转自微信公众号 infoQ

导读:Gartner 在 2016 年时便提出了 AIOps 的概念，并预测到 2020 年，AIOps 的采用率将会达到 50%。如果 AIOps 真是未来运维技术的趋势，那技术人们又该如何自处？

写在前面

毫无疑问，运维技术的发展已经进入了深水期。随着 Docker、OpenStack、Puppet 等技术的流行，以及 CI/CD、DevOps 等理念的落地生根，自动化运维的发展迎来了小高潮。整体来看，自动化运维平台帮助提升了运维的效率，并减少了因人工和流程操作而引起的运维故障。

记得在 2001 年的时候，Gartner Group 有一个调查显示在 IT 项目经常出现的问题中，源自技术或产品（包括硬件、软件、网络、电力失常及天灾等）的问题只占 20%，但流程失误方面却占 40%，人员疏失方面也占到了 40%。这些年来，企业通过自动化运维平台以及 DevOps 等协作理念逐步解决了 Gartner 提到的流程失误和人员疏忽相关的 80% 的问题，虽然目前没有具体的统计数据，但可以确认的是，这一问题得到了有效解决。

但另外一个值得注意的点是当前的 IT 项目基础设施环境与 5 年前已经没有办法同日而语，更不用说 10 年前。近几年，随着云计算、微服务等技术的流行，以及互联网业务的迅速发展，运维人员要关注的服务数量也呈现了指数级增长，自动化运维虽然提升了效率，解决了一部分问题，但也遇到了新的难题，比如面对繁多的报警信息，运维人员应该如何处理？故障发生时，又如何能够迅速定位问题？

当企业遇到这些新的问题却无从下手时，恰好历史进入了人工智能时代，那上面的这些问题可否通过『AI + Ops』的这种跨界创新的方式来解决呢？于是 Gartner 在 2016 年时便提出了 AIOps 的概念，并预测到 2020 年，AIOps 的采用率将会达到 50%。简单来说，AIOps 就是希望基于已有的运维数据（日志、监控信息、应用信息等）并通过机器学习的方式来进一步解决自动化运维没办法解决的问题。

就目前来看，国内的百度、搜狗、宜信、阿里巴巴都已经探索尝试了 AIOps，并且取得了不错的收益。在 2017 年 InfoQ 举办的 CNUTCon 全球运维技术大会上，也有不少 AIOps 相关的议题，甚至会议主题也从去年的容器生态迭代到今年的智能时代的新运维，感兴趣的读者可以关注。

那对于 AIOps 这个新名词，它又会涉及到哪些新技术？从运维的发展角度看，为什么说 AIOps 是必然趋势？它与自动化运维之间会有什么样的关系？InfoQ 记者就这些问题采访了美丽联合集团运维经理赵成。

InfoQ：如何理解 AIOps？AIOps 会涉及哪些技术？这又是一个新名词吗？

赵成：我觉得理解 AIOps 之前，还是先理解下 AI、机器学习、深度学习这样几个概念。如果用一张图，来表示，就是下图：

同时，这张图的来源文章，也建议看一下，讲的还是比较清晰的。

https://blogs.nvidia.com/blog/2016/07/29/whats-difference-artificial-intelligence-machine-learning-deep-learning-ai/

简单来说，AI，人工智能是一个广义概念，最早期提出来的时候，人们的愿景是希望 AI 能够完全具备人类智慧，这属于“强人工智能（General AI）”。但是除了在科幻电影和科幻小说外，在现实中还没有实现，可能不仅仅是要求对计算机技术要求极高，对生物医学技术也会有很高的要求，因为前提是我们得弄懂人类大脑运转的每一个细节吧。

但是过程中，研究人员发现我们虽然没法让机器完全具备人类一样的智慧，但是在非常具体和特定的领域，机器是可以做的比人类更好的，比如图形图像处理、语音识别等等，这些人工智能的应用，称之为“弱人工智能（Narrow AI）”，这些应用的实现手段，就得益于机器学习算法长足的进步，而深度学习又是机器学习领域很精深的一部分。

所以，我们现在提到的 AI，更多的是依赖机器学习（包含深度学习）算法的实现的 AI 场景，或者说机器学习算法只是实现 AI 的其中一种手段。

了解了上面的概念，再回到 AIOps 上来，拆分为 AI + Ops 会准确一些，也就是 Ops 与 AI 相结合可以做的事情。Gartner 的定义是 Algorithmic IT，而不是 Artificial Intelligence，我起初觉得也不是很合理，但是我认真理清楚整个关系之后，我觉得这样定义也没有问题。

最后，我觉得定义如何到没有必要纠结，因为不管 AIOps 里这个 AI 到底是 Algorithmic IT 还是 Artificial Intelligence，最终，我们根本上使用的，还是机器学习算法这个手段。

