智能运维系列 | AIOps的崛起与实践

Posted 金融科技微洞察

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了智能运维系列 | AIOps的崛起与实践相关的知识,希望对你有一定的参考价值。

智能运维系列专题简介:智能运维(AIOps),根据Gartner的最新阐释,意指整合大数据和机器学习能力,通过松耦合、可扩展方式去提取和分析数据量(volume)、种类(variety)和速度(velocity)这三个维度不断增长的IT数据,进而为IT运维管理产品提供支撑。在此,微众银行智能运维团队根据一线工作的实践经验与心得体会,特别撰写了《智能运维系列》文章,本公众号后期将陆续发布,敬请持续关注。


IT 运维其实早在科技公司创建之初即存在了,只是一开始与其说是运维,不如说是网管与电脑维修。 公司与电脑有关的都在 IT 运维的工作范围内。 随着科技的进步, IT 的岗位划分也越来越细致,才逐渐形成了与现在相似的对业务连续性直接负责的 IT 运维职能部门。 而近 10 年随着各种技术浪潮的爆发, IT 运维价值才逐渐显现出来。
通过如下一张图就可以看到运维发展的几个阶段,早期的手工运维,到流程化、标准化运维,再到平台化、自动化运维,最后到近十年的DevOps(研发运营一体化)和AIOps(智能运维)。运维发展其实和各种技术更新是密不可分的,也是各种技术重要的实验田。
智能运维系列 | AIOps的崛起与实践(一)
图1:IT运维发展示意图
对于企业而言,IT运维的价值体现在对业务稳定、运行安全和提效降本三个方面的保障与控制。近年来实体业务纷纷发展线上交易,IT投入逐渐加大,业务的稳定与安全直接影响企业效益,IT在效率与成本上的平衡也成为各家企业需要面对的问题。
IT运维行业转向DevOps或AIOps已经是必然的选择。DevOps将软件全生命周期的工具全链路打通,结合自动化、跨团队的线上协作能力,实现了快速响应、高质量交付以及持续反馈。AIOps的落地将为企业运营和运维工作在成本、质量、效率等方面的调整提供重要支撑。
目前AIOps的主要应用场景有异常告警、告警收敛、故障分析、趋势预测等。
下面以几个公司的案例为例来分析AIOps目前在企业中的实施情况。
(一)美团业务稳定性保障平台AIOps实践
2019年6月,在全球技术领导力峰会上,来自美团的资深技术专家宋斌从美团的即时物流业务谈起,介绍了美团面临系统稳定性方面极高的挑战:峰值流量高、瞬间峰值大、业务链路长、线上业务复杂度高、故障敏感,影响履约完成率,造成赔付和客诉。经过一年多的努力,从人工运维状态逐步转化为自动化运维,甚至在尝试使用机器学习的能力,提升运维整理效率。
在此次分享中,我们可以看到美团主要在容量评估、弹性设计、故障诊断、风险防范方面逐步建立了全面可靠的自动化可运维的系统。
智能运维系列 | AIOps的崛起与实践(一)
图2: 美团配送实践概览
其中在故障诊断方面既包含了故障检测,也包含了根因定位。即回答了故障长什么样,也回答了故障是什么,根因是什么。从研发人员和管理人员两个角度展示故障信息。
在核心功能上不只完成了故障收敛,还完成了链路监控和故障拓扑展示,告警升级等,同时对故障进行相对完整的标记、运营、管理、跟踪等工作。
智能运维系列 | AIOps的崛起与实践(一)
图3: 美团故障识别模块
在根因定位思路上即在传统的纵向分析方面进行了根因挖掘,也在调用链调用关系逐层递归的横向分析方面有所创新。
智能运维系列 | AIOps的崛起与实践(一)
图4: 美团故障根因分析维度
从结果上看,定位时间和故障覆盖率都很好,极大的降低了运维成本。在整个运维保障体系中,机器学习主要应用在了端到端链路监控、以及失败率监控的动态阀值上(基于LOF算法的异常检测),但同时也辅助以规则。
智能运维系列 | AIOps的崛起与实践(一)
图5: 美团故障识别收益
(二)百度 AIOps 在监控报警方面的应用场景
在2019年的全球架构师峰会上,百度资深研发工程师周伟/范月林介绍了百度落地AIOps过程中在智能异常检测和智能报警合并两个监控场景取得的收获。
如下图是百度的报警系统业务模型,在异常判断阶段,面临的挑战是模型变更频繁,算法不固定。为了解决这个问题,百度实现了算法和模型分离,迭代周期从月缩短到日。验证算法策略的平台分为了离线环境、近线环境、在线环境,使算法在一个可靠的数据环境中验证。
