——AIOps如何實(shí)現(xiàn)從“警報疲勞”到“根因分析”的智能化飛躍
各位CIO、CTO和運(yùn)維負(fù)責(zé)人：
AI的第一個重大應(yīng)用領(lǐng)域，正是孕育它的“母體”——計(jì)算機(jī)系統(tǒng)。
與自動駕駛汽車需要應(yīng)對大霧和任性的行人不同，計(jì)算機(jī)系統(tǒng)中精確的硬編碼數(shù)據(jù)，能促成更明確的決策。這使得DevOps（運(yùn)維開發(fā)）領(lǐng)域成為探索人工智能強(qiáng)大功能的絕佳“試驗(yàn)場”。
如今，我們不再滿足于簡單的自動化，而是在尋求AIOps（人工智能運(yùn)維）的智能化轉(zhuǎn)型。AIOps正在將運(yùn)維團(tuán)隊(duì)從“救火隊(duì)員”的角色中解放出來，其核心目標(biāo)是：實(shí)現(xiàn)預(yù)測式監(jiān)控和系統(tǒng)“自我修復(fù)”。
以下是AIOps如何重塑IT運(yùn)維的三個關(guān)鍵轉(zhuǎn)變。
AIOps不再是等問題發(fā)生后才通知你。它正在利用AI算法，在災(zāi)難發(fā)生前就提前干預(yù)。
警報降噪與預(yù)測：AIOps體系的很大一部分功能都用于管理警報，確保只有最嚴(yán)重的問題才會打斷會議或美夢。工具能夠根據(jù)歷史數(shù)據(jù)并結(jié)合季節(jié)和時間因素，構(gòu)建性能預(yù)測，一旦指標(biāo)偏離正常范圍，就會觸發(fā)警報。
根本原因分析（RCA）：復(fù)雜的AIOps工具具備“根本原因分析”功能。它能夠生成流程圖，追蹤一個故障（例如：數(shù)據(jù)庫過載）如何在現(xiàn)代企業(yè)應(yīng)用的各種機(jī)器中蔓延（例如：導(dǎo)致API網(wǎng)關(guān)變慢，進(jìn)而使網(wǎng)絡(luò)服務(wù)凍結(jié)）。這種自動記錄的工作流程目錄，能幫助團(tuán)隊(duì)更快地找出潛在問題。
實(shí)現(xiàn)“自我修復(fù)”：最終目標(biāo)是系統(tǒng)能夠自動運(yùn)行，自行處理更多IT工單。例如，經(jīng)過適當(dāng)配置的Dynatrace Davis核心AI，可以自動觸發(fā)諸如重啟實(shí)例等操作來解決問題，無需等待人工介入。
生成式人工智能（GenAI）正在進(jìn)入AIOps平臺，重塑人機(jī)交互界面。
對話式交互：員工能夠使用自然語言與工具進(jìn)行更流暢的對話式交互。雖然討論的內(nèi)容仍然涉及底層系統(tǒng)的技術(shù)細(xì)節(jié)，但交流方式采用的是自然語言，而非像SQL那樣的編程語言。
平民化與爭議：一些AIOps工具用戶認(rèn)為，這將使工作更加“平民化”（democratizing），讓那些可能沒有接受過太多專業(yè)培訓(xùn)的人也能管理IT系統(tǒng)。但另一些人則覺得，如果討論的核心仍然是部署的具體細(xì)節(jié)，便捷的交互界面帶來的改變不大。
【顧問洞察】盡管有爭議，但這種對話式界面很難讓人抗拒。它降低了學(xué)習(xí)門檻，使運(yùn)維團(tuán)隊(duì)能夠更專注于解決問題，而非學(xué)習(xí)復(fù)雜的編程或查詢語言。
數(shù)據(jù)連接的多樣性：平臺的價值取決于它能從企業(yè)系統(tǒng)的各個角落收集多少數(shù)據(jù)。你需要評估每個平臺與自身特定數(shù)據(jù)庫和服務(wù)的集成效果。
