AIOps網絡運維的利器

杜燁磊

關于開源工具與專有工具的爭論早已不是什么新鮮事。但在AIOps工具方面，還有其他一些特殊的因素需要考量。

AIOps工具市場不僅特別復雜，而且相關工具總是有著很多獨特的性質，例如需要訪問敏感數(shù)據(jù)，往往進一步影響到采購方在評估方面的具體判斷。

在深入探討開源與專有問題之前，首先需要明確定義何謂AIOps工具，以此為基礎，再比較2類工具，嘗試解釋企業(yè)應當結合哪些因素在開源與專有AIOps方案之間做出抉擇。

作為一個流行詞匯，不同的人往往對AIOps有著不同的定義與理解。本文中，將AIOps定義為使用人工智能（AI）或機器學習的一切IT工具或服務。很明顯，這是一種相當寬泛的定義方法，也有部分供應商及分析師認為，工具必須要用到復雜的AI與機器學習算法，才有資格被列入AIOps陣營。但是，隨著AIOps市場的迅速發(fā)展，不妨把標準放寬一點。某些工具雖然未被明確劃定為AIOps平臺，但采購方很可能就是想把它當成AIOps工具來使用。對于這類情況，堅持狹義AIOps定義顯然不利于做出確切的判斷。

開源AIOps工具

就目前來看，只有少部分開源項目將自身標榜為AIOps，但不少開源平臺提供的某些功能完全符合AIOps的理念。例如，使用數(shù)據(jù)分析（在一定程度上）實現(xiàn)工作流程編排自動化的Kubernetes正是AIOps平臺的重要特征，Nagios及Zabbix等開源監(jiān)控平臺也能夠提供一部分AIOps基本分析功能。此外，各類開源編程語言模塊或框架，如PyTorch與TensorFlow也有助于實現(xiàn)AIOps功能，而這些顯然不算是完整的AIOps平臺。

從各個角度來看，支持開源AIOps工具的觀點與支持整個開源生態(tài)的思路基本相同，與專有替代方案相比，開源AIOps工具往往成本更低、更易于修改或自定義，同時也降低了供應商及平臺鎖定的風險。

除此之外，評估開源AIOps工具時還應關注一些特殊的注意事項，首先，到目前為止還沒有出現(xiàn)任何端到端開源AIOps平臺。換句話說，沒有哪種單一的開源平臺能夠直接為企業(yè)提供簡化IT運營的全部必要AIOps功能。相反，需要將多種不同開源工具整合起來，每款工具只能提供一部分AIOps功能。要使用這些開源工具并充分發(fā)揮AIOps的優(yōu)勢，IT運營團隊需要面對大量工具選項，自然也就得耗費大量精力。

除此之外，AIOps工具在本質上需要訪問到大量數(shù)據(jù)，其中一部分數(shù)據(jù)可能相當敏感，或者可能被攻擊者用于發(fā)動入侵乃至破壞。這意味著使用專有的AIOps工具，買方必須信任賣方，允許后者成為在客戶系統(tǒng)及環(huán)境中提取并分析數(shù)據(jù)的稱職管家。此外，合規(guī)性問題也很重要，目前不少法律已經對供應商工具將用戶數(shù)據(jù)移動至自有基礎設施內以進行處理或存儲的場景做出約束。

如果平臺需要借助外部基礎設施進行數(shù)據(jù)處理，那么開源AIOps工具也會受到同樣的影響。但大多數(shù)開源工具主要運行在用戶的自有數(shù)據(jù)中心內，或者至少是在用戶控制的公有云基礎設施之上運行，因此帶來的合規(guī)性或數(shù)據(jù)隱私問題一般更少。畢竟每個人都可以觀察開源工具的源代碼，確定項目對用戶信息的處理方式，提升數(shù)據(jù)管理流程的透明度與可信度。

專有AIOps工具

與開源領域相反，專有軟件市場上已經出現(xiàn)了大量被明確標榜為AIOps的工具。例如，Broadcom公司就在著力以AIOps產品的名義推銷其可觀察性軟件。Splunk以及Instana與Pager Duty等小型廠商也已經涉足AIOps。作為一種整體趨勢，越來越多專有監(jiān)控與事件響應工具都在用AIOps強化自己的市場影響力。

選擇專有AIOps工具的核心原因，在于其難度往往比開源方案更低。專有工具的用戶友好度一般較高，而且與開源選項相比，前者更傾向于提供較為廣泛的AIOps功能。此外，相當一部分專有AIOps工具都以托管服務的形式運行，所以用戶不必費神建立起用于托管這些服務的自有基礎設施。

但對于部分專有AIOps工具，上述數(shù)據(jù)管理問題可能會構成新的挑戰(zhàn)。因此，一般企業(yè)在選擇供應商時必須認真評估對方的合規(guī)性保障與防止數(shù)據(jù)遭到濫用的能力。好消息是，AIOps領域的大多數(shù)供應商都擁有良好的商業(yè)聲譽，在以合規(guī)且安全方式管理客戶數(shù)據(jù)方面也擁有豐富的經驗。

AIOps開始成為一種極為重要的站點可靠性工程工具。它能夠高效吸納觀察數(shù)據(jù)、參與數(shù)據(jù)以及來自第三方工具的數(shù)據(jù)，判斷系統(tǒng)運行狀態(tài)并保證其處于最佳狀態(tài)。

基礎設施與網絡層面發(fā)生的問題，必須以閃電般的速度加以解決，在理想情況下，最好能讓最終用戶或客戶完全感受不到問題的發(fā)生。而隨著全球經濟體系乃至社會數(shù)字化轉型，對事件管理能力的需求也變得愈發(fā)緊迫。

