什么是智能运维：我对智能运维的理解

随着时代的发展，企业 IT 设施的规模不断扩大且复杂度日益增加，同时业务对系统稳定性的要求也愈发严苛。在这样的背景下，寻找更为高效的途径以保障业务稳定成为了当务之急。鉴于人工智能技术在其他行业的迅速发展和显著成效，运维领域的专家也开始积极运用这一技术，以应对运维保障过程中所面临的效率挑战。
那么，智能运维究竟是什么呢？在接下来的讲解中，我将为大家详细阐述何为智能运维。

智能运维能为我们做什么呢？

首先，我们需明确智能运维所能带来的益处。许多人会提及无人化运维，这确实是一个理想化的愿景，也是我们追求的最终目标。然而，就当前的技术发展水平而言，我们尚未达到这一境界。因此，在实施智能运维的过程中，我们必须根据具体的应用场景，设定切实可行的目标，并选用恰当的技术手段。接下来，我们来分享业内的几个例子：

Google 基于意图的容量规划

对于运维工程师而言，容量规划堪称一大挑战：

• 首要难题在于规划过程的冗长与复杂。收集充足数据以预测未来需求不仅繁琐，而且容易出错。此外，在寻找适当资源以满足预期需求时，还需面对资源选择的难题。
• 另一问题在于，该规划往往因微小变动而全盘崩溃。例如，用户数量的意外增长会导致需求激增，或者某个集群的资源延迟部署，进而影响到整体服务的冗余度和延迟要求。

运维工程师长期受到容量规划难度大和需求频繁变动的困扰。而 Google 工程师研发的 Auxon 系统，成功实现了容量规划的自动化，显著提升了工作效率。

阿里云的调度系统

在 2018 年的技术峰会上，阿里云揭晓了一套能够为其每年节约高达一亿基础设施成本的系统。该系统专注于优化 CPU 资源、内存资源以及网络费用，旨在最大化 CPU 和内存的使用效率，并且针对运营商的不同网络计费模式（如一次性缴费无上限使用或按需计费）进行了针对性的优化措施。

美团的支付通道自动化管理

在初期阶段，支付通道的首要任务是拓宽其覆盖范围，并提升用户支付成功的比率。然而，随着支付通道的陆续接入，由于公共网络环境、银行系统或第三方服务的不稳定，导致故障频率升高，故障时间延长。通过引入通道的自动化管理机制，我们成功地在以下三个方面取得了显著进步：降低了平均故障响应时间、减少了平均人力成本投入，以及缩短了平均故障恢复所需的时间。

该表格展示了美团内部的数据，清晰反映出三个关键指标均实现了数十倍的提升。

人工智能技术框架

以上三个案例充分证明了智能运维在运维工作中发挥的巨大作用。其实智能运维本质上就是人工智能在运维领域的应用。那么，首先让我们来了解一下什么是人工智能。中国电子技术标准化研究院发布的《人工智能标准化白皮书》对其进行了详细阐述：“人工智能是指通过数字计算机或其控制的机器来模拟、拓展和提升人类智能，包括感知周围环境、获取并应用知识，以达成最优结果的一系列理论、方法、技术和应用系统。”
然而，要实现这一目标，单一算法远远不够。一个完整的人工智能系统，是一个极为复杂的综合性方案。接下来，让我们一同深入剖析人工智能的整体技术架构。

上图展示了人工智能的技术架构，该架构由五个核心阶段构成：

• 第一阶段聚焦于智能信息感知。以智能驾驶为例，此阶段利用摄像头和毫米波雷达等传感器捕获外部的信息。
• 第二阶段聚焦于智能信息的表示与形成。从摄像头和雷达获取的原始二进制数据，需经历一系列的数据处理流程，以提炼出关键信息，诸如道路上行驶的车辆详情、交通标志牌的内容等。针对车辆信息，我们需要明确其位置、速度以及行进方向；而对于交通标志牌，则需准确识别其指示的转向信息，比如左转或右转。
• 第三阶段和第四阶段分别对应智能推理与智能决策。在智能驾驶的情境下，基于前两个阶段获取的道路、车辆等信息，系统需判断适宜的行驶速度、是否直行、左转或右转的角度以及是否刹车等。
• 最后一个阶段是智能执行与输出。在智能驾驶中，一旦系统做出决策，该决策将被传递给车辆的控制系统，由车辆执行相应的操作。

什么是智能运维

鉴于人工智能系统的复杂性，你或许会质疑智能运维是否只是追逐潮流、名不符实。然而，事实并非如此。本小节将详细阐述为何这一观点不成立。
首先，让我们先来回答一下什么是智能运维。基于前面讲的人工智能相关的一些概念，我个人理解是：智能运维是模拟和延伸运维工程师的操作或者行为，并且根据外部产生的数据或者信息，通过智能推理的算法，形成内部决策，并且反馈给外部环境。