架構(gòu)的起源與核心能力：平臺是基于歷史監(jiān)控系統(tǒng)（后融入AI）構(gòu)建，還是起源于AI實(shí)驗(yàn)室？核心AI是確定性AI（如Dynatrace Davis，能夠準(zhǔn)確找出根本原因），還是概率性AI？
閉環(huán)自動化與降噪：平臺是否能提供閉環(huán)自動化（如Digitate ignio，能主動處理40%的問題），同時優(yōu)先致力于減少“警報疲勞”（如LogicMonitor，避免鋪天蓋地的“警報風(fēng)暴”）？
AIOps是DevOps實(shí)踐的自然延伸，它正在將IT運(yùn)維從一個純粹的“成本中心”轉(zhuǎn)化為一個保障企業(yè)系統(tǒng)平穩(wěn)運(yùn)行的“智能引擎”。
圖源：Rob Schultz / Shutterstock
人工智能（AI）的首個重大應(yīng)用領(lǐng)域正是孕育它的“母體”。計(jì)算機(jī)系統(tǒng)中充斥著硬編碼數(shù)據(jù)，非常適合應(yīng)用數(shù)據(jù)驅(qū)動的機(jī)器學(xué)習(xí)算法。自動駕駛汽車需要應(yīng)對大霧、任性的行人以及降雨等復(fù)雜情況。然而，計(jì)算機(jī)系統(tǒng)本身所包含的精確數(shù)值能促成明確的決策。這些決策或許并不總是簡單直接，但相比在暴風(fēng)雪中操控汽車要容易得多。
在DevOps（運(yùn)維開發(fā)）領(lǐng)域，人工智能的應(yīng)用潛力尤為顯著。DevOps是一個數(shù)據(jù)豐富的后臺實(shí)踐領(lǐng)域，為探索人工智能的強(qiáng)大功能提供了絕佳的“試驗(yàn)場”。如今，負(fù)責(zé)運(yùn)維的團(tuán)隊(duì)有了越來越多打著AIOps（人工智能運(yùn)維）旗號的省力且提效的工具和平臺可供選擇，這些工具都承諾將最先進(jìn)的人工智能算法應(yīng)用于維護(hù)IT基礎(chǔ)設(shè)施的工作中。
一、 AIOps平臺的功能
AIOps最基本的任務(wù)之一是加快軟件部署到云實(shí)例的速度。運(yùn)維開發(fā)團(tuán)隊(duì)的所有工作都可以借助更智能的自動化技術(shù)得到優(yōu)化，這些技術(shù)能夠監(jiān)控負(fù)載、預(yù)測需求，甚至在請求量激增時啟動新的實(shí)例。
智能的AIOps工具能夠預(yù)測機(jī)器負(fù)載，并實(shí)時監(jiān)測是否有任何情況偏離預(yù)期。異常情況可能會觸發(fā)警報，通過電子郵件、Slack消息發(fā)送通知；如果偏差足夠大，甚至?xí)l(fā)出傳呼提醒。AIOps體系的很大一部分功能都用于管理警報，確保只有最嚴(yán)重的問題才會打斷會議或美夢。
這些監(jiān)測異常水平或活動的方法有時也用于加強(qiáng)安全性，這是一項(xiàng)更具挑戰(zhàn)性的任務(wù)，使得一些AIOps工具同時成為安全人員和運(yùn)維開發(fā)團(tuán)隊(duì)關(guān)注的對象。
復(fù)雜的AIOps工具還具備“根本原因分析”功能，能夠生成流程圖，追蹤問題如何在現(xiàn)代企業(yè)應(yīng)用的各種機(jī)器中蔓延。例如，數(shù)據(jù)庫過載會導(dǎo)致API網(wǎng)關(guān)變慢，進(jìn)而使某個網(wǎng)絡(luò)服務(wù)凍結(jié)。這些自動記錄的工作流程目錄可以通過記錄和追蹤問題鏈，幫助團(tuán)隊(duì)更快地找出潛在問題。
最近，關(guān)于“自我修復(fù)” 系統(tǒng)的討論越來越多，這類系統(tǒng)能夠自動運(yùn)行。一些管理人員對給予AIOps系統(tǒng)過多自主權(quán)感到不安，而另一些人則著迷于機(jī)器能夠自行處理更多IT工單的能力。
