数字化浪潮，运维能力逐渐成为现代企业的竞争力之一。在过去的几十年里，运维的发展经历了几个阶段。从早期的人工运维，到标准化运维、自动化运维，再到DevOps、AIOps，不难追溯整个过程，发现随着运维的不断发展，运维方式也逐渐走向智能化。技术。2016年，Gartner提出了运维的新概念——“AIOps”，中文意思是智能运维。即以AI等手段为核心，为运维提供更加智能化、数字化的支撑。也就是说，运维脱离了“人”的要素，更多的是放在了“数据”这边。它包含的场景更多，包括异常告警、告警收敛、故障分析、趋势预测、故障画像等。所谓AIOps，简单理解就是基于自动化运维，将AI和运维很好的结合起来。AIOps的落地，在很多方面直击传统运维的痛点。AI算法担负着分析海量运维数据的重任，能够自动精准发现和定位问题，从决策层面提升运营效率，及时为企业运维工作提供保障。成本、质量和效率的优化提供了重要支持。在市场方面，全球IT研究机构Gartner预测：“到2022年，40%的大型企业将部署AIOps（智能运维）平台。”可见，AIOps在企业中的作用正在进一步放大。但实际上，很多企业并不清楚AIOps到底能解决什么问题。今天我们就从博锐数据的三大AIOps场景和算法说起。博瑞数据AIOps实践作为领先的APM应用性能管理厂商，在AIOps实践方面，博瑞数据多年来积极拥抱人工智能、机器学习等新技术变革浪潮，基于AI和机器学习技术，拥有自主研发的“数据接入、处理、存储和分析技术”核心技术体系，全面部署了智能基线、异常检测、智能告警、关联分析、根因分析等丰富广泛的智能运维功能，并将AIOps能力融入端到端的端到端全栈监控产品线，可为传统企业提供强大的数据处理、存储和分析软件工具，帮助客户整合各类IT运维监控数据，实现数据的统一存储和关联分析，打破数据孤岛，构建统一的IT运维管理平台，使企业IT运维更加智能化、自动化。在此基础上，博瑞数据还依托完备的IT运维监控能力，运用大数据和机器学习技术，持续打造先进的智能运维监控产品。2021年，推出搭载AI能力的新一代APM产品Server7。.0和新版Dataview统一智能运维平台，继续实现智能异常检测、根因分析、故障预测等场景。基于AI的能力实现运维监控场景的信息融合、特征关联、业务洞察，帮助企业保障数字化业务的顺畅运行和良好的数字化体验。博锐数据AIOps场景及算法目前，博锐数据在AIOps技术方面主要实现了三大场景。即智能基线预测、异常检测、告警收敛。我们先来看看智能基线预测。智能基线预测是指利用基于历史数据的深度学习智能算法，准确预测未来各时间点的数值，并将预测值作为基线进行监控和报警。如上图所示，未来24小时的数据预测结果用虚线表示，灰色区域表示正常数据的波动范围。如果实际值落在灰色区域之外，则会发生异常。IT运维人员在发现业务服务数据存在问题时，通常会使用动态基线对实时数据进行检查和度量。若实时数据与动态基线数据两条曲线的拟合度相近，则业务相对健康；如果动态基线与实时数据的离散程度较大，说明当前业务存在问题。目前，博瑞数据在智能基线预测中应用的算法包括实时预测算法、离线算法预测和流式算法预测。让我们再看看异常检测。异常检测是指通过对历史数据的机器学习，动态预测数据趋势，无需人工设置阈值，能够根据指标的数据特征自动识别异常。如图，灰色区域代表正常数据的波动范围，红色数据点为异常数据点。IT运维人员在检测应用服务运行状态的过程中，通过AIOps异常检测算法可以判断图中红色区域的数据为异常数据，深灰色条形区域为可容忍的业务波动范围.同时，运维人员还可以通过数据集的特征数据，对当前时间段内的数据进行事件聚合，综合分析当前事件对应用的所有影响的波动范围。目前博瑞数据在异常检测上应用的算法有静态基线（绝对静态基线+差分静态基线）、智能基线+NSigma判别等，最后来看告警收敛。所谓告警汇聚，就是基于多个相关告警信息合并为一个故障，对当前处于故障状态的告警可能造成的影响进行预测和判断，从而实现故障预警，降低影响冗余告警事件对运维工作的影响。干涉。目前，博锐数据在告警收敛方面使用和规划的算法包括事件熵、顶点熵、时域关联、文本相似度关联、拓扑关联、NMF+Kmeans等，助力AIOps的发展行业。AIOps场景、算法和能力进一步延伸和丰富，细化日志异常检测、根因分析、影响分析、自然语言处理、DIY算法等能力，用AI算法赋能日志管理、一体化运营和维护，以及紧急自助服务。鱼快汇、算法实验室等业务场景帮助企业加速数字化转型进程。随着企业业务规模的扩大和云原生、微服务的兴起，企业IT架构的复杂度呈指数级增长。然而，传统的IT运维方式在故障发生后难以查找故障原因，故障平均修复时间长，已不能满足新的运维需求。因此，用人工智能赋能运维，取代缓慢易错的人为决策，快速给出运维决策建议，降低问题的影响，对问题进行预警是必然的。AIOps作为当前运维发展的最高目标，未来将为运维赋能，为用户带来全新的体验。但需要看到的是，目前很多智能运维产品和项目在企业端的落地并不理想。原因归纳为三点：一是数据采集与AI平台分离，多源数据之间缺乏关联，导致AI平台缺乏优质数据，从而导致导致模型训练结果不佳；二是数据采集主要基于指标和日志，造成应用场景狭窄和数据孤岛问题；第三，AI平台能力仍有提升空间。目前实现的场景大多基于异常检测和智能告警。未来需要进一步提升根因分析和故障预测能力。因此，未来企业首先要建设一体化的监控运维平台，一体化是智能化的基础。基于综合监控运维平台采集到的优质可观察数据，以及数据之间的关系，进一步在综合监控运维平台中实现AIOps能力，实现问题的精准定位和洞察。此外，在实际应用中，根据信通院的相关调查显示，只有不到20%的受访企业具备智能监控和运维决策能力，70%以上的企业束手无策应用系统故障后10分钟内。.各行各业的数字化转型正在改变这一局面。不仅是互联网企业，更多传统企业的数字化转型，为智能运维开辟了更广阔的市场。智能运维发展空间巨大。正是企业发力的大好时机。提升创新能力，推进运维智能化，既是相关服务商发展的要求，也是提升中国企业应用管理和运维水平的使命。中国企业的数字化转型正在加速。无论是前端应用服务的迭代更新，还是后端IT运维架构复杂度的增加，都在加速智能运维的成长。