在通告发送阶段,由于可能面临报警风暴的挑战,需要做报警合并。百度从两个方面进行了合并,按部署架构合并和跨部署架构的合并。其中按部署架构合并主要基于配置管理系统的基础关联关系,而跨部署架构合并则依赖上下游关系和离线的策略挖掘。
智能运维系列 | AIOps的崛起与实践(一)
图6: 百度报警系统业务模型
从效果上看,核心的监控关键指标都有了明显提升。异常检测效果非常好,报警的短信量也大幅降低。
智能运维系列 | AIOps的崛起与实践(一)
图7: 百度报警优化收益
(三)微众银行在异常发现和根因定位方面的AIOps实践
2019年微众银行在落地AIOps过程中,也使用了机器学习算法在多个功能场景中实践,取得了一定的成果。
在异常发现方面,从业务产品可用率出发,定义业务黄金指标(交易量、业务成功率、系统成功率、单位时间交易平均耗时),对黄金指标进行算法结合规则的检测。
在根因定位方面,放弃了传统的组件告警收敛专家经验的定位方法,以消息总线的消息日志为基础,基于算法生成交易链路,异常时绘制故障交易链路图,定位中断子系统,然后以中断子系统为圆心,使用知识图谱算法发散式根因挖掘。另外,历史异常事件的数据也导入知识图谱,修正知识图谱中的专家经验。从运维管理的角度进行异常识别和根因定位标记,不断迭代修订基础模型数据。
智能运维系列 | AIOps的崛起与实践(一)
图8: 根因分析逻辑示意图
2019年微众银行全年异常识别准确率96%,漏告量低于1笔/季度。异常通报时常较2018年提升66%。从异常发生开始5分钟完成根因定位。异常识别和根因定位的效果都有明显改善。
智能运维系列 | AIOps的崛起与实践(一)
图9: 微众银行异常识别与根因定位准确率
图10: 微众银行异常根因定位收益
从以上比较成功的3个案例出发,我们可以尝试总结一下目前AIOps在IT运维领域实践的几个特点:
(1) 机器学习算法落地场景首推异常指标识别。因为工程化成本低,较容易产生效果。一两个核心开发人员即可。而且一旦成功,运维人员能获得最直接的收益。
(2从异常指标出发,衍生到异常追溯原因的各类场景。当识别出了异常,自然希望得到答案。例如以上案例所示美团和微众银行都在根因定位上有所突破,同时都使用到了交易链路,所不同的是,美团是依靠人工管理标注完成,而微众银行使用了算法结合消息总线的日志自动产生。所以,从纯粹数据层面的机器学习逐渐过渡到逻辑层面的机器学习。
(3算法结合规则才能达到实际生产运维期望的效果。算法不能解决所有问题。如果要更好的解决实际运维场景的问题,算法结合规则或专家经验才是宝贵的AIOps落地经验。
(4标准化、数据仓库式的运维数据是基础,大量运维格式化基础数据是机器学习的先决条件。所以,从组织架构到运维工具都应尽量做到集中化管理。
(5类似容量预测或事件预测等类似预测类的场景将是AIOps的下一个探索方向,主动发现与预测将是IT运维未来需要解决的问题。
IT技术架构从“IOE架构”逐步走向了“互联网架构”;运维体系从ITIL走向DevOps;运维平台从自动化走向了AIOps;运维核心从关注平台走向数据资产。智能化以及数据化是未来IT运维的总体趋势,互联网业务的连续性保障的方方面面都将在这次IT运维变更中发生巨大变化。AIOps也会在更多运维场景中发挥不可替代的作用。
(本文 作者系微众银行智能运维首席产品经理  王雅琪

---  END  ---


【入群交流】欢迎加入金融科技微洞察核心用户群,本群主要为银行机构及金融科技公司相关专业人士提供交流平台。添加群主为微信好友(微信号:wdchelper),添加时备注个人姓名(实名认证)、公司、职务等信息,经群主审核后,即可被邀请进群。

●  重磅发布   ●



●  往期推荐   ●





以上是关于智能运维系列 | AIOps的崛起与实践的主要内容,如果未能解决你的问题,请参考以下文章

百度 AIOps 实践中的四大金刚

今日好书丨《智能运维:从0搭建大规模分布式AIOps系统》

分享 | 百度智能运维实践(AIOps)

清华教授解密AIOps:智能运维如何落地?

江苏移动AIOps探索 ——“小信”智能运维助手实践

浙江移动AIOps实践