1. AIOps定義

AIOps是智能運維（Artificial Intelligence forITOperations）的英文縮寫。
當今，專業廠商根據自身理解和商業目的，分別給出了各具特色的AIOps定義。
主要關鍵字：IT運維、人工智能 (AI)、機器學習（ML）、自然語言處理（NLP）、大數據、數據分析、運營效率等。

以下是來自Elastic、IBM、Amazon、RedHat和華為的信息。

### Elastic
AIOps結合大數據和 Machine Learning，將包括異常檢測、事件關聯以及運營數據采集和處理在內的IT流程實現自動化。
借助AIOps，團隊能夠大幅減少大規模檢測、了解、調查和解決事件所需的時間和精力。
進而，在故障排查期間節省時間便可讓IT團隊將更多精力投入到更有價值的任務和項目上。


### IBM
AIOps是指應用人工智能 (AI) 技術，例如自然語言處理和機器學習模型，自動執行和簡化運營工作流程。
具體而言，智能運維AIOps使用大數據、分析技術和機器學習能力執行以下操作：
- 收集并匯總由多個IT基礎架構組件、應用需求與性能監視工具以及服務工單系統持續生成的海量數據
- 智能篩選，從"噪聲"中確定"信號"，識別與系統性能和可用性問題相關的重要事件和模式。
- 診斷根本原因，并將其報告給IT和DevOps團隊，以便他們快速做出響應和采取補救措施，或在某些情況下無需人工干預，可自動解決問題。 
- 通過將多個單獨的手動IT運營工具替換為單一的智能自動化IT運營平臺，智能運維AIOps使IT運營團隊能夠更快地作出響應，甚至主動處理慢速和中斷事件，從而大幅減少工作量。
智能運維AIOps可以縮小下面兩大對立面之間的差距：
一方面是日益多樣化、動態且難以監控的IT環境，另一方面是用戶對應用程序性能和可用性幾乎或根本無中斷的期望。 
大多數專家都認為智能運維AIOps是IT運營管理的未來形式，而且隨著企業日益關注數字化轉型計劃，這種需求會只增不減。


### Amazon
AIOps用于IT運維的人工智能（AIOps）是指使用人工智能（AI）技術維護IT基礎設施的過程。
可以自動執行關鍵運維任務，例如性能監控、工作負載調度和數據備份。
AIOps技術使用現代機器學習（ML）、自然語言處理（NLP）和其他高級AI 方法來提高IT運營效率。
AIOps技術可以收集和分析許多不同來源的數據，為IT運維提供主動、個性化和實時的見解。


### RedHat
AIOps是用于IT運維的人工智能。
AIOps既是指一種IT運維方法，也是一種集成式軟件系統，使用數據科學來增強人工解決問題和通過系統解決問題的能力。
AIOps將大數據與人工智能或機器學習相結合，以增強或部分取代廣泛的IT運維流程和任務。


### 華為
AIOps是指利用人工智能（AI）等技術，精準地管控和分析IT系統中的海量運維數據，并通過自動化、智能化的方式來優化運維流程、提高運維效率和運維質量。
AIOps的特點是利用機器學習、深度學習等AI技術，對運維類數據進行分析和處理，從而對運維目標進行健康度評估、智能定位和異常分析，甚至發現潛在問題，提升目標系統的可用性和穩定性。
AIOps將會成為IT運維的重要發展方向，幫助企業更加高效、智能地實現數字化轉型。

2. AIOps的運作與特點

2.1 - 集成與適配

AIOps工具集與在用的工具和系統進行全面集成和適配，是收集和分析大量原始可觀測性數據的必要基礎。
通過部署大數據、機器學習和自動化等組件，可以實時提取、聚合和分析大量信息。

2.2 - 數據匯集

通常使用可擴展的數據平臺從復雜的系統環境中匯集所有類型的IT數據：日志文件、配置數據、指標、事件和告警等。

• 基礎架構和網絡：網元信息、互聯關系、網絡流量等
• 設備系統：日志、狀態等
• 應用程序：應用日志、業務數據、需求數據、痕跡信息
• 指標和性能：正常運行時間、停機時間、服務級別指標、并發數、響應時間等
• 實時事件：錯誤、身份驗證嘗試、防火墻警報、工單等
• 歷史數據：性能和事件數據
• ......

