大數據技術和人工智能技術的高速發展，推動運維管理由傳統的人工運維向智能運維轉變。AIOps即Artificial Intelligence for IT Operations的縮寫，是把機器學習、深度學習等人工智能算法應用于IT運維工具和業務系統所采集的大型數據集，并嘗試模擬人類行為（如發現、判斷、響應）的智能化運維管理平臺。智能運維AIOps讓運維管理具備算法和機器學習能力，通過持續學習將運維人員從紛繁復雜的告警中解放出來、使運維變得智能化。據Gartner預測，2020年AIOps的采用率將會達到整個運維行業的40%。

人工智能在AIOps中的具體應用

傳統的運維方式在監控、問題發現、告警以及故障處理等各個環節均存在明顯不足，需要大量依賴人的經驗、工作效率低下，并且在數據采集、異常診斷分析、告警事件以及故障處理的效率等方面都有待提高。那么，以AI技術為支撐的AIOps是否能夠解決這些問題呢？下面我們從監控、問題發現、告警以及處置這四個階段分別介紹AI技術在各階段的應用及價值。

智能化監控

企業使用大量的監控工具如APM、NPM、日志、DEM、基礎設施監控等，來實現各個技術棧的監控。然而大量無效/無用數據會增加后端數據處理的壓力，而數據的漏采可能導致問題、故障的漏報，此外監控工具需要大量的人工調試配置、嚴重依賴運維人員的經驗，人工成本巨大。在智能運維中，通過基于機器學習算法的智能數據采集器來實現智能的數據過濾、關鍵數據識別、采集密度與頻率調整以及采集服務器的性能均衡，從而提升數據采集的準確度、最小化人為干預程度、降低人力成本以及提高運維管理效能。

智能化問題發現

企業IT系統規模的擴大、運維環境的復雜化，使得運維人員從海量的數據中發現問題的難度也越來越大。AIOps可以通過智能異常檢測、故障關聯分析、故障根因分析和智能異常預測等能力，幫助運維人員快速定位問題、追溯故障根源，并實現故障的預測預警。

以智能異常檢測為例，通過基于密度算法的異常檢測（LOF）方法、基于Ensemble的快速異常檢測方法、基于歷史數據模型的異常檢測等方法等AI技術，能夠自動、實時、準確地從監控數據中發現異常，為后續故障的分析與處理提供基礎。

對故障進行根源分析是在眾多可能引起故障的因素中，追溯到導致故障發生的癥結所在，并找出根本性的解決方案。利用機器學習或者深度學習的方法可以找出不同因素的之間的強相關關系，并利用這些關系，推斷出哪些因素是根本性的因素，幫助用戶快速診斷問題、提高故障的定位速度以及修復效率。

此外，故障往往不是獨立存在的。海恩法則告訴我們，任何不安全的事故都可以預防。智能異常預測通過對重要特性數據進行預測算法學習來實現故障的提前診斷、從而避免損失。故障預測的場景包括：磁盤故障預測、網絡故障預測以及內存泄露預測等，可以大幅度降低運維背鍋的風險。

智能化告警

傳統的告警管理一般使用固定閾值并且需要運維人員手動設置，這種方式不僅工作量巨大且十分依賴運維人員的經驗，閾值設置不當可能導致告警風暴或者告警漏報等后果。當監控環境發生變化時，原先的固定閾值無法滿足告警管理的要求。智能運維采用動態基線告警方式，智能分析數據的動態極限（即相對于歷史時刻，當前狀態的數據范圍），彌補了以往人為設置固定閾值的缺陷，智能地分析數據的發展趨勢以及分析數據動態極限，從而對告警做出智能的判斷。

各種監控工具會產生海量的告警信息，這些告警信息中可能存在大量的冗余告警甚至形成告警風暴，對運維人員產生極大干擾，降低了運維工作的效率。智能運維針對短時、大量的、甚至是持續的冗余告警，可以通過相似度、相關性判斷對這些冗余告警進行合并，從而為運維人員提供有效的告警信息，能夠大幅降低運維工作的難度。

在運維管理中，如果一個告警長時間得不到解決，系統將該告警發送給上一級進行處理，這種告警策略即為告警升級。傳統運維中一般采用“固定時間區間”的方法設置告警升級策略，其潛在的遲滯性可能會對業務造成一定的損失。云智慧智能運維方案通過梳理性能與業務之間的關聯關系建立模型，當性能指標發生異常時分析對業務的影響程度，若影響程度超過條件時，自動升級告警事件，系統將升級事件通知發送給對應的告警組處理，避免因告警處理不及時帶來的業務損失。

智能化故障自動處理

傳統運維管理中對故障的處理非常依賴運維人員的經驗，但人的經驗無法覆蓋所有故障范圍，運維人員經驗不足可能會使得運維效率低下或者產生錯誤決策。智能運維將API接入的實時監測結果或者預測結果引入決策知識庫（智慧大腦）智能生成決策建議，并根據根據實際結果及趨勢判斷采用的處理策略，可以是人工處理或者自動處理，有效減少問題排查的時間、大幅提升問題解決的效率，提升企業運維的標準化程度。

智能運維AIOps的價值

得益于大數據、云計算以及人工智能技術的發展，使得大量依賴人腦決策以及手工操作的傳統IT運維模式快速地向如今的AIOps轉變。特別是以機器學習為主的人工智能技術的迅猛發展，幫助解決了傳統運維中的大量痛點，特別是在異常檢測、異常預測、關聯分析、根因分析、告警抑制、故障自動處理等多個方面和環節發揮作用。

以云智慧的某大型金融客戶為例，通過使用云智慧智能業務運維平臺，無論是整體運維工作效率，還是核心 KPI 都有大幅度的提升，同時IT運營也初步實現了數字化和智能化。在人工智能浪潮下，有了AI加持的智能業務運維可以為企業提供從智能告警、故障預測、故障檢測與分析、故障定位到故障處理的運維能力閉環，幫助企業數字化轉型，實現業務的健康持續增長。