AIOps的六大技术难点

编前按：运维发展历程与工业革命异曲同工，工业的三次革命分别是机械化、电气化与信息化，运维则是原始手工、脚本与自动化工具。

那么工业4.0悄然来临的今天，智能化又将会给运维带来哪些影响？AIOps早期是由Gartner提出，原义是基于算法的IT运维，随实践、反思和讨论的不断积累，对它的认知发生了一些变化。

随着人工智能技术的发展，基于人工智能的IT运维越来越被普遍认可，所以AIOps如今被解读为Artificial Intelligence for Operations。

如何理解AIOps？

要理解AIOps，首先要弄懂与DevOps之间的关系。AIOps可以看成DevOps的高级阶段，AIOps不是要完全取代成熟的DevOps工具链，而是给DevOps工具链装上“大脑”，将人工决策驱动的运维过程转型成系统自主决策驱动的过程，所以与DevOps工具链深度集成是落地AIOps的必由之路。

用一个形象的比喻，可以把AIOps看成运维的“钢铁侠”模式，系统不再是简单的工具，而是像钢铁侠战甲一样可以协助甚至独立自主的完成任务。

所以，AIOps其实就是将AI技术应用到IT运维领域，提升效率和创造现实价值的“工程化”过程。既然是AI的工程化过程，就需要务实的看待AI技术，需要选择合适的AI技术去解决有效的运维场景，例如智能报警，智能巡检，智能上线，智能自愈等等。

AIOps的六大技术难点

理解AIOps之后，我们来看看AIOps的技术难点。

1

AI“工程化”的复杂性

目前，机器学习是AIOps的重要手段，其他还有自然语言处理，高级搜索，知识图谱等，也需要综合应用到这个领域，才能达成实际“工程化”的落地效果。换言之，把AIOps认为就是算法落地是片面的。不仅如此，为了解决特定场景的问题，可能还要“借鉴”或“移植”其他领域的技术和方法。

2

如何获取高质量，高时效的监控数据

算法的运用是以数据为前提的，尽管经典监控架构已经可以覆盖Metrics，Logging，Tracing三大类数据，但由于每种数据都是各自一套系统捕获，归集，存储，使得数据的时效，对齐，品控的标准难以一致。

此外数据格式也可能差异很大，在经典大数据架构下，还要经过清洗，格式转换，面对海量数据时，时效就会进一步下降。

3

多维度数据的关联难度大

经典监控架构由于采集不统一，即便Metrics也可能来自不同的监控系统，例如面向网络监控，面向主机监控，面向应用监控可能就是三套不同的系统，更不用说Logging，Tracing的数据，这就造成了多维度数据的关联难度大。

除时效外，可实时关联的数据是系统能够“接近”甚至“达到”专业人员的任务决策能力的另一个关键。

4

机器学习模型的训练困境

智能运维运用机器学习的重要目标之一就是能够识别故障特征。但是运维SLA的目标是保证系统可用性99.9...%。这样的矛盾造成故障在实际运行过程中尽管时有发生，但相对于机器学习需要的样本实在是太少。

5

如何实现运维场景的实时感知

运维的时效性也要求系统的感知足够充分，这里不仅仅是监控数据，之所以运维人员比系统有更强的判断力，在于他们掌握了更充分的运维场景的信息，例如他们清楚网络架构，设备之间的关联关系，物理机/虚拟机分布，应用关联关系，应用技术栈，甚至业务用途等，它们是问题定位，根因分析，影响评估的基础，所以这些信息也要能被实时感知起来，而这一块在传统监控中是缺失的。

6

遗留技术栈，混合架构增大复杂性

不管金融行业，还是其他行业，只要不是新企业，都面临大量的遗留系统，它们在技术栈，架构上可能存在很大差异。因此对它们的感知，数据采集需要额外的投入。

另一方面，如果遗留系统还在不停的引入新的业务需求，会进一步引入新的复杂性。

*声明：推送内容与图片均来自公众号“智能运维社区”，欢迎关注。