2.3 - 觀察與監測

支持和提高可觀測性、APM 等功能，使用服務依賴關系映射功能和分布式跟蹤，在基礎層面上監測多個不同系統的運行狀態。
提供直觀的可視化視圖來查看基礎架構、流程、事務流和依賴關系，能夠從宏觀角度更好地了解系統的運行狀態。

2.4 - 整合分析

使用可跟蹤的指標定義運維健康狀況，然后將其作為AIOps系統的基線。
梳理IT運營數據，識別重要告警，將信號（即重要的異常事件警報）與噪聲（其他數據）分離。
可以識別業務模式并將日志和性能數據中的事件關聯起來，感知應用程序和基礎架構級別的狀態，分析和確定問題的原因，并提出問題解決的建議。

2.5 - 自動應對與人工參與

通過AIOps簡化了診斷和評估工作，減少對傳統IT指標和提示的依賴，部分場景下，AIOps可以自動進行響應和處理。
自動將警報和建議的解決方案傳送給相應的IT團隊，可以根據問題的性質和解決方案來組建響應團隊，甚至是在用戶意識到問題之前實時解決問題。
專業人員根據機器學習算法生成的分析結果創建自動響應，部署更智能的系統，從歷史事件中吸取經驗教訓，并使用自動化腳本預先防范類似的問題。
因此，對于復雜和全新的問題場景，仍然需要專業人員的參與，AIOps可以輔助進行驗證和確認問題解決方案。

2.6 技術特點

以下內容來自IBM：

根據Gartner的定義，AIOps產品或平臺主要包括以下5類技術要素：
- 數據源：來自各IT基礎設施的底層記錄數據。
- 大數據平臺：用于處理、分析靜態和動態實時數據。
- 計算與分析：數據預處理、數據標準化等清洗工作。
- 算法：用于計算和分析，以產生IT運維場景所需的結果。
- 機器學習：包括無監督、有監督和半監督學習。

從整體上看，AIOps的關鍵能力：基于AI的核心算法、無縫地與IT系統集成、多元數據的整合。
其中，算法是AIOps的核心能力。
當前AIOps算法主要集中在異常檢測、預測和根因分析，主要技術趨勢如下：
- 異常檢測技術：傳統領域以有監督算法為主，AIOps領域以有監督和無監督算法結合為主。
- 預測技術：從傳統機器學習發展到以LSTM（Long Short Term Memory，長短期記憶）為代表的深度學習。
- 根因分析技術：傳統采用關聯規則和無監督算法，應用知識圖譜算法進行根因分析是新趨勢。

3. AIOps的功用

在人工運維階段，主要依賴運維專家的工作經驗來進行故障分析、定位和排障，整體運維效率不高，且需較長時間的積累。
在自動化運維階段，運維團隊使用腳本、工具等方式執行運維任務，運維效率有了明顯提升，但運維團隊需要掌握自動化運維工具的開發和迭代，學習難度高。

當今大規模IT系統的運維形勢與需求

• IT系統復雜度和規模不斷增長，各種新技術和新架構層出不窮，各類數據爆炸式增長
• 面對海量數據、不停變化的系統狀態、繁多的業務應用和不同的配置參數

在AIOps階段，通過BigData、ML、AI等技術組件，自動地學習和分析海量運維數據，給出運維決策建議，可增強和部分取代現有運維流程和操作。

• 縮短故障排查時間：提供事件關聯功能，進行根本原因分析，提高服務可用性
• 打破數據孤島，提供通用框架聚合多個數據源，提升整體態勢感知能力：跨系統、跨團隊
• 自動對事件做出個性化響應：發現和過濾誤報，讓團隊人員更關注于處理關鍵任務
• 更積極主動解決IT運營問題：預測可能會出現問題的場景和運維趨勢
• 更妥善地執行IT策略來支持業務決策：不斷從數據流中學習和迭代