二、 生成式人工智能：AIOps界面的演變
一些AIOps平臺正在集成更多生成式人工智能工具，使員工能夠使用自然語言與工具進(jìn)行更流暢的對話式交互。雖然討論的內(nèi)容仍然涉及底層系統(tǒng)的技術(shù)細(xì)節(jié)，但交流方式采用的是自然語言，而非像SQL那樣的編程語言。
對于這一演變，人們看法不一。一些AIOps工具用戶認(rèn)為，這將使工作更加“平民化”，讓那些可能沒有接受過太多專業(yè)培訓(xùn)的人也能管理IT系統(tǒng)。另一些人則覺得，如果討論的核心仍然是部署的具體細(xì)節(jié)，那么即使使用自然語言與AIOps平臺交互變得更便捷，也不會帶來太大改變。對話的本質(zhì)依然非常專業(yè)。不過，即便有些人對生成式人工智能的必要性存疑，這種對話式界面還是很難讓人抗拒。
三、 評估AIOps平臺時應(yīng)考慮的因素
本次調(diào)研中的許多工具都是基于歷史悠久的監(jiān)控系統(tǒng)構(gòu)建的。它們最初是用于追蹤復(fù)雜企業(yè)系統(tǒng)中的事件，如今已融入了人工智能技術(shù)。也有少數(shù)工具起源于人工智能實(shí)驗(yàn)室，而后逐步向外拓展應(yīng)用。無論哪種情況，評估這些平臺時，人們都需要關(guān)注收集數(shù)據(jù)的連接器的多樣性。
不同的AIOps平臺與企業(yè)現(xiàn)有系統(tǒng)的集成程度各不相同。所有平臺都提供了一套基本的數(shù)據(jù)收集途徑，但某些連接器的性能更優(yōu)。任何考慮采用AIOps平臺的企業(yè)都需要評估每個平臺與自身特定數(shù)據(jù)庫和服務(wù)的集成效果。
四、 當(dāng)前領(lǐng)先的AIOps平臺
以下是14款領(lǐng)先的AIOps工具，它們能簡化維護(hù)企業(yè)IT基礎(chǔ)設(shè)施平穩(wěn)運(yùn)行的工作。
IBM Watson Cloud Pak for AIOps：IBM通過將其通用的Watson品牌人工智能與更大的云服務(wù)業(yè)務(wù)集成，創(chuàng)建了Watson Cloud Pak for AIOps工具。該工具為從云監(jiān)控軟件收集的數(shù)據(jù)提供自動根本原因分析。他們聲稱，人工智能可以將事件響應(yīng)從瘋狂的責(zé)任追查轉(zhuǎn)變?yōu)榻y(tǒng)一的、由信息驅(qū)動的解決方案大會戰(zhàn)。Watson持續(xù)監(jiān)控事件流，直到事件達(dá)到可配置的嚴(yán)重程度級別。然后，Watson會以一組可編程的基本警報或自動響應(yīng)進(jìn)行回應(yīng)。IBM已將該工具的結(jié)果與其他云平臺包集成，包括網(wǎng)絡(luò)、業(yè)務(wù)和機(jī)器人流程自動化等平臺包。
BMC Helix：ITSM（IT服務(wù)管理）專業(yè)人員經(jīng)常借助BMC Helix平臺來管理問題和系統(tǒng)演進(jìn)。BMC基于人工智能的解決方案既注重根本原因分析，又提供對話式界面，幫助團(tuán)隊(duì)各級人員診斷和解決問題。BMC Helix平臺不僅專注于AIOps和后端工作流程，還有與客戶服務(wù)管理和SecOps（安全運(yùn)維）緊密集成的產(chǎn)品，以支持對外業(yè)務(wù)。
