14、AIOps架构与AI赋能DevOps全解析

AIOps架构与AI赋能DevOps全解析

一、AIOps参考架构定义

AIOps旨在将人工智能融入IT运营，借助大数据分析和机器学习，提升系统运维效率。其关键性能指标包括平均检测时间（MTTD）、平均确认时间（MTTA）和平均解决时间（MTTR）。

AIOps系统通过收集和聚合来自多个系统和工具的数据，快速检测问题和异常。它将实时数据与反映系统原始期望状态的历史数据进行比较，通过机器学习自动采取措施缓解问题，最终实现事件预测和避免系统受影响。

AIOps的参考架构可通过四个层次来实现运营任务：
1. 收集（Collect） ：收集尽可能多来源的观测数据和参与数据，如系统指标、事件、日志以及服务台票务信息等，全部发送到AIOps系统的主要存储库——数据湖。
2. 组织（Organize） ：数据湖存储原始数据，保持原始数据格式不变。接下来需要对数据进行组织，因为AIOps访问的数据越多，其准确性就越高。但原始数据包含噪声，需要进行清理。同时，要对数据模型进行训练，让算法随着时间推移变得更准确。例如，服务器CPU使用率通常在20%左右，偶尔达到90%的峰值且时间很短是正常的，AIOps需要学习这些参数并过滤事件和日志数据。
3. 分析（Analyze） ：使用原始和清理后的结构化数据，通过机器学习和深度学习训练AI模型。将实时数据与历史数据（如原始配置、执行的更改和过去的事件）进行比较，使AIOps系统学习并呈现事件时间线，帮助操作员调查系统状态变化的时间和原因。
4. 行动（Act） ：经过