隨著 AI 技術在各個應用領域的落地及實踐，IT 運維也將迎來一個智能化運維的新時代。算法的效率提升了 AIOps 的價值，通過持續學習，智能運維將把運維人員從紛繁復雜的告警和噪音中解放出來。

那么，基于算法的 IT 運維與自動化運維的區別是什么?在現階段，運維中的哪些痛點適合引入人工智能技術?如何加速落地?

8 月 26 日下午 51CTO 在北京舉辦了第十四期以“Tech Neo”為主題的技術沙龍活動，進一步拓寬運維/開發人員的運維思路、激發創新能力。由清華計算機系副教授，智能運維算法專家裴丹為大家分享主題為“智能運維如何落地”的精彩演講。

[[201635]]

在演講開始，裴丹教授通過運維背景介紹，普世化智能運維關鍵技術，意在讓所有公司都能用上***的智能運維技術。裴丹教授認為，解決智能運維普世化的問題在數據、算法、算力、人才四方面。

第二部分是分解定義智能運維中的關鍵技術，通過分解關鍵技術來定義科研問題。

裴丹老師指出的科研問題要求分別為：

• 清晰輸入，數據可獲得。
• 清晰輸出，輸出目標切實可行。
• 有 high-level 的技術路線圖。
• 有參考文獻。
• 非智能運維領域的學術界能理解、能解決。

裴丹教授還指出，Gartner報告中關于智能運維的問題描述太寬泛。智能運維如何做好?裴丹教授認為，機器學習本身有很多成熟的算法和系統，及其大量的優秀的開源工具。

如果成功的將機器學習應用到運維之中，還需要以下三個方面的支持：

• 數據。互聯網應用本身具有海量的日志。需要做優化存儲。 數據不夠還需要自主生成。
• 標注的數據。日常運維工作會產生標注的數據。 比如出了一次事件后，運維工程師會記錄下過程， 這個過程會反饋到系統之中， 反過來提升運維水平。
• 應用。運維工程師是智能運維系統的用戶。 用戶使用過程發現的問題可以對智能系統的優化起正向反饋作用。

裴丹教授通過與百度運維、搜索部門的合作，分享了智能運維的三個案例，包括異常檢測、瓶頸分析以及智能熔斷。***個案例是基于機器學習的 KPI 自動化異常檢測。

上圖表示運維人員判斷 KPI 曲線的異常并標注出來， 系統對標注的特征數據進行學習 。這是典型的監督式學習，需要高效的標注工具來節省運維人員的時間： 如可以拖拽，放大等方式。

***，裴丹教授在通過構建 KPI 異常檢測系統中分享了相關的實踐與挑戰等相關的解決方案。以下為演講實錄：

智能運維的發展歷程

我們大家都知道，在運維發展的過程中，最早出現的是手工運維;在大量的自動化腳本產生后，就有了自動化的運維;后來又出現了 DevOps 和智能運維。

在運維的過程中，涉及到的步驟可以概括為：產生海量的監測日志，進行分析決策，并通過自動化的腳本進行控制。

運維的發展過程，主要是分析決策步驟發生了變化：起初，由人工決策分析;后來，在采集數據的基礎上，使用自動化的腳本進行決策分析;***，用機器學習方法做決策分析。

根據 Gartner Report，智能運維相關的技術產業處于上升期。2016 年，AIOps 的部署率低于 5%，Gartner 預計 2019 年 AIOps 的全球部署率可以達到 25%。所以，AIOps 的前景一片光明。

如果 AIOps 普遍部署之后會是什么樣的呢?現在做運維的同學們會變成怎樣?

