智能运维是什么？

得益于IT外包服务的发达，现在的运维已经不包括搬机器上架、接网线、安装操作系统等基础工作，运维人员一般会从一台已安装好指定版本的操作系统、分配好IP地址和账号的服务器入手，工作范围大致包括：服务器管理（操作系统层面，比如重启、下线）、软件包管理、代码上下线、日志管理和分析、监控（区分系统、业务）和告警、流量管理（分发、转移、降级、限流等），以及一些日常的优化、故障排查等。

随着业务的发展、服务器规模的扩大，才及云化（公有云和混合云）、虚拟化的逐步落实，运维工作就扩展到了容量管理、弹性（自动化）扩缩容、安全管理，以及（引入各种容器、开源框架带来的复杂度提高而导致的）故障分析和定位等范围。

听上去每一类工作都不简单。不过，好在这些领域都有成熟的解决方案、开源软件和系统，运维工作的重点就是如何应用好这些工具来解决问题。

传统的运维工作经过不断发展（服务器规模的不断扩大），大致经历了人工、工具和自动化、平台化和智能运维（AIOps）几个阶段。这里的AIOps不是指Artificial Intelligence for IT Operations，而是指Algorithmic IT Operations（基于Gartner的定义标准）。

基于算法的IT运维，能利用数据和算法提高运维的自动化程度和效率，比如将其用于告警收敛和合并、Root分析、关联分析、容量评估、自动扩缩容等运维工作中。

在Monitoring（监控）、Service Desk（服务台）、Automation（自动化）之上，利用大数据和机器学习持续优化，用机器智能扩展人类的能力极限，这就是智能运维的实质含义。

智能运维具体的落地方式，各团队也都在摸索中，较早见效的是在异常检测、故障分析和定位（有赖于业务系统标准化的推进）等方面的应用。智能运维平台逻辑架构如图所示。

智能运维平台逻辑架构图

智能运维决不是一个跳跃发展的过程，而是一个长期演进的系统，其根基还是运维自动化、监控、数据收集、分析和处理等具体的工程。人们很容易忽略智能运维在工程上的投入，认为只要有算法就可以了，其实工程能力和算法能力在这里同样重要。

智能运维需要解决的问题有：海量数据存储、分析、处理，多维度，多数据源，信息过载，复杂业务模型下的故障定位。这些难题是否会随着智能运维的深入应用而得到一定程度的解决呢？我们会在下一篇文章中逐步展开这些问题，并提供一些解决方案。

本文选自《智能运维：从0搭建大规模分布式AIOps系统》，作者彭冬、朱伟、刘俊等，电子工业出版社2018年7月出版。

本书结合大企业的智能运维实践，全面完整地介绍智能运维的技术体系，让读者更加了解运维技术的现状和发展。同时，帮助运维工程师在一定程度上了解机器学习的常见算法模型，以及如何将它们应用到运维工作中。

智能运维即是AIOps，根据Gartner最新解释，指整合大数据和机器学习能力，通过松耦合、可扩展方式去提取和分析数据量(volume)、种类(variety)和速度(velocity)这三个维度不断增长的IT数据，进而为IT运维管理产品提供支撑。
运维发展至今，Ops已经从手工运维、流程化标准化运维、平台化自动化运维，来到了DevOps。近几年，Ops已经和大数据、AI融合，延伸出DataOps、AIOps。这是历史必然，也将为企业IT运维带来极高的效率，对于企业而言。AIOps意味着效率更高、成本更低、解决时间更短。
对比于传统运维工具，AIOps的优势非常明显：传统运维工具的指标采集维度过于单一，在判断故障时，会通过非常多的运维指标进行排查，这样会造成时间的浪费，对于传统运维数据更多的是依靠专家经验判断；
而AIOps可以通过底层的大数据平台进行分析，通过AI技术的充分学习判断，对告警进行直接的溯源、降噪，第一时间对运维人员展示故障的根本原因及定位，大大提高了工作效率和处理故障的时间。

是利用互联网思维与电力专业技术的完美结合，通过现代通讯技术，实现远程监测，提升用电安全，节约运维成本。

IT系统三大阶段：规划、建设和运维。IT系统真正产生价值是在运维阶段。没有运维好，建得再好的系统也产生不了业务价值。

传统的企业IT运维，多是凭借IT运维工程师的个人经验，加上各种监控工具的阈值告警，来满足日常IT设备的可靠运转和排障。

智能运维则是借助大数据处理和AI机器学习的赋能，对IT运维数据进行采集存储统一管理，并由算法实现告警收敛、异常检测、根因定位等智能化场景。从而让企业降低运维成本、并大大缩短平均故障处理时间

智能运维分层架构图