【.com原创文章】什么是AIOps以及它如何帮助您的IT部门，例如，通过使用它来快速处理所有数据。AIOps是一个总称，指使用复杂的基础设施管理软件和云解决方案监控工具来自动化数据分析和日常DevOps操作。10年甚至5年前构建的那些系统监控工具的主要缺陷是它们不是为满足大数据时代的需求而构建的。它们既不能处理海量的输入数据，也不能处理种类繁多的数据类型，也跟不上输入数据的速度。根据过去的经验，这样的云监控解决方案必须对数据进行分块，将看似重要的部分分离出来，并切断看似不必要的部分，***通过焦点小组和统计样本进行操作，而不是处理整个完整的数据。这样做的后果是，在数据分析阶段，可能会忽略一些重要的模式，完全排除数据可视化的观点。这会使整个过程变得无用，就好像大数据分析无法产生可操作的业务洞察力一样，它将无法提供大数据分析中最重要的价值。把AIOps放到现场当然不可能及时处理所有机器生成的数据。然而，这正是深度学习模型等人工智能算法擅长的任务。剩下的唯一问题是：如何让这些机器学习工具在DevOps工程师的日常生活中发挥作用？以下是AIOps适用于IT部门的一些用例：数据的快速处理。可以训练ML模型来处理系统生成的所有类型的数据——这是未来的方式。如果必须添加新的数据类型，还可以相对轻松地调整和重新训练模型以保持高性能。这将确保数据的完整性和保真度，从而产生全面的分析和具体的结果。深入的数据分析。当您启用对所有数据的分析时，隐藏的模式就会出现，因此会产生可操作的见解。DevOps工程师然后可以分析基础设施的哪些地方需要调整以避免性能瓶颈，并且可以坐在高管的办公桌前为优化基础设施和改善运营提供基于数据的具体建议。日常任务的自动化。一旦确定了事件模式，就可以设置自动触发器。因此，DevOps工程师可以创建触发器并在统计数据显示某些事件总是导致特定（负面）结果并且必须采取某些措施来纠正问题时自动响应此类事件。因此，如果监控解决方案报告由于连接数量增加而导致CPU使用率增加，等等等等。Kubernetes可以启动额外的应用程序实例并使用负载平衡来分配流量和减少负载。这是最简单的场景，而现实世界的用例要复杂得多，需要允许任何日常DevOps任务自动化，使ML模型能够在特定条件下启动它，而不是预处理问题停机后的。使用AIOps的好处部署AIOps解决方案可以实现以下积极成果：不间断的产品可用性，带来积极的最终用户体验优先解决问题，而不是灾难性的救火业务生成而不是使用薄样本。日常任务自动化，使您的IT部门能够专注于改进基础架构和流程，而不是处理重复且耗时的任务更好的协作，因为对日志的深入分析有助于显示管理决策的影响并评估业务效率所采用的策略对业务非常有利。这看起来像是AIOps解决方案提供商的营销噱头，但事实并非如此。如今，大多数企业都在努力向DevOps文化转型并进行数字化转型。与此同时，真正具有创新精神的公司已经在努力结合AI算法、ML模型和DevOps系统，以提供未来最先进的云监控和基础设施自动化解决方案。应用这些实践可以显着改善客户体验、缩短上市时间、更有效地使用基础设施以及更好地跨团队协作。然而，即使是这些创新者也没有现成的解决方案来满足他们的需求，他们不得不使用流行的DevOps工具，如Splunk、sumeoric、Datadog、promethus+Grafana、Kubernetes和terraform来构建这样的系统。更重要的是，与想法本身一样重要，实施它所需的基础设施管理水平远远超过一般公司的能力。【原创稿件，合作网站转载请注明原作者和出处为.com】