從機器的角度，基礎性、重復性的運維工作都交給計算機來做了;同時，機器通過機器學習算法為復雜的問題提供決策的建議，然后向運維專家學習解決復雜問題的思路。

從運維專家的角度，運維專家主要處理運維過程中的難題，同時基于機器建議給出決策和訓練機器徒弟。

運維工程師將逐漸轉型為大數據工程師，主要負責開發數據采集程序以及自動化執行腳本，負責搭建大數據基礎架構，同時高效實現基于機器學習的算法。

機器學習科學家主要負責 AI 的落地應用，智能運維領域相對于其他 AI 應用領域的優勢在于，我們不僅有大量的應用數據，而且有實際的應用場景和部署環境。

因此，人工智能在計算機視覺、自然語言理解、語音識別之外，又多了一個落地應用——這是一座尚未開采的金礦。

智能運維科研門檻高-工業界

一般有“前景光明”、“前途光明”這些詞的時候，下面跟著的就是“道路曲折”。實際上，智能運維是一個門檻很高的工作。

為什么呢?因為智能運維需要三方面的知識：

• 我們要熟悉應用的行業，比如互聯網、電信或者相對傳統的行業，如金融、電力等等。
• 我們要熟悉運維相關的場景，包括異常檢測、故障預測、瓶頸分析、容量預測等。
• 雖然工業界熟悉運維行業和場景，熟悉生產實踐中的挑戰，也有數據。但是，工業界并不熟悉整個智能運維中最重要的部分——如何把實際問題轉化為算法問題(后面會講到如何把實踐中的難題分解成多個算法并逐個解決)。

同時，工業界也不太熟悉查閱科研文獻，特別是跨行業的文獻。因此，智能運維是一個需要三方面領域知識結合的高門檻領域。

在智能運維文獻里有幾十種常見的基礎算法。但是，工業界并不熟悉這些算法。所以，我們利用微信公眾號介紹這些算法。

下面我將介紹一個例子——通過機器學習方法提升視頻流媒體的用戶體驗和觀看時長。

這是一位 CMU 教授的系列文章，這位教授在一個做視頻分發的創業公司做了若干工作。

2011 年，他在學術界發表了一篇文章，這一工作比較簡單，主要為了提升用戶觀看流媒體的體驗，其中用到了相關分析、線性回歸、信息增益等簡單算法。

2013 年，該教授基于網絡行為數據和性能數據，使用決策樹方法預測用戶的觀看時長。該教授于 2017 年發表了一篇新的文章，將視頻質量的實時優化問題轉化為一種基礎的強化學習問題，并使用上限置信區間算法有效解決了這一問題。

智能運維科研門檻高-學術界

在學術界中，很少有人做智能運維方向。這是因為，對于學術界來說，進入到智能運維這一科研領域具有很強的挑戰性。為什么呢?

雖然學術界研究人員的算法能力相對較強，但是他們往往不熟悉行業和運維領域的相關知識。而智能運維處于三個領域的交叉部分。這就導致智能運維的門檻比較高，需要花大量的時間和精力才能進入智能運維領域。

前面講了如何降低工業界進入智能運維的門檻。同時，我也做了一些工作，以降低學術界進入智能運維領域的門檻。例如，我應邀在《中國計算機學會通訊》上發表文章，向學術界的同行介紹智能運維中的科研問題。

但是，僅僅宣傳是遠遠不夠的，我們還要實踐。去年，我在***屆 APMCon 會議上做了報告，講述了當時和百度合作的三個案例，包括異常檢測、瓶頸分析以及智能熔斷。

這種公開的宣傳給我自己帶來了很多新的合作。除了與百度的合作，我們清華實驗室相繼與滴滴、搜狗、阿里巴巴、騰訊簽署了正式的合作協議。

這驗證我的在去年我在 APMCon 上演講的觀點：工業界可以獲得算法層面的深度支持，學術界可以獲得現實世界的前沿問題和數據，有利于發表論文和申請國家項目。

工業界-學術界合作

1.0：一對一交流合作

但是，現在這種工業界跟學術界的合作方式，還處于1.0階段，即一對一的交流。

在這個過程中，我們遇到了諸多挑戰：

• 交流合作效率低，見效慢。比如說我是這個教授，我跟 A 公司討論一下，再跟 B 公司討論一下。很多情況下，不同公司遇到的問題都是類似的，比如異常檢測。但是，我需要跟每個公司梳理一遍這些問題。