盡管現(xiàn)代應用程序能夠快速響應客戶需求，但其自身的更新與修復又提出了新的要求，同樣對基礎設施可靠性形成巨大壓力。一旦出現(xiàn)性能問題甚至數(shù)字服務中斷，對現(xiàn)代應用程序造成的影響反而比傳統(tǒng)應用更嚴重。

在管理基礎設施可靠性方面，選擇正確工具無疑是達成目標的重要前提。對于SRE及其他員工而言，相當一部分云原生方法確實太過復雜、難以理解。因此，除了良好的可見性之外，他們還需要建立起判斷問題優(yōu)先級、迅速發(fā)現(xiàn)故障并加以解決的能力。AIOps的意義也正在于此。隨著軟件與基礎設施的迅猛拓展，AIOps能夠自動檢測到環(huán)境中的異常、為團隊提供必要的安全性加持，保證在問題擴大化、復雜化之前及時將其解決。

隨著應用程序與基礎設施的蓬勃發(fā)展，AIOps也開始成為一種極為重要的站點可靠性工程工具。它能夠高效判斷系統(tǒng)運行狀態(tài)并保證其處于最佳狀態(tài)。為了幫助團隊識別并診斷問題，算法與機器學習工具被整合至數(shù)據(jù)之內，借此充實現(xiàn)狀，甚至有望自動高效地完成事件響應。

著眼于現(xiàn)實場景，以下5種AIOps應用方法值得關注：

檢測事件

這也是AIOps擴展工具包的核心用例，可幫助團隊快速發(fā)現(xiàn)問題。AI與機器學習能夠自動梳理異常跡象，而后將學習結果用于觀察系統(tǒng)及基礎設施的運行態(tài)勢。憑借這種自動性方法，AIOps能夠及時發(fā)現(xiàn)預警信號，幫助運營團隊在客戶體驗受到影響之前就及時介入。

減少及消除噪音

事件響應當中，警報疲勞一直是個大問題。警報的持續(xù)涌出往往令員工的神經變得麻木，難以發(fā)現(xiàn)真正緊急的狀況。理想情況下，需要準確判斷哪些警報優(yōu)先級較低、哪些警報彼此關聯(lián)。AIOps能夠關聯(lián)、精簡警報并確定優(yōu)先級，借此消除警報疲勞問題、幫助團隊高效處理對可靠性威脅最大的故障。

結合背景

突發(fā)事件往往非?；靵y，而且形勢也瞬息萬變。過多的信息會導致團隊迷失方向，為此必須為運營人員提供背景信息，幫助他們找到正確的方向。AIOps能夠自動對事件做出映射，同時建立起全面了解。除了理解以外，背景信息在事件解決方面同樣有著重要作用。

提升智能化水平

AIOps是一種不斷發(fā)展的有效工具。過往經驗、當前使用方式以及用戶反饋等，共同為AIOps提供良好的訓練數(shù)據(jù)，進而可以幫助識別并預防以往曾經發(fā)生過或較為類似的問題。隨著信息的不斷積累，模型智能化程度將持續(xù)提升，最終提供更具針對性的關聯(lián)、洞見與建議。

整合數(shù)據(jù)、統(tǒng)一團隊

任何來源的事件數(shù)據(jù)，都會與企業(yè)的現(xiàn)有事件管理工具和工作流集成在一處。輸入的數(shù)據(jù)越多，機器學習模型的訓練度也就越高，產生有針對性、高實用度結果的幾率就更高。AIOps解決方案能夠吸納數(shù)據(jù)，通過背景信息豐富數(shù)據(jù)內容，并將結果通報至相關團隊或響應人員手中，以供各個事件管理團隊加以使用。以此為基礎，各團隊將不用把時間浪費在不同工具的切換中。

對于尚未開始使用AIOps的組織而言，這項工作聽起來似乎繁復無比。沒錯，AIOps確有一定門檻，但目前已經有不少實踐標準能夠幫助我們較為輕松地跨過這些門檻。

首先，考慮最適合自身需求的用例，縮小思考范圍，從小處入手開始學習，并在測試中不斷成長。

其次，保證工作流程的透明化。人們天然會抵觸變化，所以大家必須破除迷團、讓AIOps呈現(xiàn)出清晰明確的形象。

最后，為囊括AI及ML元素的新型IT運營體系做好準備。如今，采用AIOps技術支持運營體系的組織越來越多，相信也終將成為顛覆傳統(tǒng)運營理念與運營思維的主流解決方案。

開源與專有AIOps的未來

評估AIOps工具的最后一個因素，在于市場的快速發(fā)展。盡管截至2021年初，AIOps產品中的開源生態(tài)還遠遠落后于專有軟件市場，但隨著更多開源開發(fā)者及支持者向AIOps領域投入資源，雙方的關系與競爭形勢有可能發(fā)生改變。

當然，專有供應商也會繼續(xù)增強AIOps功能。如今，大多數(shù)商業(yè)AIOps工具都集中在監(jiān)控與事件管理方案層面。但在不久的未來，將有更多專有AIOps工具嘗試在日志管理、基礎設施配置以及其他IT運營利基領域發(fā)揮作用。

總而言之，AIOps工具的評估工作需要充分的耐心與對細節(jié)的關注。另外，企業(yè)也不應將選擇視為一勞永逸的工作———只要出現(xiàn)了更好的選擇，大家必須迅速行動、順應變革。