【51CTO.com原創(chuàng)稿件】AIOps是什么以及了解下它可以如何幫助您的IT部門，例如，利用它來快速處理所有數(shù)據(jù)。

AIOps是一個總稱，用于指代使用復(fù)雜的基礎(chǔ)設(shè)施管理軟件和云解決方案監(jiān)控工具來實現(xiàn)自動化數(shù)據(jù)分析和日常的DevOps操作。

那些10年前甚至是5年前構(gòu)建的系統(tǒng)監(jiān)控工具的主要缺陷是它們不是為了滿足大數(shù)據(jù)時代的需求而構(gòu)建的。它們既不能處理數(shù)量龐大的輸入數(shù)據(jù)，也不能處理種類繁多的數(shù)據(jù)類型，更加不能與輸入數(shù)據(jù)的速度保持一致。根據(jù)以往的經(jīng)驗，這樣的云監(jiān)控解決方案必須將數(shù)據(jù)分塊，將看似重要的內(nèi)容進行分離，并切斷看似不需要的內(nèi)容，***使用焦點組和統(tǒng)計樣本進行操作，而不是處理整個完整的數(shù)據(jù)。

這樣做的結(jié)果是，在數(shù)據(jù)分析階段，一些重要的模式可能會被忽略，數(shù)據(jù)可視化的視圖被完全排除。這可能使得整個過程毫無用處，就好像大數(shù)據(jù)分析不能產(chǎn)生可操作的業(yè)務(wù)洞察一樣，它將無法提供大數(shù)據(jù)分析中最重要的價值。

讓AIOps進入場景

當(dāng)然，要及時處理所有機器生成的數(shù)據(jù)是不可能的。然而，這正是人工智能算法(如深度學(xué)習(xí)模型)所擅長的那種任務(wù)。剩下的唯一問題是:如何在DevOps工程師的日常生活中讓這些機器學(xué)習(xí)工具發(fā)揮作用？

下面是在IT部門中適合使用AIOps的一些案例:

• 快速處理數(shù)據(jù)。可以訓(xùn)練一個ML模型來處理系統(tǒng)生成的所有類型的數(shù)據(jù)——這是未來的方向。如果必須添加新的數(shù)據(jù)類型，模型也可以相對容易地進行調(diào)整和再訓(xùn)練，以保持高性能。這將確保數(shù)據(jù)的完整性和保真度，從而產(chǎn)生全面的分析和具體的結(jié)果。
• 深入的數(shù)據(jù)分析。當(dāng)你能夠?qū)崿F(xiàn)對所有數(shù)據(jù)進行分析時，隱藏的模式就會出現(xiàn)，可操作的見解也會出現(xiàn)。然后，DevOps工程師就可以分析出基礎(chǔ)設(shè)施需要調(diào)整的地方，以避免性能瓶頸的出現(xiàn)，并且可以坐在高管的桌前，為優(yōu)化基礎(chǔ)設(shè)施和改進運營提供具體的基于數(shù)據(jù)的建議。
• 日常工作的自動化。識別出事件模式后，就可以設(shè)置自動觸發(fā)器。因此，當(dāng)統(tǒng)計數(shù)據(jù)顯示某些事件總是導(dǎo)致特定的(負面的)結(jié)果，并且必須執(zhí)行某些操作來糾正問題時，DevOps工程師就可以創(chuàng)建觸發(fā)器并自動對此類事件做出響應(yīng)。 

因此，如果監(jiān)控解決方案報告了由于連接數(shù)量增加而導(dǎo)致了CPU使用率的增加，諸如此類。Kubernetes就可以啟動額外的應(yīng)用程序?qū)嵗⑹褂秘撦d平衡來分配訪問流和減少負載。這是最簡單的場景，而現(xiàn)實世界的用例則要復(fù)雜得多，需要允許自動執(zhí)行任何的日常DevOps任務(wù)，使ML模型能夠在特定條件下啟動它，并預(yù)先處理問題，而不是在停機后。

[[244901]]

使用AIOps的好處

部署AIOps解決方案可以實現(xiàn)以下的積極成果:

• 不間斷的產(chǎn)品可用性，帶來積極的終端用戶體驗
• 優(yōu)先解決問題，而不是***性的滅火
• 消除數(shù)據(jù)孤島并實現(xiàn)根本性的故障修復(fù)，因為您分析了業(yè)務(wù)生成的所有數(shù)據(jù)而不是使用精簡樣本
• 日常任務(wù)的自動化，使您的IT部門能夠集中精力于改進基礎(chǔ)架構(gòu)和流程，而不是處理重復(fù)且耗時的任務(wù)
• 更好的協(xié)作，因為對日志的深入分析有助于顯示管理決策的影響，并評估采用的業(yè)務(wù)戰(zhàn)略的效率

關(guān)于什么是AIOps以及為什么它很重要的最終想法

正如您所看到的，選擇AIOps工具和解決方案對您的業(yè)務(wù)非常有益。這似乎是AIOps解決方案供應(yīng)商的營銷噱頭，但其實并不是。當(dāng)下，大多數(shù)企業(yè)都在努力朝著DevOps文化轉(zhuǎn)型，并進行著數(shù)字化轉(zhuǎn)型。

與此同時，真正具有創(chuàng)新精神的公司已經(jīng)在努力將人工智能算法、ML模型和DevOps系統(tǒng)相結(jié)合，以提供未來***進的云監(jiān)控和基礎(chǔ)設(shè)施自動化解決方案。應(yīng)用這些實踐可以極大地改善客戶體驗，縮短產(chǎn)品的上市時間，更有效地使用基礎(chǔ)設(shè)施，以及在團隊中更好地進行協(xié)作。然而，即使是這些創(chuàng)新者也沒有現(xiàn)成的解決方案來滿足他們的需求，他們不得不使用Splunk、sumeoric、Datadog、promethus + Grafana、Kubernetes和terra form等流行的DevOps工具來構(gòu)建這樣的系統(tǒng)。更重要的是，盡管這個想法本身非常重要，但實施它所需的基礎(chǔ)設(shè)施管理水平遠遠超過了普通公司的能力。

【51CTO原創(chuàng)稿件，合作站點轉(zhuǎn)載請注明原文作者和出處為51CTO.com】