在互聯(lián)網(wǎng)圈兒內(nèi)有一號(hào)人，他們的存在就像Wi-Fi，在的時(shí)候你感覺不到，但要是沒了卻非常著急，他們就是運(yùn)維。服務(wù)在線上不可用了，找運(yùn)維；網(wǎng)不好使了，找運(yùn)維。

運(yùn)維就是管機(jī)器、管網(wǎng)絡(luò)、管服務(wù)的人。運(yùn)維的發(fā)展分三個(gè)階段。

第一階段之手工運(yùn)維，早期的時(shí)候互聯(lián)網(wǎng)發(fā)展的比較緩慢、各網(wǎng)站接入的網(wǎng)民數(shù)量比較少，依靠運(yùn)維人員手工即可保障業(yè)務(wù)系統(tǒng)的正常運(yùn)行。

第二階段之自動(dòng)化運(yùn)維，這一階段互聯(lián)網(wǎng)開始進(jìn)入高速發(fā)展階段，依靠手工效率低、成本高，通過對(duì)業(yè)務(wù)行業(yè)領(lǐng)域知識(shí)和運(yùn)維場(chǎng)景領(lǐng)域知識(shí)的把控來預(yù)定義自動(dòng)觸發(fā)的腳本來執(zhí)行常見的、重復(fù)性的運(yùn)維工作。

第三階段之Aiops智能運(yùn)維，通過機(jī)器學(xué)習(xí)算法自動(dòng)的從海量運(yùn)維數(shù)據(jù)中不斷的學(xué)習(xí)，結(jié)合領(lǐng)域?qū)＜业闹笇?dǎo)不斷訓(xùn)練模型，最終通過模型來分析決策，達(dá)到智能運(yùn)維。

Aiops所要實(shí)現(xiàn)的目標(biāo)有五個(gè)，即異常檢測(cè)、故障預(yù)測(cè)、容量規(guī)劃、瓶頸分析、助力運(yùn)營(yíng)。而要做Aiops，最基本也最重要的便是數(shù)據(jù)，在IT系統(tǒng)中總共會(huì)產(chǎn)生五類數(shù)據(jù)：機(jī)器數(shù)據(jù)、網(wǎng)絡(luò)數(shù)據(jù)、代理數(shù)據(jù)、探針數(shù)據(jù)。

機(jī)器數(shù)據(jù)是IT系統(tǒng)自己產(chǎn)生的數(shù)據(jù)，包含客戶端、服務(wù)器、網(wǎng)絡(luò)設(shè)備、安全設(shè)備、應(yīng)用程序、傳感器產(chǎn)生的日志。

網(wǎng)絡(luò)數(shù)據(jù)是網(wǎng)絡(luò)通信過程中產(chǎn)生的數(shù)據(jù)（從數(shù)據(jù)鏈路層到應(yīng)用層產(chǎn)生的數(shù)據(jù)），通過將網(wǎng)絡(luò)端口的數(shù)據(jù)拷貝一份獲取數(shù)據(jù)；代理數(shù)據(jù)則是通過在應(yīng)用程序中插入代理程序，獲取應(yīng)用程序中函數(shù)調(diào)用次數(shù)時(shí)長(zhǎng)、調(diào)用堆棧等數(shù)據(jù)；探針數(shù)據(jù)則是通過撥測(cè)模擬用戶請(qǐng)求對(duì)系統(tǒng)進(jìn)行檢測(cè)獲得的數(shù)據(jù)。通過獲取到用戶產(chǎn)生的瀏覽器/app數(shù)據(jù)（如使用系統(tǒng)版本、運(yùn)營(yíng)商、PV、UV）、后端調(diào)用數(shù)據(jù)（如調(diào)用鏈、函數(shù)執(zhí)行堆棧）、網(wǎng)絡(luò)傳輸數(shù)據(jù)（如tcp建鏈時(shí)長(zhǎng)、網(wǎng)絡(luò)傳送接收包）、基礎(chǔ)設(shè)施數(shù)據(jù)（如cpu、內(nèi)存、磁盤、網(wǎng)絡(luò)）,我們便可以全鏈路的從前端到中端再到后端追蹤用戶請(qǐng)求，實(shí)現(xiàn)故障的快速定位、影響范圍判斷。

