智能运维（AIOps）时代开启，一文帮你快速了解其定义与发展现状

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?

作者：博文视点

链接：https://www.jianshu.com/p/0ade93c5fc52