Datadog：Datadog一直在其性能管理套件中添加如Watchdog或Bits等人工智能工具，以便在性能開始下降時，運(yùn)維開發(fā)團(tuán)隊(duì)能收到更智能的預(yù)警。這些工具包含一系列基于機(jī)器學(xué)習(xí)的選項(xiàng)，可根據(jù)歷史記錄并結(jié)合季節(jié)和時間因素調(diào)整來構(gòu)建性能預(yù)測。如果諸如延遲、內(nèi)存消耗或網(wǎng)絡(luò)帶寬等指標(biāo)偏離正常范圍，就會觸發(fā)警報。Datadog正在增加更多自主性服務(wù)，使工具能夠自主運(yùn)行，減少人工干預(yù)的需求。該公司還提供一些功能的預(yù)覽訪問權(quán)限，這些功能可以分析代碼甚至重寫代碼以消除錯誤。該工具與Datadog的安全檢測系統(tǒng)集成，可與虛擬機(jī)、云實(shí)例和無服務(wù)器函數(shù)協(xié)同工作。
Digitate ignio：Digitate公司的ignio AIOps平臺專注于閉環(huán)自動化，為IT和業(yè)務(wù)運(yùn)營帶來敏捷性和彈性。它主要監(jiān)控企業(yè)內(nèi)外部業(yè)務(wù)健康狀況，同時優(yōu)化成本，特別是在云計(jì)算環(huán)境中。該公司估計(jì)，其自主工具集在典型配置下能夠主動處理40%的問題，并減少60%的人工工作量。它擁有數(shù)百種集成方式，并提供一個低代碼工具用于添加其他集成。該公司的其他產(chǎn)品還包括針對ERPOps（企業(yè)資源計(jì)劃運(yùn)維）和采購中的工作負(fù)載管理、問題跟蹤與解決的類似解決方案。
Dynatrace：Dynatrace的核心有三大戰(zhàn)略技術(shù)：Analytics（分析）、AI（人工智能）和Automation（自動化）。機(jī)器學(xué)習(xí)和LLMs（大語言模型）是其功能全面的監(jiān)控工具的一部分，用于跟蹤基于云的虛擬機(jī)、容器和其他無服務(wù)器解決方案。輸入日志文件、事件報告和其他觸發(fā)因素，就能得到該公司所稱的“精確的、由人工智能驅(qū)動的答案”。其核心包括一組代理，可通過編程來監(jiān)控特定事件或事件集合。其核心人工智能名為Davis，這是一個確定性人工智能，能夠構(gòu)建流程圖和樹形結(jié)構(gòu)，從而準(zhǔn)確找出任何異?；蚬收系母驹?。Davis與Grail（一個充滿遙測數(shù)據(jù)的數(shù)據(jù)湖倉）、SmartScape（一個用于繪制企業(yè)拓?fù)浣Y(jié)構(gòu)的工具）和AutomationEngine（一個用于整合收集到的信息的工具）協(xié)同工作。經(jīng)過適當(dāng)配置，它可以自動觸發(fā)諸如重啟實(shí)例等操作來解決問題，而無需等待人工介入。
GitHub Copilot：大多數(shù)AIOps工具旨在幫助已上線運(yùn)行的軟件。而GitHub Copilot在軟件開發(fā)過程中更早介入，在編寫代碼時提供幫助。正如該公司的廣告語所說：“讓你的編輯器成為最強(qiáng)大的加速器”。該工具會觀察程序員輸入的內(nèi)容，并給出代碼補(bǔ)全建議。Copilot基于大量開源代碼進(jìn)行訓(xùn)練，其給出的建議具有一定的現(xiàn)實(shí)依據(jù)。不過，對于新代碼的最終作者是誰、能否信任人工智能以及數(shù)百萬開源程序員是否應(yīng)因提供幫助而獲得贊譽(yù)或認(rèn)可，仍存在疑問。答案或許是“有可能”。一個更大的問題是：Copilot對代碼的理解究竟有多深入，它是否真的比自動補(bǔ)全功能強(qiáng)很多？答案是：大多數(shù)時候Copilot確實(shí)更勝一籌。
