AIOps 基本指南

AIOps 是通过对大型数据集进行分析和机器学习来自动化和增强 IT 运营的过程。这些新的学习算法可以检查大量的网络和机器数据，以识别人类操作员可能并不总是能识别的模式。这些模式可以找出当前问题的根本原因并预见未来的后果。AIOps 的最终目标是使常规程序自动化，以提高问题检测的准确性和速度，从而使 IT 人员能够更有效地满足不断增长的需求。

历史和起源

Gartner 于 2016 年首次创造了 AIOps 这一术语。Gartner 在其《AIOps 平台市场指南》中将 AIOps 平台定义为“结合大数据和人工智能 (AI) 或机器学习功能的软件系统，用于增强和部分替代广泛的 IT 运营流程和任务，例如可用性和性能监控、事件关联和分析、IT 服务管理和自动化。”

AIOps 现已推出

对运营团队的期望比以往任何时候都高。旧的工具和方法似乎永远不会消亡，这是一种常见现象，有时可能被视为滑稽。然而，同样的运营团队面临着持续的压力，需要处理越来越多的新项目和技术，有时就业水平保持不变或下降。此外，更大的变更频率和更高的系统吞吐量通常使得这些监控工具生成的数据几乎无法理解。

为了克服这些障碍，AIOps：

• 整合来自不同来源的信息：传统的 IT 运营技术、工具和解决方案以不成熟的方式汇总和平均数据，这会威胁数据完整性（请参见被称为“平均值的平均值”的聚合方法作为示例）。它们不是为当今复杂且互联的 IT 基础设施所产生的数据量、多样性和速度而构建的。AIOps 平台的核心组件是它能够收集大量数据集，同时保持数据的完整性以进行详尽的分析。始终能够深入到得出汇总结论的源数据。
• 简化数据分析：AIOps 系统关联这些庞大的异构数据集的能力是一个关键区别。只有拥有所有最佳数据，才有可能进行最精细的分析。然后，该平台对这些数据进行自动分析，通过研究来自多个来源的看似不相关的流之间的交集来发现当前问题的根本原因并预测未来问题。
• 自动响应：识别和预测问题至关重要，但 AIOps 系统在向相关人员发出警报、自动修复检测到的问题以及理想情况下执行命令以防止问题发生时效果最佳。常见的解决方案（例如重新启动组件或对整个磁盘进行碎片整理）可以自动处理，只有在标准方法用尽时才允许人员进行干预。

AIOps 的主要组织优势

AIOps 可以通过自动化 IT 运营流程来优化和提高系统性能，为公司带来巨大的商业优势。例如：

• 避免停机可提高客户满意度和员工信任。

• 整合以前孤立的数据源可以实现更全面的分析和洞察。

• 加速根本原因分析和纠正可以节省时间、金钱和资产。

• 通过加速和标准化事件响应来改善服务交付。

• 更快地发现和解决复杂问题可以提高 IT 支持扩展的能力。

• 主动识别和缓解问题使 IT 专业人员能够专注于更高价值的分析和优化。

• 主动的反应可以增强系统和应用程序的增长预测，以满足未来的需求。

• 通过执行琐碎的任务来给负担过重的系统增加“松弛”，让人们专注于更高层次的问题，从而提高生产力和提高士气。