接下来，我们根据上述人工智能技术框架，以质量保障为例，画出一张智能运维技术框架图（详见上图）。我们将结合人工智能技术框架图，对这张图进行详细的讲解：

• 智能信息感知对应智能运维的数据采集，主要是指监控数据的采集。监控数据采集手段非常多，包括各种编程语言的 SDK，各种类型的 agent，比如说日志采集 agent，网络探活 agent，服务探活 agent 等等。
• 智能信息的表示与形成与智能运维中的异常检测环节相对应。异常检测的核心任务是识别异常数据，并激活警报系统以发出警告。质量保障工作的目标是快速且准确地识别出故障，并确保故障能得到及时处理。这一过程依赖于从外部收集的数据，旨在迅速发现系统中的实际或潜在异常点，并立即触发警报。当前，异常检测的研究主要集中在两个方向：一是针对时序数据的异常检测，二是针对日志文本的异常检测。当然，除了基于监控数据的异常检测外，异常检测还广泛应用于其他领域，如基站数据的质量分析。
• 智能推理在智能运维中对应于根因分析环节。根因分析指的是利用软件手段分析出产生故障的根本原因。根因分析是一个非常复杂系统，可以细分出很多的业务场景。比如说基于告警数据的根因分析、时序数据维度下钻、基于日志的根因分析。从技术上来讲，根因分析的分为实时分析和离线分析两种。实时分析旨在故障发生后一分钟内迅速确定其根本原因。然而，由于诸如算法复杂度、算力受限等种种因素，有时可能无法在一分钟内提供满足需求的信息，因此需要通过离线分析手段进行补充。
• 智能决策对应智能运维的自恢决策。一旦系统分析出根因，我们的目标是能够自动的恢复故系统故障。但是这个时候，如果直接恢复，有可能会小故障变成大故障，因此我们需要对当前故障做评估，比如说我们要判断当前产生这个故障的服务的重要程度，它的影响面，还有我们的产品跟客户的协议等等，最后才能得出结论，我们当前该怎么做。
• 智能执行与输出对应智能运维是自恢执行。简单来说就是一旦做出了具体操作的决定，比如说重启服务，那么我们会有一套专门的自恢平台执行跟重启服务相关的脚本。同时自恢平台还需要监控自恢的执行过程，以及验证自恢的结果，如果自恢失败，还需要通知人工介入处理。

如果想对智能运维做进一步了解的，欢迎移步我在《极客时间》的专栏《智能运维（AIOps）入门指南》。

通过课程，你将会学到：

从业务、产品、数据、算法、工程这五个核心方面，全面剖析智能运维的实施路径；
掌握不同运维业务场景下所需采用的算法策略；

智能运维研究方向

现阶段智能运维的研究方向有三个，第一个是质量保障，第二是成本管理，第三是效率提升。

• 质量保障的目标是快速准确的发现系统故障并且恢复。
• 成本管理的目标是能够用尽可能少的资源承载尽可能多的业务。
• 效率提升的目标是把一些常规的重复性的工作自动化掉，比如说智能问答，开发人员常见的一些咨询问题，可以通过问答机器人回复，不需要人工的介入。
  

质量保障方向有四个研究的子领域：

• 异常检测分为时序指标异常检测，日志文本异常检测。时序指标异常检测是基于监控采集的结构化数据，分析出异常波动，比如说突升突降。日志文本异常检测，比如说订单创建失败的日志，能够及时从日志中挖掘出来，并且通知给相关的开发人员做处理。
• 根因分析的场景有非常多。a. 基于告警的根因分析：我们同一时间接收到 1000 个告警，甚至是 2000 个告警，系统自动分析出产生这么多告警的根因告警是哪一个，或者哪几个。b. 基于时序数据的根因分析：当用户访问量突然下降了，我们需要进一步分析出是安卓平台引起的苹果 ios 引起的，或者说是广西的电信引起的，还是江西的移动引起的。c. 基于日志的根因分析：当系统出现故障的时候，从日志中分析出故障原因。
• 故障预测的场景也有很多，比如说磁盘故障预测。磁盘故障预测指的是通过操作系统拿到磁盘的各种各样的状态，以此来预测这个磁盘在未来一个月或者半年之内，出故障的可能性。
• 故障自愈，目前常见的故障自愈场景有磁盘清理，服务切换，版本回退等等。