AIOps 涉及的技术，从 AI 的角度，主要还是机器学习算法，以及大数据相关的技术，因为涉及到大量数据的训练和计算，从 Ops 的角度，主要还是运维自动化相关的技术。另外 AIOps 一定是建立在高度完善的运维自动化基础之上的，只有 AI 没有 Ops，是谈不上 AIOps。

InfoQ：你认为 AIOps 是运维发展的必然趋势吗？从手工运维，到自动化运维，再到现在的 AIOps，谈谈你理解的运维发展趋势？

赵成：必然趋势。一个很明显的规律，凡是让能让我们的生活变得更美好、更简单、更方便的技术，一定会具有强大的生命力，也必然会成为发展趋势，而 AI 正是这样的技术之一，AIOps 又是其中的一个专业领域。

运维的发展变化，我的感受，是随着业务和技术发展变化的，根本上还是业务驱动和倒逼出来的。

比如 2008 年 -2010 年，我接触的是电信级软件的开发和维护，那个时期的软件有这么几个特点：

1、业务场景和形态上，相对固定，变化不大；

2、软件是分层架构 ，模块数量固定，架构上基本不会有太大的变化；

3、研发流程和规范非常严格，基本交付上线之后不会有太大的功能和性能问题 ，线上出问题会面临非常严格的处罚；

4、软件交付周期长，大的变更半年一次，小变更至少 3 个月，这期间研发会将发布脚本以及产品升级文档制定的非常详细，我们称之为 Step by Step，而且也是经过严格验证和测试的；

5、研发维优团队支持，一旦线上出现软件方面的问题，一线维护直接将问题转回研发进行定位处理，而且有严格的 SLA 约束；

这种情况下，变化不大、研发可以搞定绝大部分软件层面的事情，所以我们就会看到这个时期的运维更多的是网络、硬件、系统方面的维护职责，这个是由那个时期的业务特点，以及软件架构特点所决定的。

当然这并不代表那个时候业务的技术难度和复杂度不高，反而技术门槛是相当高的，协议之复杂，网元交互之多，架构图和交互逻辑画出来也是相当复杂，那个时候我们答辩和述职必做的事情就是看网讲网，要对所有的周边网元以及交互关系讲清楚。

之后，随着互联网业务的高速发展，业务场景上丰富多彩，复杂和多变，新业务和新场景也在不断涌现，为了快速验证产品和需求的方向是否有效，就要快速试错，对迭代开发和交付效率有了极高的要求，所以技术界逐渐催生出了服务化这样的软件架构，以及持续交付过程，同时随着业务体量快速膨胀，衍生出对稳定性有极高的要求，这时我们现在长听到的全链路跟踪、容量评估、限流降级、强弱依赖等稳定性的解决方案就涌现出来。

这时对于开发的诉求是能够将更多的精力放到需求实现上，而因服务化带来的大量的应用管理、持续交付、监控、稳定性、成本控制等非功能性体系的建设和保障就需要有专门的团队来做，这时对于运维的诉求也在悄然发生着变化，所以这也是为什么这个阶段会涌现出 DevOps、技术运营、PE、SRE 等等对运维重新定位的词汇。当然这个过程中，因为云计算发展，传统的网络、硬件和系统维护的职责在逐渐的被弱化，也在逼迫着运维的关注点从底层转向应用和业务层面。所以，我们看到就在近 2-3 年，自动化、发布系统、稳定性平台这些系统成为了运维团队重点关注和建设的部分。

这里就有一个趋势，就是 SpringCloud 和 Cloud Native，SpingCloud 让当前服务化的开发变得越来越方便和高效，而 Cloud Native 在打造应用的基础设施方面也已经取得了长足的进步，而且已经有了 CNCF 这样的组织在驱动响应的标准和体系建设。设想一下，后面从业界的角度，如果 Spring Cloud 成为微服务的开发标准，Cloud Native 成为应用的运维标准，是不是又会驱动着一波运维的转型和升级呢？

回到 AIOps 上来，当前这个阶段，现实情况，系统里面已经有大量软硬件模块、日志、监控告警指标也纷繁复杂，一方面是无法在问题萌芽状态就发现问题，无法提前做出预判，另一方面是发生了问题又无法快速确定根因，造成持续的资损。技术发展上，随着计算能力、数据量的积累、以及机器算法的进步，如何更加高效的开展 Ops 这个问题就摆在我们面前，AIOps 的模式应运而生。

所以，运维一步步发展到当前这个状态，根本上讲还是业务高速发展倒逼出来的，同时，从手动运维到运维自动化，再到 AIOps，这个过程根本上是在朝着如何更加高效运维的趋势在发展。

InfoQ：AIOps 的出现是为了解决哪些问题？这些问题运维自动化无法解决吗？

赵成：主要还是解决复杂环境下问题的快速发现甚至提前预判，以及出现问题后的如何在复杂的告警、报错和日志中快速进行根因分析。

运维自动化无法解决吗？我的理解，AI 和 Ops 要解决的还是两个层面的问题，可以类比到人，AI 相当于人的大脑，我们手脚和躯干是执行系统，大脑负责决策判断，手脚躯干负责完成大脑下发的动作指令。对应到运维上面，AI 要解决的是怎么快速发现问题和判断根因，而问题一旦找到，就需要靠我们高度完善的自动化体系去执行对应的运维操作，比如容量不够就扩容、流量过大就应该触发限流和降级等等。

