企业数字化的运维变革

      数字化时代，IT对企业业务的重要程度与日俱增，是推动机构进行智能运维变革的关键。举例而言，在几年前，很多企业机构会在半夜12点-1点暂停交易进行系统维护，而如今的企业交易必须达到24小时不间断的秒级响应要求。这就意味着，IT对于企业而言已经由业务支撑系统转变为业务本身。我们在跟企业行业用户交流的时候，大家谈的都是业务，关注的也是业务。在这样的应用环境下，传统运维针对IT系统或者单独IT平台的监控已经不能满足需求。客户关心的是交易是否成功，用户交易的体验怎么样，所以对运维要求与过去相比有很大的不同。过去，IT从底层设备、操作系统、应用、到业务这几层，运维的关注点在于底层设备的高可用和稳定性，衡量指标是SLA能达到几个9。今天，大家的关注点集中到业务层面，衡量IT对业务影响程度的指标变成了MTTR（Meantime to Recovery，平均故障修复时间），这就需要从业务的视角，实现覆盖所有业务链路的端到端全局监控、管理和分析，把监控的点和面都做完整，还要与业务指标进行关联，这就比传统运维复杂度高很多。

      当前企业运维的另外一个挑战来自于数字化转型的推进。区块链、虚拟化、容器、IoT等新技术的应用，导致IT规模和复杂度呈指数增长。过去，传统运维收到不明原因的告警信息，可以把相关设备一台台关掉，再逐一重启来进行排查，解除故障。但在企业系统如此庞大的今天，这类单纯依靠人工的故障修复方法显然是不可取的。不仅如此，随着IT运行环境越来越复杂，每时每刻产生的IT数据量更加惊人，依靠人工设定告警阈值、分析处理海量告警信息同样不现实。这就需要利用大数据和AI技术的助力，通过模式识别和算法对历史数据进行学习，设置更加有效的动态告警阈值，同时对海量告警信息进行实时压缩、收敛和关联分析，利用根因分析追踪导致事件发生的根本原因，实现告警事件的及时处置，有效降低MTTR。

智能运维的认知和核心技术

      到目前为止，业界针对AIOps（智能运维）的认知尚未统一，有人说AIOps就是算法，有的则认为是自动化运维。AIOps并不是像APM那样的产品，而是一种理念。用AI技术去提升企业机构的运维能力和效率，让它具有更好的智能化，更高效的解决企业业务运行过程中遇到的种种问题。同时，AI是一种可以工程化的实用科技，AIOps就是AI在IT运维领域的落地，通过AI技术的工程化，全面提升现有ITOM、ITSM 和ITOA产品和解决方案能力。

业行业智能运维管控中心

      AIOps（智能运维）核心关键不是算法，很多算法都已经非常成熟而且开源了。但是，客户的应用场景千差万别，需求也各不相同，到底哪种算法用什么样的模式匹配到客户场景中，这才是核心。这是一个‘技术工程化’落地的过程，对于智能运维提供商来说，既要有非常好的算法能力，又要对客户的应用场景有非常好的理解力，还要有工程化落地的能力。这几种能力都具备，才能帮客户解决问题。此外，AIOps需要完整数据。因此，要实现AIOps落地，数据采集能力同样必不可少，只有这样才能通过AI得到有价值的结果。

企业行业智能运维落地的理念和建议

      部署智能运维首先要理解传统运维管理与智能运维的逻辑差异：传统运维管理是依赖流程，依靠工单系统把这些串起来。智能运维是基于数据和智能化分析结果进行运维管理，与传统运维的逻辑完全不一样。

智能运维中台

      与传统运维管理依靠ITSM平台管理所有IT问题不同，智能运维的落地注重场景化，解决的是某一类问题。当然，智慧运维的基础仍然是数据，在数据之上构建AI分析能力，在AI之上是各个运维产品模块。这些模块以松耦合的方式组成，可根据用户需求的不同任意组合，提供各种运维场景化解决方案能力。最后通过可视化运维监控中心，把IT价值直观呈现在IT和业务部门面前，让管理者和业务运营负责人都能看懂IT。

      IT团队在逐步积累AIOps经验的同时，可以树立起智能运维成功部署的信心。而业务部门可以从一个场景的变化快速看到AIOps价值和成效，自然更愿意配合IT部门的变革，推进业务与IT的融合。

本文节选自  新企业世界，文案内容有所修改，如有侵权，请联系删除。

----------------------------------------------------        ------------------------------------------------