即时通讯（ActiveMessenger，AM，或InstantMessenger，IM）技术的集合。正如人工智能彻底改变了所有其他领域一样，人工智能也将深刻影响运营管理。当人工智能的力量应用于运营时，它将重新定义应用程序和支持应用程序/基础设施的管理。同时运行的多个应用程序会产生大量数据。数据在网络层产生，通过隐藏的API接口到达终端用户。用户期望有完美的应用体验，没有失败的余地。可以将来自不同层的数据收集到丰富的见解库中。由于操作复杂，智能运维平台应运而生。智能运维平台利用AI和ML技术，从监控数据中获取洞察，通过加强人工决策，推动自动化解决方案。重要应用案例及解决方案1.故障定位在软件开发周期中，管理软件质量是一个重要的问题。几乎所有软件在发布后都会出现一些故障。在投入生产之前找到并修复错误很重要。生产中的任何故障都会增加大量成本。当可用资源有限时，定位故障被认为是最耗时的工作。因此，软件工程师需要半自动/自动技术来改善手动调试过程。如果开发人员能够得到有关故障可能出在哪里的提示，调试就会变得更加高效。解决方案许多图挖掘算法/技术可以帮助开发人员定位软件故障。这些技术依赖于检测失败记录和通过记录之间的判别图。当故障不在罕见代码模式中时，这些方法可能不适用。另一方面，很多方法主要是筛选出可能出错的程序组件（如语句接口和谓词接口），然后根据可疑程度对这些组件进行排序，并根据控制流安排执行跟踪的上下文图形。2.实现基准性能基准确定应用程序组件和基础设施在不同负载条件下的行为方式。负载场景包括正常负载、工作负载、准负载、峰值负载、断点负载等。基线是一组在一定范围内波动的参数规则和阈值。传统的做法是在收集一定时间的性能数据后，通过机器学习算法对上述关系建立模型并立即部署，以便在性能出现偏差时得到通知。这种方法适用于缓慢开发的组件，但会使快速的现代开发方式“失去意义”。解决方案超融合基础架构管理、领域驱动的应用程序开发、分布式计算的兴起以及多语言编程和维护已经改变了软件组件的开发和部署方式。不断更新的软件组件需要不断部署在动态扩展的底层基础设施上。这种范式转变需要使用近乎实时的数据构建模型，跟上应用程序和基础架构组件的最新变化。这些模型需要实时输入数据才能学习新规则并实现持续发展。3.应用监控应用指标跟踪响应时间、每分钟请求数、不同时间段的错误率并识别趋势。此外，CPU利用率、内存利用率和负载等基础设施参数可以帮助我们了解基础设施层如何适应应用程序的不同负载情况。随着应用程序复杂性的增加，从预期模式中检测异常并不容易。未能检测到异常会导致程序中断的潜在风险。解决方案我们能够发现和分析不同层的变化模式，包括应用层、服务层、事务层和外部依赖项。首先，确定什么构成了正常的系统行为，然后识别与正常系统行为的偏差。智能运维可以通过资源的精准搜索，准确识别异常值，有助于更好地进行实时根本原因分析（RootCauseAnalysis，RCA），也可以避免潜在的中断和基础设施故障。4.问题预警ApplicationPerformanceMonitor(APM)中的智能警报可以动态检测异常。为实现警报智能，检测软件必须是可配置的，以便它能够了解应用程序的特征和行为并检测异常。设置静态阈值是常见的做法，例如当服务请求的响应时间超过三秒时发出警报。然而，确定要监控的重要参数及其针对不同应用程序使用模式的阈值是一项非常耗费人力的工作。因此，需要有一种智能的方式来对应用程序的正常状态进行基准测试，并在出现异常行为时发出通知。解决方案随着算法技术的进步，报警器也变得非常智能。它可以执行初步数据分析，并能够根据标准偏差、百分比、预测分析等预测手段发出警报。如今，检测软件已经足够智能，可以了解应用程序的行为并设置基线，让开发人员能够定义自己的分析策略，当分析请求偏离开发人员的基线时，当出现真正的问题需要开发人员注意时，发出智能警报。资料来源：Pexels5。事务跟踪从应用程序连接之间简单的点对点同步信息交换到更复杂的异步通信，都属于业务事务的范畴。事务跟踪需要复杂的跟踪监控方案。长期的、多步的异步交易传输IT基础设施，需要跨越多个技术和层级等等。解决方案复杂的交易往往是多变的和碎片化的，它们的标签和统计抽样技术使标准的跟踪和分析变得无用。智能运维通过检查方法调用和个人信息负载内容将事务关联在一起，并直观地可视化预期行为和性能中即将出现或现有的漏洞。