4. 場景和用例

4.1 功能場景

### 應用程序性能監控（APM）
AIOps作為云基礎架構、虛擬化和存儲系統的監控工具，大規模收集和編譯相關指標，能夠報告使用情況、可用性和響應時間等指標。 
利用事件關聯功能，整合與匯總信息，幫助最終用戶更有效地使用信息。  

### 根本原因分析
快速處理大數據，并在多個可能的原因之間建立關聯，有效地幫助確定事件的根本原因，而不僅僅是表面癥狀或提醒。 
避免無關和不必要的工作，快速解決核心問題，確定保護措施以防止將來出現類似問題。

### 異常檢測
AIOps工具可以梳理大量歷史數據，發現數據集中的非典型數據點，作為感知和預測問題事件的信號
AIOps實時評估和預測偏離監控數據標準分布的異常值，快速檢測數據偏差并加快執行糾正措施。
因此，借助AIOps可以減少管理事件期間對系統提醒的依賴，還可以設置基于規則的策略以自動執行補救措施。 

### 云自動化和優化
AIOps可以提供工作負載的透明度、可觀測性和自動化，按需預置和擴展計算資源。
通過直觀呈現環境中的相互依賴關系，有助于降低云遷移和混合多云環境（私有云、公有云、多個提供商）的運營風險

### 應用程序開發支持
AIOps工具可以自動地提前進行代碼審查，應用編程最佳實踐，以及在開發階段的早期檢測錯誤。
支持DevOps所需的基礎架構可視性和自動化功能，而無需完成大量額外的管理工作。

4.2人員用例

AIOps可以幫助團隊檢測和應對潛在問題，只是讓機器完成雜務，而方向盤仍由專業人員操控。
工程師需要具備理解、整合或編寫底層AI 腳本能力，能夠將事件關聯和警報引擎轉化為執行引擎。

• 應用站點可靠性工程師（SRE）：定義黃金信號（延遲、錯誤率、流量和飽和）
• 開發人員：使用AIOps分析來執行根本原因分析（RCA）
• 業務負責人：使用AIOps來監控 SRE 所用的黃金信號，從最終用戶角度了解應用的性能
• 運維人員：使用AIOps來監控混合云、多云和基于微服務的IT環境，監控狀態，簡化運維

5. 工程化落地路線

5.1 時序指標

• 以監控系統為主，結合監控系統的日常工作特性和大量時序數據
• 將單指標和多指標的時序預測、異常檢測、關聯分析等以時序指標分析為主的方法整合進系統
• 讓監控系統能夠自適應地告警，通過異常檢測觸發運維動作，通過指標關聯分析輔助決策來縮短解決故障定位的時間

5.2 事件分析

• 以非結構化數據分析為主（日志分析、告警等）
• 關鍵技術包括告警事件降噪、事件發現、告警事件抑制、日志聚類、事件解決方案推薦等
• 認為一切的運維數據最終都會反映成運維事件，以運維事件的角度去分析

5.3 知識增強

• 基于知識圖譜和知識庫來提升運維知識的利用率
• 通過使用知識檢索、知識推理、命名實體識別等技術，結合運維知識庫和基礎數據形成運維機器人，在原有的知識庫基礎上賦予AI的能力
• 認為運維中起決定作用的是知識，通過整理運維知識，形成運維知識圖譜

5.4 AI平臺

• 認為AI能力應該沉淀在AI平臺上，通過AI平臺賦能已有應用的方式，不應該直接強綁定在運維工具上
• 讓運維系統和AI系統在平臺層面上進行隔離，通過API的方式互相整合

6. 概念的區分與聯系

6.1 AIOps與DevOps

DevOps是一組過程、方法與系統的統稱，重視溝通合作的文化、運動或慣例，代表了組織文化的轉變。
用于促進開發（應用程序/軟件工程）、技術運營和質量保障（QA）部門之間的溝通、協作與整合。
精簡了開發和運營流程，使得軟件生命周期中的構建、測試、發布環節能夠更加地快捷、頻繁和可靠。
技術上主要通過采用持續集成和持續部署 (CI/CD) 的方式來簡化工作，以信息共享彌合開發和支持工作流程之間的差距。

AIOps是一種使用人工智能技術來支持現有IT流程的方法。
AIOps結合了AI 和ML技術來監測和管理各個系統，實現運維過程的智能化，以便更快地解決問題。

DevOps和AIOps都是用于優化軟件開發和運維的方法論，都凸顯了自動化的益處：消除耗時的人工作業。
DevOps側重于優化開發和運維之間的協作和自動化，注重軟件交付流程的優化，旨在加快軟件交付的速度和質量，強調團隊合作和持續集成。
AIOps側重于利用AI和ML等技術來優化運維過程，通過數據分析和推理預測來實現智能化的運維管理，強調實時的故障檢測、自動化和智能化的故障處理和資源優化。
通過將AIOps和DevOps結合使用，可讓團隊查看整個系統的運行情況，而不是專注于特定工具和基礎架構層。

