數據中心 的軟件智能化已成為共識，但背后的IT運維到底要進化到何種程度？現實情況是，一方面隨著企業所面臨的運維數據在時間、空間、架構、規模等方面越來越復雜，另一方面新舊業務之間的平滑對接對傳統IT流程也是不小的考驗，如果運維的AI化落后于數據中心的AI，無疑會拖累數字化的進程。

如果按照字面意思，AIOps即Artificial Intelligence for IT Operations，不過Gartner對它的解釋是AlgorithmicIT Operations，也就是基于AI算法去解決IT運維流程中的問題，例如性能監控、可用性分析、關聯事件、自動化，以及日志、應用狀態等運維數據信息。這一過程中，并不涉及人為的干擾因素。

調查顯示，全球有超過3000名CIO將數字化業務列為工作重點，預計AIOps的全球部署率會從2017年的10%升至2020年的50%，所覆蓋的行業將涉及金融、電力、醫療、航天、通信、HPC等領域。其背后的挑戰可以從幾個方面來看，首先是規模倍增，設備端可能有數十萬臺主機需要監控至少數千個運行狀態，所處理的數據量日均也是T4B級，而且還是實時的。

其次，IT運維對連續性的高要求使得持續的交付、集成、調度成為首選，再加上海量的數據，對已有的運維成本存在較大挑戰，例如當前IT業務中充斥著公私混的云環境，以及第三方的SaaS類應用，傳統的管理辦法再彈性環境中難以適應，而借助人工去監督、統計、追蹤、分析是很大的工作量，情況只會越來越糟。

此外，更多的感知行為正在向網絡邊緣移動，使得云基礎架構成為了IT解決方案部署的首選平臺，從而讓開發人員獲得了較以往更大的權力，IT人員還要在IT Ops的層面承擔更多責任，例如了解業務是如何在服務和底層架構之間進行交互的。

從腳本運維到工具運維，再到智能運維，特點可以體現以下方面：數據源搜集、大數據分析、規則及模式識別、域算法、AI算法、自動化。需要注意的是，AIOps并沒有改變AI應用本身，而是強調對流程、規則的AI化。例如，AIOps可以從無到有先對單點進行擊破，然后形成局部方案以此類推到面，由多個單點模塊組成完整的AIOps流程。其優勢是，可知悉、可重用、可升級。

與此同時，運維團隊的角色也在轉變，要加入數據工程師、開發工程師甚至是AI工程師，除了繼續承擔質量、成本、效率方面的工作，還要在AIOps的實施過程中變身為需求的發起方和結果收驗方。其中，運維AI工程師也要學會利用機器學習對運維產生的數據、經驗進行整理和分析，最終讓數據發揮應用的價值。

當然要想具備運維AI的技能并不容易，對TensorFlow、Caffe、CUDA這些框架要有基礎，還要對交叉驗證、驗證曲線等模型評估有基本的判斷。要知道在基礎運維平臺中，除了在運維時要提供標準化的運維數據和操作，在AIOps時的一些接口仍需要同時支持人工和自動數據獲取和運維操作。

無論多么智能，AIOps的核心還是Ops，這就決定了其會是跨領域的技術理念，因此在企業內部開發者智能運維的時候，要結合業務特點來制定AI機制，不排除做二次開發的可能。如果運維不能AI化，那數據中心再怎么智能也只會停留在表層。

• 上一篇：智能化將成綠色數據中心未來
• 下一篇：數據中心“綠化”表，AWS緊張了
  
• 文章標簽：
• 注：原創內容，禁止轉載，如有轉載，請標明出處。如有內容侵犯您的權益，請聯系刪除！QQ:315212307