AIOps 平臺的誤解，挑戰及建議（中）— AIOps常見的誤解

本文篇幅較長，分爲上，中，下，三個部分進行連載。內容分別爲： AIOps 背景/所應具有技術能力分析（上），AIOps 常見的誤解（中）， 挑戰及建議（下）。

前言

我大概是 5，6 年前開始接觸 ITOA 這個領域的，首次接觸後，發現領域有着巨大的潛力，一直尋找在這個領域作點事情的機會。大約三年前在這個領域創業，積極尋求 Product Market Fit。這幾年下來，通過與行業內的專家交流，研讀報告，閱讀論文，客戶訪談，親自動手對相應的運維場景解析，行業產品的試用調研，以及結合着中國運維市場現狀，撰寫了此文。本人才疏學淺，不學無術，歡迎拍磚。

咱們第一部分主要講到了AIOps 的背景以及所須要的能力，咱們這部分主要講誤解。

對 AIOps 誤解：

AIOps 等於能夠減小人力資源的投入

• AIOps 不等於無人值守;
• AIOps 不等於 NoOps;
• AIOps 不等於能夠減小人專家的參與;
• AIOps 能夠下降人力成本;
• AIOps 在現階段不等於能夠省錢;

AI 的確是一個很是性感的詞彙，你們認爲只要實現了智能化，就可以輕輕鬆鬆，不須要人的干預，這固然是一個很是理想的情況，可是，在短期內，這個不能實現。這個的實現難度，我的認爲，與自動無人駕駛，能實現第五等級是一樣的難度，也就說，可能起碼須要10年左右的時間，甚至可能更長時間。

AIOps 平臺本質上仍是一個工具，在構建後，仍然須要人的參與，並且在目前的探索發展的投入階段，有大量的工須要去作，須要運維專家，大數據工程師，算法科學家，業務專家，暫時看不到能削減人力成本的可能性，並且相關的投入可能須要多年的時間。

在平臺創建後，在持續改進的狀況下，仍然須要專家或者分析師，從不一樣的維度，從不一樣的業務口徑，組合合適的可視化技術，機器學習技術，大數據分析技術，制定分析場景，平臺纔可以爲IT運維，業務分析產生持續的洞察，提供商業價值。

因此，AIOps 不能取代人，在現階段不可能減小人力投入，但在將來可能能促進部分運維人員轉型爲通曉業務，掌握運維知識的數據分析師。

算法和智能化是AIOps最重要的事情

算法很重要，可是我我的認爲，在此階段，大部分企業不該該以算法爲第一着眼點。

這個應該是比較有爭議，或者，或者說你們認知不太一致的部分。如下這張圖是 Gartnert 在 AIOps 還在叫 ITOA 時候，給定義的四個階段：

1. Data ingestion, indexing, storage and access;
2. Visualization and basic statistical summary;
3. Pattern discovery and anomaly detection;
4. True causal path discovery;

Gartner 在報告中強調，掌握後面階段的前提是擁有前一階段的能力，若是不擁有充分的前一階段能力，將會影響 ITOA 的落地效果。所以這四個階段必須一個步一腳印，第三以及第四部時，才顯著地引入了機器算法，或者 AI 的必要。

你們都知道，所謂的機器學習算法，統計算法，深度學習算法這些 AI 的分類，實際上是高度依賴於數據的。沒有多種數據源，數據的採集，數據存儲，數據統計，數據可視化，一切都只是空中樓梯。

來源： Gartner Report 「Organizations Must Sequentially Implement the Four Phases of ITOA to Maximize Investment 」 2015.2.18

所以，AIOps 的平臺的建設首先應該是着眼點應該是大數據，而後纔是算法，從而實現持續洞察和改進的目標。

必定要上深度學習才叫 AIOps

咱們能夠先看看 AI , Machine Learning , Deep Learning 的關係，他們的關係大概以下圖。

學術界有很多學者，在探索部分深度學習算法智能運維中的應用，如猶他州大學的《DeepLog: Anomaly Detection and Diagnosis from System Logs through Deep Learning》 中利用 Long Short-Term Memory (LSTM)來實現日誌模式的發現，從而實現異常檢測。可是，其實智能運維所須要的大部分算法，決策樹學習(decision tree learning)、聚類(clustering)、SVM(Support Vector Machine)和貝葉斯網絡(Bayesian networks)等等算法，均是屬於傳統的機器學習範疇的，所以 咱們不該該將深度學習與 AIOps 掛上必然的聯繫。

甚至於，咱們不用拘泥於概念，從解決問題的角度出發，在特定的場景，利用傳統的規則集，設定一些規則，下降了運維人員的工做強度，提升了效率，也能叫智能運維。甚至在Gartner 的報告中，對AIOps 落地的第一步，是統計分析，可視化，而不是任何的機器學習算法。

它適合現階段全部有規模的用戶

這個比較好理解，就目前來看，AIOps 只適合大型的客戶，緣由以下:

1. 中小型的客戶缺少多種數據源;
2. 中小型客戶業務需求沒有那麼複雜;
3. 不少算法，實際上是爲了大規模運維的時候才用的上的，在規模小的時候，難以產生效果;

運維自動化是智能運維的前提

我看到過很多的文章，將運維分紅了四個階段，將自動化運維放在智能運維的前一個階段，把智能，又或者在智能運維這個體系裏頭，硬是塞了不少自動化運維，批量操做，批量規劃的功能在裏頭，我以爲都是不對的。自動化運維更像是手，智能運維更像是眼鏡及大腦，有了更全面數據，更充滿的分析後，大腦能更好的指揮手進行操做。

所以，企業應該將自動化運維和智能化運維當作了兩個有關聯的體系，可是不該該混一談，形成更多的誤解。

OneAPM 全新推出新一代 AIOps 平臺 I2，歡迎您隨時聯繫咱們，即刻開啓貴公司的智能運維之旅。點擊進入 AIOps 官網瞭解更多信息。
來源：http://blog.oneapm.com/apm-te...