BigPanda：BigPanda專注于檢測異常行為，并協(xié)調(diào)負(fù)責(zé)解決問題的團(tuán)隊(duì)。其同名平臺提供根本原因分析和主動事件檢測功能，可與主要云服務(wù)提供商集成。它的L1自動化功能能夠在問題出現(xiàn)后承擔(dān)更多工作，借助人工智能驅(qū)動的自動化加速做出更明智的決策。BigPanda通過為Jira或ServiceNow等系統(tǒng)創(chuàng)建工單、發(fā)送警報，并提供針對根本原因的包含回滾策略的工作流計(jì)劃，簡化了IT工作流程。其目標(biāo)是創(chuàng)建一個智能知識圖譜，使其了解不斷發(fā)展的企業(yè)系統(tǒng)，并為保持系統(tǒng)平穩(wěn)運(yùn)行提供智能方案。
LogicMonitor：LogicMonitor是一個混合可擴(kuò)展平臺，可從企業(yè)系統(tǒng)的各個角落收集遙測數(shù)據(jù)，從數(shù)據(jù)庫、數(shù)據(jù)湖到網(wǎng)絡(luò)和虛擬機(jī)，涵蓋云服務(wù)和本地機(jī)器。來自3000多個集成收集器的所有這些數(shù)據(jù)會使用標(biāo)準(zhǔn)規(guī)則和一組智能人工智能進(jìn)行分類、分析和異常監(jiān)測。該平臺將根本原因檢測器與基于歷史數(shù)據(jù)調(diào)整的動態(tài)閾值的警報系統(tǒng)捆綁在一起。其早期預(yù)警系統(tǒng)依賴于一個預(yù)測模塊，該模塊利用歷史數(shù)據(jù)來計(jì)算延遲、帶寬和其他指標(biāo)的閾值。LogicMonitor優(yōu)先致力于減少“警報疲勞”，避免鋪天蓋地的“警報風(fēng)暴”，幫助團(tuán)隊(duì)將精力集中在真正異常的行為上。
Moogsoft：Moogsoft如今是Dell Technologies（戴爾科技集團(tuán)）的一部分，它是一款專門的AIOps解決方案，可與主要的性能監(jiān)控工具集成，如New Relic、Datadog、AWS Cloudwatch和AppDynamics。該產(chǎn)品將數(shù)據(jù)通過一個管道進(jìn)行處理，對事件進(jìn)行去重，用來自其他來源的上下文數(shù)據(jù)豐富這些事件，并在發(fā)出警報之前對數(shù)據(jù)進(jìn)行關(guān)聯(lián)分析。其人工智能引擎運(yùn)用生成式人工智能進(jìn)行解釋，并使用各種統(tǒng)計(jì)和聚類算法，將新警報置于歷史行為的背景中進(jìn)行分析。其目標(biāo)是“降噪”，減少人們在理解警報時面臨的困擾。
New Relic：當(dāng)問題出現(xiàn)時，New Relic使用人工智能引擎分析從一系列云跟蹤工具（如Splunk、Grafana和AWS的CloudWatch）收集的性能數(shù)據(jù)。該工具可以針對各種潛在嚴(yán)重程度的事件配置靈活的敏感度級別。例如，你可以告訴New Relic，一個低優(yōu)先級錯誤只有在15分鐘內(nèi)多次出現(xiàn)時才觸發(fā)警報。但是，像服務(wù)器崩潰這樣的高優(yōu)先級事件會立即觸發(fā)傳呼警報。問題日志會跟蹤所有事件，并包含一份關(guān)聯(lián)決策報告，該報告詳細(xì)列出了人工智能發(fā)出警報過程中所采取的邏輯步驟?？蛻艨梢酝ㄟ^多種方式自定義歷史數(shù)據(jù)的存儲方式，以便進(jìn)行分析和檢索。其目標(biāo)是盡量縮短mean time to detection/MTTD（平均檢測時間），并為人工提供足夠支持，以減少mean time to investigate/MTTI（平均調(diào)查時間）和mean time to resolve/MTTR（平均解決時間）。