C 公司可能不知道我，就找另外一位教授，他依然需要梳理這些問題。這就大大降低了交流合作的效率。我們知道，科研最難的部分，就是把一個實踐中的問題定義好。當定義好問題之后，只要數據準備好，其他問題都可以迎刃而解。

• 智能運維算法不幸成了特權。因為很少有教授愿意去做這種一對一交流，而愿意或有渠道和學校科研人員溝通交流的公司也不多。

這就導致，在國外，只有少數大公司和教授才能合作。比如，目前只有 Google、 Microsoft、Linkedin、Facebook、雅虎等大公司發表過智能運維有關的論文。

• 涉及知識產權，不符合開源大趨勢。因為一對一的合作需要簽署涉及知識產權的協議，不符合開源的大趨勢。

2.0：開源開放

一對一交流效率低，那具體應該怎么做呢?我們希望擁抱開源開放的文化，形成工業界與學術界合作的 2.0。

開源開放的大趨勢已經對工業界和學術界產生了巨大的影響。大家耳熟能詳的 Hadoop、Ecosystem、TensorFlow 等，都是開源開放的產物。

在算法層面，當前有 arXiv 共享算法(論文)平臺，和 Github 代碼共享;在數據層面，ImageNet 等數據共享平臺對機器學習算法的研究起到了巨大的推動作用;在計算能力層面，各大公司都建立了 AI 云;在人才層面，我們也可以看到，學術界和工業界的人才流動比原來順暢多了。

所以，我們的基本思路是，希望能夠建立智能運維的問題庫。具體的，我們嘗試把運維的常見問題梳理出來，并存儲到一個問題庫里。

這樣的話，對于缺乏智能運維背景知識的科研人員，在問題的輸入、輸出、數據集齊全的前提下，可以很容易地著手解決問題庫中的科研問題。對于做運維實踐的工業界的同學們，當遇到實際的問題時，可以查詢問題庫中的解決方案。

這一思路受到了斯坦福教授李飛飛的影響。她最近在宣傳普世化 AI 的思路——讓所有人都可以使用 AI。李飛飛教授建立的 ImageNet 上面有 1000 多萬張圖片的分類標注數據。

在 2012 年 Hinton 教授提出了一種基于 CNN 的圖片分類算法，取得比以往***結果高好幾個百分點的結果， 引起了深度學習的復興。

現在，她同時兼任 Google 機器學習部門的負責人。她在宣傳普世化 AI 思路時，提到普世化有四個基本點：計算能力、數據、算法、人才。

這四個基本點跟我們要落地智能運維所遇到的挑戰是一樣的。 因為我們也需要用到機器學習和 AI 的技術來解決智能運維中的挑戰性問題。

除了問題庫，學術界還需要數據集。此外，工業界***能提供云計算資源，讓學術界提供的算法在云端跑。數據公開后，學術界可以公布訓練好的算法，工業界就可以直接使用這些算法。

在人才方面，工業界可以與學術界合作。同時，那些參與我們的智能運維算法大賽且排名靠前的學生，也可以成為工業界的人才儲備。最終，我們希望所有的公司都能用上***的智能運維算法。

分解定義智能運維中的科研問題

下面分解定義一下智能運維中的科研問題，由于時間關系，我只能概述算法的特性。

為什么我們要定義科研問題呢?對于科研工作者來說，類似 Gartner Report 中列舉的智能運維問題太寬泛。

首先，科研問題需要清晰的輸入，并且數據是可以獲得的;其次，科研問題要有清晰的輸出，并且輸出的目標要切實可行;再次，科研問題要有高層面的技術路線圖，以及參考文獻;***，非智能運維領域的學術界要能理解該科研問題。

