出了潛力，但仍有一些領域需要改進以充分實現其潛力：

  • 服務和關係依賴性複雜：AIOps 解決方案需要更好地處理複雜的服務架構，並準確識別不同服務之間的依賴關係，以提供更準確的見解和根本原因分析。

  • 豐富的元數據和標記實踐：AIOps 在很大程度上依賴元數據和標記實踐來使數據具有語境。組織必須保持全面的元數據並堅持良好的標記實踐，以確保準確的分析和有效的故障排除。

  • 長期數據用於重複模式：AIOps 系統可以從長期的歷史數據中獲益，有效地識別重複的模式和異常。組織需要確保數據的保存並建立數據庫，以利用這種能力。

  • 您不知道，無法控制或儀器的服務：當處理第三方服務或組件時，AIOps 可能遇到限制，這些服務或組件在組織的控制之外或缺乏適當的儀器。將這種服務整合到 AIOps 工作流程中可能會面臨挑戰。

  • 成本對效益：實施和維護 AIOps 解決方案可能需要大量資源。組織需要仔細評估成本效益比，以確保 AIOps 提供的見解和自動化值得投資。

AWS 中 AIOps 的示例

為了解決這些挑戰，AWS 提供了像：

  • AWS X-Ray 的分散追蹤：AWS X-Ray 提供了分散追蹤的能力，用戶可以追蹤微服務的請求，了解其依賴性和性能，從而對不同的組件進行故障排除和性能優化。

  • AWS Lookout for Metrics：AWS Lookout for Metrics 將機器學習算法應用於時間序列數據，使用戶可以檢測他們的指標中的異常和不尋常的模式，從而促進更快的故障排除和積極的維護。

實施 AIOps 時應記住的建議：

  • 最好的標記地點：在創建服務或資源時應添加標籤，以確保分析的一致性和容易度。

  • 使用易讀的鍵和值：較短的標籤，具有有意義且易於理解的鍵和值，可以簡化解析和分析，從而提高 AIOps 的效果。

  • 命名和格式的一致性：在服務和資源中建立一致的命名慣例和標籤格式，以確保準確的數據分析和故障排除。

  • 考慮基礎設施作為代碼：擁抱基礎設施作為代碼的實踐，以維持一致性和可重複性，使得 AIOps 的能力更容易整合到開發和部署流程中。

必不可少：針對工程師的設計思維

為了有效運用 AIOps，工程師應該採用包含以下內容的設計思維方法：

  • 已知知識：利用類比、橫向思維和經驗來有效解決已知問題。

  • 已知未知：使用 AIOps 工具建立假設，衡量和迭代，探索並解決以前未識別的問題。

  • 未知已知：參與頭腦風暴和群體速寫會議，利用不斷發展的AI功能，從現有數據中發掘見解。

  • 未知的未知：接受研究和探索，以識別和解決新興的挑戰，這些挑戰目前的 AIOps 能力可能尚未完全解決。

非常尷尬：自動根本原因分析

儘管 AIOps 已經取得了進展，但完全自動化的根本原因分析仍然是一個挑戰。AIOps 可以幫助縮小潛在的原因範圍，但在複雜系統中，仍需要人類的專業知識和調查來確定確定的根本原因。

總結

通過利用大數據分析、機器學習和自動化的能力，AIOps提供了一種管理和優化運營的強大方法。雖然存在挑戰，但AIOps可以提供重大好處，包括異常檢測、配置變更檢測、預測糾正以及提供基礎設施服務的見解。組織在實施 AIOps 時應仔細評估，考慮到如服務複雜性、元數據管理以及成本效益分析等因素。通過結合人類的專業知識和 AIOps 的能力，組織可以實現更大的運營效率，並趨助於在問題影響他們的業務之前，主動處理問題。