PagerDuty：從名字來看，PagerDuty似乎主要是為了叫醒人來解決IT問題。但如今情況已有所不同，PagerDuty宣稱它“由人工智能驅(qū)動”，能夠在呼叫人工之前做出一些決策。該系統(tǒng)非常注重將事件響應(yīng)的大部分流程自動化，無論是內(nèi)部問題還是客戶通過其客戶支持門戶提出的問題。
ServiceNow：ServiceNow構(gòu)建的平臺致力于提供大量人工智能代理來處理任何企業(yè)事務(wù)，其中一些事務(wù)與AIOps相關(guān)。例如，ITOM（IT運(yùn)維管理）套件將機(jī)器學(xué)習(xí)與工作流自動化相結(jié)合，根據(jù)過去的經(jīng)驗(yàn)仔細(xì)監(jiān)控并快速做出響應(yīng)。人工智能控制塔將所有代理連接到一個中央樞紐，該樞紐可以回答關(guān)于云穩(wěn)定性的基本問題，以及關(guān)于治理和管理的更復(fù)雜問題。ServiceNow的目標(biāo)是全面掌控企業(yè)系統(tǒng)的幾乎每個方面。
ScienceLogic：ScienceLogic的Skylar One平臺旨在提供一組智能監(jiān)測工具，用于監(jiān)控企業(yè)云，并在必要時進(jìn)行干預(yù)。該產(chǎn)品針對復(fù)雜的混合環(huán)境構(gòu)建一個完整的模型，為任何人工智能和監(jiān)管人員提供理解系統(tǒng)運(yùn)行狀況（以及出現(xiàn)問題時了解故障情況）所需的背景信息。該平臺內(nèi)值得注意的工具包括一個用于以傳統(tǒng)方式自動化工作流的低代碼工具，以及Skylar Advisor，這是一個由人工智能驅(qū)動的工具，可提供有關(guān)如何解決問題的建議。使用Skylar Analytics的實(shí)時儀表板為人們提供有關(guān)正在發(fā)生的事情的快速可視化線索。
Splunk AppDynamics：Splunk的可觀測性產(chǎn)品系列旨在監(jiān)控企業(yè)系統(tǒng)，評估其性能，并分析該性能如何影響各種業(yè)務(wù)指標(biāo)。AppDynamics是Cisco（思科）的一個部門，現(xiàn)已并入Splunk產(chǎn)品系列，它可以監(jiān)控復(fù)雜系統(tǒng)，找出根本原因，并盡快為修復(fù)最關(guān)鍵部分提供建議。它可以與所有類型的定制軟件和授權(quán)軟件配合使用，無論是在本地環(huán)境、云環(huán)境還是兩者皆有。Splunk人工智能助手提供一個對話式界面，利用機(jī)器學(xué)習(xí)跟蹤與從行為分析等數(shù)據(jù)中收集的歷史基線不同的指標(biāo)。該系統(tǒng)可以構(gòu)建流程圖，并了解事件如何級聯(lián)直至系統(tǒng)故障，從而幫助識別根本原因。使用定制機(jī)器學(xué)習(xí)構(gòu)建的智能架構(gòu)可以與諸如Model Control Protocol/MCP（模型控制協(xié)議）等開放標(biāo)準(zhǔn)相連接。AppDynamics致力于將這些指標(biāo)與諸如銷售數(shù)字等硬性“業(yè)務(wù)成果”相關(guān)聯(lián)，并通過提供鏈接，利用開放標(biāo)準(zhǔn)的組合自動解決常見故障，為其平臺帶來一種“自我修復(fù)理念”。
作者：Peter Wayner（彼得·韋納）
譯者：寶藍(lán) ? 編審：@lex