這是我們已經梳理出來的一些科研問題，我將用后面的時間來解釋一下這些算法。

這些算法分為三種：

• ***種算法是相對獨立的基礎模塊，面臨的挑戰較少，可以直接落地。
• 第二種算法依賴于其他的算法，我們需要把這些算法分解成一個個切實可行的解決問題。
• 第三種是把非常難的問題降低要求和難度，“退而求其次”。

基礎模塊

先講一下基礎模塊，基礎模塊是相對獨立并能夠落地的。

KPI 瓶頸分析算法

我介紹的***個基礎模塊算法是 KPI 瓶頸分析算法。在智能運維領域和 APM 領域，我們收集了很多的數據，數據的形式有 KPI 時間序列、日志等。

假如打開一個頁面的響應時間(首屏時間)是我們的 KPI，當首屏時間不理想、不滿意時，我們希望能夠找出哪些條件的組合導致了首屏時間不理想。這就是我們要解決的 KPI 瓶頸分析的定義。

該問題的輸入為一張又寬又長的表，其中包含 KPI 和影響到 KPI 的多維屬性。 輸出為可能影響 KPI 性能的屬性組合。這一科研問題具有廣泛的應用場景，包括首屏時間、應用加載時間、軟件報錯、視頻傳輸用戶體驗等。

在具體應用時，這一科研問題面臨著諸多挑戰：搜索的空間巨大;不同屬性之間可能存在關聯關系，導致用簡單的分析方法是不可行的。

KPI 瓶頸分析的常用基礎算法有：決策樹、聚類樹(CLTree)、層次聚類。

故障預測算法

我介紹的第二個基礎模塊算法，是我們最近跟百度系統部合作的一個案例——交換機故障預測。

在交換機故障之前，我們可以從交換機日志中提取一些預示故障的信號。如果找到這些信號，我們就可以提前兩小時預測出交換機故障。

故障預測的應用場景還包括硬盤故障預測、服務器故障預測等，使用到的算法包括隱式馬爾科夫模型、支持向量機，隨機森林等。

在具體應用時，故障預測面臨著一些挑戰。訓練故障預測模型的數據需要足夠多，但往往實踐中的故障案例比較少。雖然日志量很大，但日志中的有益信息相對較少。我們已經實現了切實可行的系統，且已經在百度運行。

庖丁解牛

當我們應用層出現問題的時候，我們希望找到問題的原因。這里要解決的問題都描述過了，常用的根因分析算法有基于故障傳播鏈的、有基于概率圖模型的。這里我們對基于故障傳播鏈的的思路來庖丁解牛。

假如說我們有這樣的故障傳播鏈，同時又對事件有很好的監測和準確的報警，那根因的分析就簡單了。因為只需要順著故障傳播鏈各個報警找，找到***一個就是根因。

這其中有兩個關鍵的步驟，一個是 KPI 異常檢測，另一個是故障傳播鏈，下面會詳細介紹這兩部分。

異常檢測

首先是異常檢測，很多算法是基于 KPI 的趨勢預測的，還有一些算法是基于機器學習的，機器學習的算法需要有標注。而標注會給運維人員帶來很多開銷，所以能不能做一些工作減少標注的開銷呢?

這其中就包括相似異常的查找，運維人員標一個異常后，能不能自動地把相似的、相關的異常都找出來? 以上是對異常檢測問題的簡單分解，后面會更詳細的說明。

異常檢測的問題定義很簡單，就是對于這樣的隨著時間有周期性變化的KPI曲線，當它發生異常的時候能夠快速準確的報警。

它的常見算法有：基于窗口，基于預測，基于近似性，基于隱式馬爾可夫模型，也有機器學習，集成學習，遷移學習，深度學習，深度生成模型等等。

異常檢測所面對的挑戰就是 KPI 種類各異，如果基于趨勢預測算法，調整算法參數費時費力，同時需要人工標注，人工標注也可能不準確。

我們再分解一下，剛剛提到了異常檢測的一種思路是基于 KPI 趨勢預測。KPI 趨勢預測就是通過時序數據的算法能預測出來 KPI 將來一段時間是什么樣的，取什么值，常見的算法有 ARIMA、EWMA、Holt-Winters、時序數據分解、RNN等。

