传统运维管理的人工及被动响应方式，已经无法支撑数字化业务灵活、快速的发展，要靠智能运维（AIOps）能力来获得数据分析和决策支持。而从传统ITOM到智能运维的演进过程中，需要一系列关键技术的支撑。本文试图就智能运维落地过程所需关键技术点进行概要说明。

从智能运维的平台架构来看，可抽象为几个层面：数据采集层、数据汇聚层、数据存储层、建模应用层、分析学习层、应用反馈层。这是一个非常理想的层次划分，但在智能运维实践落地过程中，却存在着诸多坑壑，需要我们正视和解决。

数据采集与传输

运维数据的产生和采集来自于ITOM监控工具集，通常包括：基础服务可用性和性能监控、网络性能监测与诊断、中间件服务可用性和性能监控、应用性能管理、系统运行日志管理、IT资产管理、IT服务支持管理等。

这些基础监控工具采集的运行状态数据和运行性能数据，需要具备足够存量的数据和数据增量；以及足够的数据维度覆盖度（时间维度、空间维度、系统级维度、应用级维度等）才能进行建模利用。与此同时，运维数据的时效性强、多维数据源割裂采集的现状、以及如何在后续建模过程中进行多维数据的高效关联，因此智能运维平台对数据采集层提出以下技术要求：

• 跨平台、跨语言栈、高兼容性的多模式统一采集质量标准；

• 兼容多种非容器化与容器化运行环境；

• 一致的维度关联属性；

• 在资源占用、数据压缩比、时效性之间可权衡、可调节的传送机制；

• 可靠的熔断和止损机制；

• 易于部署和维护、统一的配置和任务管理。

数据汇聚、存储与建模

数据的增量是迅猛的，或将达到网络的上行极限或磁盘的写入极限，因此对汇聚层的服务自身可用性和吞吐性能要求极高。汇聚层更像"数据湖"，提供元数据限制更为宽松的数据写入和获取途径、简易的数据清洗任务创建与管理、灵活的数据访问控制和使用行为审计、具备从原始数据的发掘中更便利的进行价值发掘、具备更敏捷的扩展特性等。

同时，在设计汇聚存储层的建设方案时，需要避免数据泥沼、无法自助建模、无法执行权限管控等困境。在智能运维实践落地时，要由一组大数据业务专家/架构师，明确地为汇聚与存储层设计一系列的能力项，这些能力项不仅要满足"数据湖"的诸多特征，还要具备便捷的开发和实施友好性，降低数据接入与抽取清洗的成本，它应该具备至少以下关键技术能力：

• 多数据源、海量数据的快速接入能力；

• 元数据提取和管理能力；

• 极其简易的、高性能的数据清洗转换能力；

• 可根据数据字典或特征算法对数据进行关键字识别、模式识别的标记能力；

• 自动的、自助的，对敏感数据进行脱敏或加密处理能力；

• 对数据质量检验并对质量标准进行归一化处置的能力；

• 数据可依据某种维度或特征进行所属和应用权限控制的能力；

• 自动的、自助的，数据建模探索能力；

• 对已建立的搜索、过滤、关联、探索模型，友好的进行数据输出能力；

• 自动的、自助的，分布式集群伸缩能力；

• 对外提供高效、敏捷数据服务的能力；

算法体系建设

在智能运维（AIOps）落地实践中，算法体系的建设是至关重要的一个环节。算法体系建设方面，应从三个角度来去考虑实现思路：

• 感知：如异常检测、趋势预测、问题定位、智能告警；

• 决策：如弹性扩缩容策略、告警策略；

• 执行: 如扩缩容执行、资源调度执行；

智能分析系统将感知、决策、执行三个角度落地到智能运维解决方案中，形成发现问题、产生告警事件、算法模式定位问题、根据分析结果解决问题的闭环功能。

因此，智能分析平台应具备交互式建模功能、算法库、样本库、数据准备、可扩展的底层框架支持、数据分析探索、模型评估、参数及算法搜索、场景模型、实验报告、模型的版本管理、模型部署应用等功能或模块。

算法和数据的工程融合

在智能运维（AIOps）平台落地的实践中，算法和数据的融合，第一步是数据的采集和汇聚，通过前文介绍的关键技术，我们已经获得了质量标准归一化的、经过了提取和转换的、时间/空间/业务维度标记清楚的数据，需要补充的是数据预处理相关的核心要点。

数据预处理

在数据挖掘中，海量原始数据中存在大量不完整(有缺失值)、不一致或有异常的数据，严重影响到数据挖掘建模的执行效率，甚至可能导致挖掘结果的偏差。数据预处理的目的是提高数据质量，从而提升数据挖掘的质量。方法包括数据清洗、数据集成和转换，以及数据归约。

通过数据预处理，可以去掉数据中的噪音，纠正不一致；数据集成将数据由多个源合并成一致的数据存储，如数据仓储或数据立方；数据变换(如规范化)也可以使用，例如规范化可以改进涉及距离度量的挖掘算法的精度和有效性；数据规约可以通过合并、删除冗余特征或聚类来压缩数据。这些数据处理技术在数据挖掘之前使用，可以大大提高数据挖掘模式的质量，降低实际挖掘所需要的时间。

需要注意，有些算法对异常值非常敏感。任何依赖均值/方差的算法都对离群值敏感，因为这些统计量受极值的影响极大。另一方面，一些算法对离群点具有更强的鲁棒性。数据分析中的描述性统计分析认为：当我们面对大量信息的时候，经常会出现数据越多，事实越模糊的情况，因此我们需要对数据进行简化，描述统计学就是用几个关键的数字来描述数据集的整体情况。

算法工程集成

在智能运维（AIOps）算法分析系统中，不同算法对应不同的适配场景，需要根据数据特征模式来选择合适的算法应用。如指标异常算法的应用：针对周期稳定性数据，我们采取动态极限的模型；针对周期不不稳定的数据，采?频域分析的模型；针对稳定性的数据采?极限阈值判断的模型。通过模型选择的算法，对不同的数据的模型进行适配，达到最优的效果。

因此，想要以开箱即用的方式、采用某种标准的机器学习算法直接应用，而不考虑业务特征，通常并不可行。

我们需要首先考虑该组业务指标间的关联性，如果有应用或系统间的调用链或调用拓扑供参考，这是最好不过的。如果没有调用链或拓扑，则需要先根据已知可能的业务相关性，进行曲线波动关联、回归分析等算法分析，获得极限阈值尝试得到因果匹配，通过一系列的事件归集得到相关性，再对每一次反馈进行适应，尝试自动匹配更为准确的算法和参数，才可能达到期望的异常检测目标。

智能运维的工程化过程，是一个算法、算力与数据相结合，平台自身与业务系统反馈相结合的复杂过程。在与业务场景结合的前提下，灵活的算力组织、高效的数据同步、可插拔的服务化、模型应用过程中的高精度与高速度，是AI工程化本身的核心诉求。

总结和展望

智能运维（AIOps）落地的过程中的坑非常多。它对数据平台搭建、数据采集与传输、数据汇聚、存储与建模、数据计算、AI体系化、场景与工程化融合等方面提出了极其苛刻的要求，需要更专业的、更高质量标准的运维数据库，还需要一支强有力的分析、架构和开发团队支撑，才能真正带来生产力的提高。