• 持續評估編碼質量并縮短軟件交付時間
• 在開發和運維過程中通過將數據分析任務進行自動化來為DevOps流程提供補充
• 有助于更明智的決策，并主動提醒注意任何問題

6.2 AIOps與SRE

站點可靠性工程（SRE）是一種工程團隊可用于自動化系統操作和使用軟件工具執行檢查的方法。
SRE 團隊不依賴手動方法，而是通過自動檢測和解決問題來改善軟件可靠性和客戶體驗。
AIOps使用業務運營的海量數據和基于機器學習的預測性見解來幫助SRE工程師縮短事件解決時間。

6.3 AIOps與MLOps

MLOps框架可幫助軟件團隊將機器學習模型集成到數字產品中，涉及模型選擇和數據準備，包括在生產環境中訓練、評估和部署機器學習應用程序的過程。
MLOps的重點是在生產環境中部署、維護和監測模型。這可能包括納入反饋輸入，以重新部署經改進的模型。
AIOps使用ML來提高IT運營的效率，而MLOps則用于實現ML模型部署的標準化。

6.4 AIOps與DataOps

借助DataOps計劃，組織可優化商業智能應用程序的數據使用情況。
DataOps涉及設置數據管道，數據工程師可以使用這些管道從不同域提取、轉換和傳輸數據，以此支持業務運營。
AIOps使用DataOps提供的信息來檢測、分析和解決事件。

7. 總結

7.1 AIOps的優勢

AIOps面向IT運維，是一個效能性的技術棧和工具集，而非生產性的。
AIOps覆蓋了“數據采集 > 數據分析 > 運維決策 > 處理執行 > 異常預測”的運維關鍵鏈條，可以幫助運維人員快速發現、精準處理IT系統的異常事件。

• 更廣泛的信息聚合：多信息源、多種類信息
• 更強的分析：BigData、ML、NLP、AI
• 更全面的整體維度：對IT環境的全方位了解，跨越系統、部門和團隊
• 更快的反應：縮短MTTR（Mean Time To Repair，平均修復時間）
• 更主動的行為：主動性運維
• 更準確的預測：預測性運維
• 更易理解的展現：統一的信息出口、針對性的信息過濾

7.2 AIOps的挑戰

沒有單一的AIOps工具、AIOps平臺或AIOps產品。
因為每個企業和機構的開發和生產環境都有自己的特點和獨特之處，構建的任何AIOps解決方案必須能夠整合、分析這些各種因素并進行處理。
獨立開發和落地能夠帶來顯著效能提升的可用AIOps，需要建立在一定規模和標準的基礎之上，并且需要巨大的專業性投入。

• 專業知識：廣泛的數據科學專業知識
• 基礎架構：標準化的平臺和功能，針對特定基礎架構訓練AIOps
• 價值實現時間：設計、實施、部署和管理的難度大，價值回報周期長
• 數據：AIOps的結果質量取決于數據源的質量，對運維數據的數量、質量和一致性的要求高
• 集體協議：為系統健康奠定基礎并制定標準運維目標需要多方的廣泛支持和共識
• 環境與范圍：涉及因素多，環境變化快，難以建立基線
• 失敗率：AI項目失敗率非常高，實現效益難度大

8. 參考信息

• 什么是AIOps？https://www.elastic.co/cn/what-is/aiops
• 什么是AIOps？ https://aws.amazon.com/cn/what-is/aiops/
• 什么是AIOps？ https://www.redhat.com/zh/topics/ai/what-is-aiops
• 什么是智能運維AIOps(智能運維平臺)？https://www.ibm.com/cn-zh/topics/aiops
• 什么是AIOps？https://info.support.huawei.com/info-finder/encyclopedia/zh/AIOps.html
• AIOps極簡權威指南 https://zhuanlan.zhihu.com/p/63981459
• https://www.purestorage.com/knowledge/what-is-aiops.html