主要挑戰包括突發事件的影響、節假日的影響、數據不規則的影響，最重要的就是大家對異常的定義不一樣，會有主觀的因素，***導致這些算法很難調。

異常檢測的另外一個思路是基于機器學習來做， 但是這種方法通常都需要標注，而標注是需要消耗人力資源的。

并且如果標注不全或不準確，這個機器學習模型的效果就會打折扣。我們把減少異常標注的工作分解一下，在同一條曲線內找相似的異常，跨 KPI 找異常。

KPI 相似異常查找是在 KPI 內找異常，運維人員標注異常，然后算法以標注的異常為模塊，在曲線上找出類似的其他的異常，這樣就能減少標注開銷。

例如圖中的紅色部分即為標注，輸出為其他類似的異常。常用基本算法包括 DTW，MK ***配對等。

如果跨 KPI，可以先把一個模塊的各種 KPI 提前進行聚類，在同一個類別中的某條曲線上進行標注，那么其他的同類的曲線上的對應位置也為異常。聚類用到的基本算法包括 DBSCAN，K-medoids、CLARANS。

聚類是基于曲線的相似性，如果曲線不相似，但是其內在有關聯導致它們經常一起變化，這也能夠找出更多的異常，從而可以作為一個減少標注開銷的方法。

這個是“KPI 關聯分析”科研問題， 其基本算法包括關聯分析算法和 Granger 因果性分析算法等。

故障傳播鏈

另一個關鍵因素是故障傳播鏈的構建，即 A 事件發生會導致 B 事件的發生。如果理清了事件的傳播關系，就可以構成故障傳播圖。

上文提到的 KPI 的關聯分析和 KPI 的聚類都可以用上。下面介紹異常事件的關聯關系和 KPI 的關聯關系挖掘。

上圖是故障傳播鏈，當應用層、業務層發生故障的時候，如果有故障傳播圖，就可以從中找到對應時間范圍內的相關事件。

如果有就沿著傳播鏈繼續往上找，直至找到根因。我們希望能得到這樣的故障傳播圖，但是很多軟件之間的模塊關系很復雜，很難描述。

另外，剛才提到的調用關系，即 A 模塊調 B 模塊，并不代表 A 發生異常就會導致 B 發生異常，而是還有很多其他的因素。 通過機器學習算法挖掘各種關聯關系，再輔以模塊調用關系鏈，則構建準確完整的調用關系鏈就相對比較容易了。

挖掘關聯關系包括之前闡述過的 KPI 聚類，KPI 關聯分析，下面我們再講述另外的兩個算法。

先看異常事件的關聯關系。兩個關聯事件是不是在歷史上經常一起發生，比如說這個時間窗口內發生了這四個不同的事件，如果說經常一起發生，它們就有兩兩對應關系。現有文獻中常見的算法有：FP-Growth、Apriori、隨機森林。 

另外就是事件和 KPI 的關聯關系，比如程序啟動的事件，在某個時間點程序 A 啟動了，下個時間點程序 B 啟動了。在程序 A 每次啟動的時候 CPU 利用率就上了一個臺階，而 B 沒有。

所以說事件和曲線的關聯關系，還包括先后順序、變化方向。 常用基本算法包括 Pearson 關聯分析， J-Measure， Two-sample test 等。

退而求其次

前面我們分解了根因分析問題，但是有時由于數據采集不全等原因，完整的根因分析條件不具備，這就要求我們降低要求，“退而求其次”，解決簡單一些但是同樣有實際意義的問題。

智能熔斷

 

眾所周知，80% 的線上故障都是由產品上線或者變更導致的。也就是說在這種情況下，運維人員自己的操作、上線和變更就是業務出問題的根因，那么對于這種根因我們能不能做一些工作呢?