成本管理方向也有四个研究的领域：

• 成本报表指的是通过数据报表的方式，从不同的维度去评估当前资源的负载或者空闲率。比如说，我们可以从硬件资源的角度来评估当前资源的使用率，也可以从业务的角度来评估当前该业务的资源使用率和成本预算，也可以从部门或个人的角度去做分析。
• 资源优化指的是基于不同服务的资源需求，采用不同的硬件资源，以此来降低硬件成本。现阶段服务的类型可以分为计算密集型、内存密集型和 io 密集型。计算密集型分为 CPU 和 GPU， IO 密集型分为磁盘 io 的网络 io。
• 容量规划跟业务紧密关联，如果资源过多，会造成资源浪费，成本上升，资源过少又会影响到业务。因此，我们需要建立容量预测模型，以此来准确的评估未来一个周期或者未来一年之内，我们需要多少的资源。
• 性能优化，比如说操作系统参数调整。我们可以根据当前服务器上服务的特点，自动对操作系统的参数做调整，以此来提升服务的性能。比如说实时业务和批处理业务，操作系统的参数差别是很大的。

效率提升方向也有四个研究领域：

• 智能预测包括容量预测。容量预测，指的是针对一个特定的业务，评估未来一段时间之内需要增加多少的资源。
• 智能变更包括应用变更。针对当前的发布变更需求，评估此次变更的风险程度，以及需要采取的一些预案措施。或者说采取一些特定的变更策略来提升变更效率。
• 智能问答包括问答机器人。对于一个产品的开发人员或者运维人员，可以针对用户提出的一些常见问题，可以事先写好文档，通过问答机器人自动回复。
• 智能决策包括扩缩容决策和智能调度。扩缩容决策指的是当资源负载达到某一个阈值的时候，可以自动做出扩容的决策，或者是资源负载低于某一个阈值的时候，可以做出缩容决策。扩缩容同样也需要做风险评估。智能调度指的是基于一些特定的业务需求，针对性的设计部署方案并执行。

我们需要智能运维吗？

当前市场上存在一种误解，认为智能运维只能依托成熟的云平台实现，这完全是错误的观念！
首先，我们需明确的是，并非实现了无人运维才叫智能运维。以智能驾驶为例，自动泊车便是智能驾驶功能的重要组成部分，而非要求驾驶者能在车内完全放松、无需关注才算是智能驾驶。从前文的讨论中，我们可以清晰地看到，智能运维涵盖了众多研究领域和丰富的应用场景，比如异常检测，这一功能仅需依赖监控系统和日志系统收集的数据即可实现。
那么，问题随之而来：我们是否真的需要智能运维？又或者说，在何种情况下需要引入智能运维？这主要取决于业务系统的规模和发展需求。

• 起初，当机器数量较少，如五台、十台时，开发人员亲自进行维护工作便绰绰有余。
• 然而，随着服务器规模的不断扩张，系统复杂度也随之急剧上升，比如达到 100 台机器时，组建专业的运维团队就显得尤为必要。这个团队将负责基础设施运维、业务运维以及技术支撑（涵盖监控服务和日志服务等）。
• 当硬件和软件规模进一步扩大，系统可用性要求日益提高时，单纯依靠人工运维已难以满足业务需求。此时，运维平台的引入成为关键，它主要承担以下功能：实现运维工作的规范化（如发布变更需经过审批流程）、确保系统稳定性（如监控和告警功能）、以及进行成本管理（如资源报表统计）等。
• 随着业务规模的不断增长，算法的应用已成为提高效率的关键因素，标志着进入了智能运维的新阶段。例如，在运维工程师每日需处理成千上万乃至数十万告警的情况下，传统技术手段已难以应对，这时就需要借助强大的根因分析能力来显著提升故障排查的效率。

小结

好了，这就是今天的主要内容。最后我们一起来回顾一下。
首先，我们概述了人工智能的概念与技术架构，强调其远非单一或少数算法的简单集合，而是涉及数据采集、知识提取、智能推理、决策制定、执行与输出结果的全过程。这一理念同样适用于智能运维领域。以质量保障为例，智能运维体系涵盖了系统监控、异常检测、根因分析、自我恢复决策与执行等多个环节。并且，这些流程中的每一个都可以进一步细化为多种业务场景，每个场景下的算法策略都可能各具特色。
接下来，我们探讨了智能运维引入时机的合理性。必须明确的是，智能运维的开发伴随着成本投入，从商业效益的角度考量，若开发成本超出了预期收益，那么引入智能运维便显得缺乏经济性。因此，智能运维的应用对业务规模和系统规模有着一定的要求。只有当业务和系统规模达到一定水平时，智能运维才具备在这片沃土上持续发展的潜力。