通過對(duì)歷史數(shù)據(jù)的分析，可以快速了解系統(tǒng)瓶頸、熱點(diǎn)數(shù)據(jù)、異常事件關(guān)聯(lián)。有了歷史數(shù)據(jù)和當(dāng)前數(shù)據(jù)，我們便可以對(duì)未來進(jìn)行預(yù)測(cè)，實(shí)現(xiàn)故障預(yù)測(cè)、容量預(yù)測(cè)、趨勢(shì)預(yù)測(cè)等，真正的把人解放出來，讓人工智能服務(wù)于生產(chǎn)生活。

AIops雖是良藥，但卻不可盲目追從，需根據(jù)企業(yè)目前情況進(jìn)行確定，Aiops落地的難點(diǎn)有三個(gè)：數(shù)據(jù)獲取與管理、人工智能算法、專家。

對(duì)于數(shù)據(jù)獲取，由于中國(guó)互聯(lián)網(wǎng)發(fā)展時(shí)間還比較短，而且是粗獷式發(fā)展，因此運(yùn)維監(jiān)控體系是不夠完善的，比如有的企業(yè)，沒有任何業(yè)務(wù)監(jiān)控系統(tǒng)或只有部分系統(tǒng)導(dǎo)致采集的數(shù)據(jù)不夠全面，有的企業(yè)監(jiān)控的指標(biāo)深度不夠?qū)е玛P(guān)鍵指標(biāo)不能識(shí)別從而不能智能分析。

對(duì)于數(shù)據(jù)管理，在整個(gè)aiops中采集了各種類型的、大量的數(shù)據(jù)，這需要系統(tǒng)能夠處理并存儲(chǔ)各種樣式的數(shù)據(jù)，還需要提供強(qiáng)大的實(shí)時(shí)分析搜索能力，需要對(duì)數(shù)據(jù)生命周期進(jìn)行管理，這塊非常具有挑戰(zhàn)。

對(duì)于人工智能算法，在智能運(yùn)維領(lǐng)域常見的算法包括邏輯回歸、關(guān)聯(lián)關(guān)系挖掘、聚類、決策樹、隨機(jī)森林、支持向量機(jī)、蒙特卡洛樹搜索、隱式馬爾科夫、多示例學(xué)習(xí)、遷移學(xué)習(xí)、卷積神經(jīng)網(wǎng)絡(luò)等，隨著技術(shù)的發(fā)展，運(yùn)維分析將采用越來越先進(jìn)的機(jī)器學(xué)習(xí)算法。在處理運(yùn)維工單和人機(jī)界面時(shí)，自然語言處理和對(duì)話機(jī)器人也被廣泛應(yīng)用。

對(duì)于專家，我們可以把其細(xì)分為行業(yè)專家（如電商領(lǐng)域、金融領(lǐng)域、教育領(lǐng)域等）、運(yùn)維專家（熟悉各種運(yùn)維場(chǎng)景），而這兩方面的人才都是非常匱乏的，只靠人工智能算法去學(xué)習(xí)分析，沒有專家的指導(dǎo)是不足夠的。

運(yùn)維界把Aiops設(shè)定為解決運(yùn)維問題的必然方向，現(xiàn)在頭部互聯(lián)網(wǎng)公司如阿里、騰訊、百度、頭條、美團(tuán)、滴滴等也均在搭建自己的Aiops平臺(tái)，通過融合各種IT數(shù)據(jù)，真正打破數(shù)據(jù)煙囪，對(duì)監(jiān)控，自動(dòng)化、服務(wù)進(jìn)行支持，使得IT能夠更好的支撐業(yè)務(wù)，利用大數(shù)據(jù)技術(shù)以及機(jī)器學(xué)習(xí)技術(shù)，回答以前很多單從業(yè)務(wù)口徑，或者單從IT口徑無法回答的問題，加快企業(yè)在競(jìng)爭(zhēng)激烈的市場(chǎng)環(huán)境中占據(jù)一席之地。

自人工智能打敗阿爾法狗的那天開始，它必定會(huì)涉及到我們工作和生活的方方面面，與不同領(lǐng)域擦出不同的火花，關(guān)于現(xiàn)在智能家居、智慧交通、智慧旅游、智能運(yùn)維等都在快速建設(shè)中，關(guān)于未來，我們充滿信心和期待～