AIOps 能帮企业的智能化运维落地吗？

Posted 2021-04-24 IT运营公社

编前按：当 IT 维护集中在公司内部桌面、OA、邮件、财务、人事等系统的时候，即使5~10分钟的故障修复时间，也可以让 IT 人员“组团”天台抽根烟。

当 IT 维护集中在 ERP、WMS、PLM 等和生产密切相关的系统时，基于生产线的特殊性，运维人员只有“亚历山大”、“周末无休”一条暗无天日的路可走吗？

非也！！！

AIOps 是什么？为什么要用 AIOps？结合上面疑问，我们详细解析一下——

AIOps 是一种基于算法的 IT 运维（Algorithmic IT Operations），是由 Gartner 定义的新类别，源自业界之前所说的 ITOA（IT Operations and Analytics）。

Gartner 报告预测，到2020年，将近50%的企业将会在其业务和 IT 运维方面采用 AIOps，远远高于今天的10%。

机器学习，简化运维

作为一种将算法集成到工具里的新型运维方式，AIOps 可以帮助企业最大程度的简化运维工作，把 IT 从耗时又容易出错的流程中解放出来。

有了 AIOps，当 IT 出现故障隐患，运维人员不需要再等待系统发出故障告警，通过内置的机器学习算法以及大数据技术，就能自动发现系统的各类异常，从而实现从异常入手判断故障发生的可能性、严重性和影响，依赖机器对数据的分析结果，判断最佳的应对方案。

由此可以看出，基于 AIOps 的管理方法对监控式运维的底层技术实现了颠覆。传统 IT 运维管理工具更为关注突发事件（即告警）、配置和性能，而 AIOps 则更加关注问题、分析和预测，二者可谓互相补充相得益彰。

两大算法，提升管理

AIOps 依赖于机器学习（Machine Learning）。那么，机器学习的哪些算法有助于提升 AIOps 的管理效果呢？

聚类算法 

聚类（Cluster）：聚类算法，通俗理解即合并同类项。但是这个合并是要在一定的规则下进行合并。

在海量数据中，聚类操作可以最大限度的压缩结果集的数量，使异常更容易被系统识别。因此，聚类算法经常会被用于对海量未知数据的探索和分析。

回归算法 

回归（Regression）：回归算法，顾名思义，就是通过将现有的数据总量、类型、内容以及变化趋势和历史数据进行比对，由此发现异常的数据量、异常的数据类型、异常的内容以及异常的变化趋势。回归算法又分为逻辑回归（Logistic Regression）和线性回归（Linear Regression）两种，基于回归算法的这种特性， AIOps 通常会利用回归算法来进行趋势预测。

其他算法 

其它算法：除了聚类和回归这两种主要的机器学习算法，AIOps中通常还会包括随机森林（Random Forrest），物质扩散和热传导算法(Heat Spreading)，离群点检测（Outlier Detection）以及时间序列算法等等。

对 IT 运维人员而言，当一条告警被确认的时候，不但意味着你第一时间发现了业务故障，更意味着在故障发生的这一刻，业务已经受到了影响。而随着 AIOps 的出现，IT 部门可以通过机器学习和算法技术，事先发现 IT 系统的运行异常，提前进行故障的防范甚至规避措施，确保业务故障不出现或者少出现，这些对于 IT 和业务部门来说意义重大。