AI 是能够让 Ops 执行的更加高效的强大助推力，下面是我之前整理出来的，我理解的 AIOps 的体系和建设思路。

InfoQ：落地 AIOps 的前提条件是什么？什么样的团队适合落地 AIOps？

赵成：AIOps 的首要前提条件，一定是先要有高度完善的运维自动化，自动化都没做好前，先不要玩 AI，千万不要本末倒置。

从 AI 的角度，应该有三个方面的充要条件：机器学习算法、计算能力（类似于 GPU 的高性能设备）、海量数据。

先看算法，这个基础，在 AI 中我们使用到的各类算法，比如基于指数平滑的二次平滑、三次平滑算法，基于分解的傅里叶分解、小波分解算法等，基于深度学习的前馈神经网络、循环神经网络 RNN 算法等，这些算法早就已比较成熟了，并大量使用在其它的研究领域，比如我们熟悉的图形图像处理、语音识别，还有在医疗、电力以及通信行业的应用。所以在算法上，我们很早之前应该具备了这方面的理论基础。

但是 AI 为什么这几年突然火起来，或者在应用上有了长足的进步，很大原因就是计算能力提升了，海量数据积累起来了。比如随着硬件计算能力的提升，有了 GPU 这样的超高性能计算设备，同时还有云计算这样规模的基础设施支持；再就是，最近这些年随着互联网业务的高速发展，各行各业都积累了海量的现实的数据。

比如吴恩达教授非常著名的识别猫的实验，一方面吴教授有自己非常牛的深度学习算法，另外一方面，基于 16000 个处理器的计算能力搭建起了深度学习的平台，然后基于 Youtube 中千万级别的猫的视频图像进行算法的学习和训练，最终可以非常精确的从图像中识别出猫。

回到 AIOps 上面来，看这个三个条件：

1、算法还是那些算法，不过得要有相应专业能力的团队，如果是纯应用，我觉得运维团队倒是可以自学一下，但是不管怎么样，这个还是有一定门槛，需要大量的学习和能力提升。

2、数据就是要靠线上运行的真实数据和日志，所以必须要有大量的数据积累

3、计算能力上，目前看到我们基于大数据技术的数据处理能力已经足够，因为毕竟不是像图形图像这样的复杂计算场景。

从上面三个条件看，也就不难理解，AIOps 做的比较超前的为什么都是那些国内外的大厂，因为有技术实力、有足够的资源、有足够的数据，最关键的是足够复杂和变态的业务场景以及运维场景，在倒逼着 Ops 往这个方向上走。

至于什么样的团队适合落地，我暂时没想到什么标准，不过还是那个建议是，先尽快做好自动化，把基础打好，AI 的学习上做一些储备，当业务复杂度和体量到达一个量后，会自然倒逼着运维往这个方向发展，千万别自动化还没做完善，就跟风搞 AIOps。

InfoQ：AIOps 中的数据是怎么来的？数据是必要的吗？

赵成：AIOps 中的数据必须是线上产生的现实场景下的运行数据，不管是底层硬件和系统层面，还是应用和业务层面，以及运维的操作记录日志，要尽可能是全面的数据。这些数据一方面要做算法模型的训练，让算法能准确识别问题，一方面还要在问题分析时做根因分析使用。

数据是必要的，准确说是必需的。目前 AIOps 中，就异常发现来说，针对不同的应用场景，应该使用哪种算法模型，这个还是有一定挑战的，所以起初可能会同时使用多种算法同时运行，这时就需要大量真实的数据去验证算法运行的情况，同时做一些参数校正，也就是我们所说的训练的过程，最终我们根据跑出来的结果准确度选择合适的算法，或者设定相应的权重。所以，机器学习算法是否有效是离不开大量的真实数据的训练的。

InfoQ：可否谈谈你们的 AIOps 落地场景？

赵成：这块我们还在实践中，一块是异常检测，做一些关键监控 Metrics 的曲线监控，这块用到的基本是常见的指数平滑、3-Sigma 算法等。另一块是根因分析，在服务化的架构中，最头痛的还是出现了故障，无法快速的定位原因。大致思路是，根据全链路跟踪系统的每一次请求的依赖关系，做调用的关联度分析，当一个模块出现问题时，会同时导致依赖这个模块的所有模块都会告警，甚至还有业务层面的告警，这时就需要快速的根因分析，确定问题在哪儿。

InfoQ：如何看待运维的未来趋势？

AIOps 已然成了运维未来趋势的一个重要方向，但很多人尚未对此有一个很深刻的理解与认识。很多时候参加技术会议并不一定是要学会什么，而是要知道自己以后要去学什么。

同意~~