答案是肯定的，就是智能熔斷。當產品上線時，根據現有的數據判斷業務層出現的問題是否為該上線操作所導致的。具體實現的時候可以用 CUSUM，奇異譜變換(SST)，DID 等算法。

異常報警聚合算法

再換一個角度，現在有各種監控的報警，如果運維人員聚合不準，就無法決定下一步的操作。因為監控的 KPI 太多，導致異常報警冗余。

我們的算法會將各種報警原始數據聚合，比如將 100 個異常報警聚合成 5 個，這樣實際處理的時候就會相對容易些。具體的算法包括基于服務、機房、集群等拓撲的層次分析，還有基于挖掘的關系和基于故障傳播鏈的報警聚合。

故障定位算法

***舉一個退而求其次的方案。當業務發生故障時， 故障定位并不是給出完全的根因，而是能夠大致區分是哪里的問題，輸入是各種各樣的性能指標，輸出根因所發出的具體位置。

例如去年 SIGCOMM 2016 微軟提出的基于數據中心的故障定位，先用實驗床把所有可能故障都模擬一下，同時收集各類監控指標。

通過機器學習建立模型，這個模型可以根據實際發生的監控指標的癥狀， 推斷根因的大致位置，以便加速止損。 在相關文獻中用到的基礎算法包括隨機森林，故障指紋構建，邏輯回歸，馬爾科夫鏈，狄利克雷過程等方法來進行故障定位。

簡單小結一下， 智能運維關鍵技術落地可以有三種方式。相對獨立的算法可以直接落地，依賴其他算法的根因分析可以庖丁解牛，數據條件不成熟的可以退而求其次。

另外從前面列舉的那么多的算法例子，大家可以看到的確有很多的算法可以應用到智能運維里面的。

工業界的朋友們可以花一些時間和精力， 簡單了解一下這些算法，知道這些算法的輸入和輸出是什么，能解決運維中哪些實際問題，以及組合起來能解決什么問題，這樣會對智能運維更快落地起到事半功倍的效果。

總結與前瞻

智能運維本身前景非常光明，因為它具備豐富的數據和應用場景，將極大提高智能運維領域的生產力，也是 AI 領域尚未充分開采的金庫。

智能運維需要工業界和學術界的密切合作，但是目前仍只限于一對一相對低效的合作，少數公司和少數教授的特權不符合我們大的開源開放的趨勢。

我們的解決思路就是以科研問題為導向， 從日常工作中找到相關的問題，然后把這些問題分解定義成切實可行的科研問題， 并匯總成智能運維的科研問題庫。

同時， 工業界能夠提供一些脫敏數據作為評測數據集，這樣學術界就可以下載數據，并貢獻算法。

我的實驗室 NetMan 將會運營一個“智能運維算法競賽”的網站，匯總智能運維的科研問題庫，提供數據下載，并舉辦智能運維算法大賽。已經有包括美國 eBay 公司在內的多家公司同意為網站提供脫敏的運維數據。

在此非常感謝工業界的各位合作伙伴，也感謝我在清華的團隊，NetMan，可以把它認為是在智能運維算法里面的特種兵部隊。

***，與大家共勉：智能運維落地， 前景是光明的，道路肯定是曲折的。在智能運維的領域，我們從去年開始來推動智能運維算法在實踐中的落地，我已經行動了一年了，我們還有四年時間。

我相信只要我們有更多的學術界和工業界的朋友參與進來，再加上我們這樣的“智能運維算法競賽”網站的載體，我相信就像 ImageNet 曾經推動深度學習、人工智能的復興一樣，我們一定能推動智能運維算法在實踐中更好的落地! 謝謝大家。

51CTO Tech Neo 技術沙龍是 51CTO 在 2016 年開始定期組織的 IT 技術人員線下交流活動，目前僅限北京地區，周期為每月 1 次，每期關注一個話題，范圍涉及大數據、云計算、機器學習、物聯網等多個技術領域。