淺談智慧中臺(tái)AIOPS實(shí)施運(yùn)維經(jīng)驗(yàn)

孫一凱

中臺(tái)是由阿里在2015年提出的"大前臺(tái)，小中臺(tái)"戰(zhàn)略中延伸出來(lái)的概念，靈感源于芬蘭的一家游戲公司，近些年來(lái)，企業(yè)內(nèi)部都開(kāi)始建設(shè)各個(gè)中臺(tái)，目的是為了幫忙企業(yè)更好支撐業(yè)務(wù)的開(kāi)展，達(dá)到事半功倍的效果。本文旨在談?wù)撝腔壑信_(tái)在企業(yè)IT支撐系統(tǒng)運(yùn)維過(guò)程中的建設(shè)和維護(hù)的經(jīng)驗(yàn)，并淺顯易懂的闡明智慧中臺(tái)在IT系統(tǒng)中發(fā)揮的重要作用。

一、背景和目標(biāo)

隨著企業(yè)業(yè)務(wù)發(fā)展，應(yīng)用系統(tǒng)規(guī)模日益擴(kuò)大，涉及組件及架構(gòu)的復(fù)雜度劇增，對(duì)于系統(tǒng)深度管理、智能運(yùn)維的需求也日益劇增。

目前企業(yè)業(yè)務(wù)支撐系統(tǒng)的運(yùn)維管理隨著業(yè)務(wù)的蓬勃發(fā)展，多種傳統(tǒng)運(yùn)維模式下痛點(diǎn)問(wèn)題逐漸凸顯，主要體現(xiàn)在監(jiān)控運(yùn)維工具繁多，監(jiān)控覆蓋較全面，產(chǎn)生了海量監(jiān)控運(yùn)維數(shù)據(jù)，但缺乏綜合分析能力;傳統(tǒng)運(yùn)維模式缺乏智能化手段，對(duì)生產(chǎn)各類(lèi)數(shù)據(jù)的價(jià)值挖掘能力有限;運(yùn)維編排工具局限于人為運(yùn)維操作，缺乏智能化聯(lián)動(dòng)能力。

深度解析智慧中臺(tái)AIOPS場(chǎng)景，切實(shí)落地健康度評(píng)分、根因分析、容量評(píng)估、故障預(yù)測(cè)四大AIOPS場(chǎng)景，同時(shí)在完成這四大AIOPS場(chǎng)景的基礎(chǔ)上，還聯(lián)動(dòng)本地運(yùn)維管理平臺(tái)，實(shí)現(xiàn)AIOPS智能分析結(jié)果驅(qū)動(dòng)運(yùn)維操作，進(jìn)一步落地智能故障自愈、智能容量擴(kuò)縮容、智能巡檢、智能分析歸檔等智能運(yùn)維實(shí)施場(chǎng)景。

二、思路及方案

（一）智慧中臺(tái)AIOPS建設(shè)思路

智能中臺(tái)AIOPS的本地化建設(shè)，同時(shí)結(jié)合數(shù)據(jù)統(tǒng)一集成及自動(dòng)化運(yùn)維實(shí)現(xiàn)智能運(yùn)維的實(shí)施方案，為AIOPS場(chǎng)景的順利實(shí)施及能力拓展提供助力。整體智能化運(yùn)維解決方案主要涉及三大部分，分別是數(shù)據(jù)集成、AIOPS智能分析、運(yùn)維聯(lián)動(dòng)執(zhí)行，分別解決生產(chǎn)海量數(shù)據(jù)的統(tǒng)一集成、海量數(shù)據(jù)的智能化分析價(jià)值挖掘、AIOPS分析價(jià)值導(dǎo)向運(yùn)維執(zhí)行。

（二）建設(shè)方案

企業(yè)智慧中臺(tái)AIOPS實(shí)施主要分為三部分，完整覆蓋數(shù)據(jù)集成、AIOPS場(chǎng)景建設(shè)和運(yùn)維聯(lián)動(dòng)能力建設(shè)，將智慧中臺(tái)AIOPS場(chǎng)景深度契合企業(yè)運(yùn)維環(huán)境，結(jié)合數(shù)據(jù)集成工具，為AIOPS場(chǎng)景提供良好、規(guī)范、優(yōu)質(zhì)的數(shù)據(jù)基座，結(jié)合運(yùn)維編排組件聯(lián)動(dòng)執(zhí)行，進(jìn)一步提升AIOPS場(chǎng)景對(duì)實(shí)際生產(chǎn)運(yùn)維的價(jià)值體現(xiàn)。

1.海量生產(chǎn)數(shù)據(jù)統(tǒng)一集成

實(shí)現(xiàn)對(duì)生產(chǎn)上各類(lèi)生產(chǎn)數(shù)據(jù)的集成，支持多種數(shù)據(jù)源集成，包括關(guān)系型數(shù)據(jù)庫(kù) Oracle、Mysql、SQLServer、DB2 等，結(jié)構(gòu)化文件 TXT、CSV、Excel、XML等，NoSQL 數(shù)據(jù)庫(kù) Hadoop、HBase、MongoDB 等。提供內(nèi)置豐富的數(shù)據(jù)校驗(yàn)、清洗和轉(zhuǎn)換插件，屏蔽層次技術(shù)實(shí)現(xiàn)細(xì)節(jié)，用戶(hù)只需要梳理業(yè)務(wù)數(shù)據(jù)，通過(guò)圖形化界面快速定義數(shù)據(jù)處理邏輯，即可完成整個(gè)數(shù)據(jù)集成的過(guò)程。

提供數(shù)據(jù)集成及預(yù)處理作業(yè)流程編排，以及作業(yè)任務(wù)單調(diào)度、監(jiān)控、查看等功能，輕松圖形化管理數(shù)據(jù)處理作業(yè)。

2.智能化分析

結(jié)合大數(shù)據(jù)架構(gòu)和智能算法模型進(jìn)一步完善智能分析能力，結(jié)合生產(chǎn)需求及集團(tuán)規(guī)范，實(shí)現(xiàn)系統(tǒng)健康度評(píng)分、故障預(yù)測(cè)、根因分析、容量評(píng)估、告警收斂、應(yīng)用服務(wù)自愈、異常檢測(cè)等場(chǎng)景：結(jié)合多類(lèi)型海量運(yùn)維監(jiān)控日志數(shù)據(jù)，提供多數(shù)據(jù)指標(biāo)綜合分析，適配各類(lèi)數(shù)據(jù)。

提供有監(jiān)督學(xué)習(xí)，提取生產(chǎn)數(shù)據(jù)，進(jìn)行指定指標(biāo)數(shù)據(jù)或業(yè)務(wù)數(shù)據(jù)進(jìn)行機(jī)器學(xué)習(xí)，得到相應(yīng)指標(biāo)或業(yè)務(wù)數(shù)據(jù)的準(zhǔn)確分析結(jié)果。

提供無(wú)監(jiān)督學(xué)習(xí)能力，針對(duì)生產(chǎn)數(shù)據(jù)進(jìn)行海量數(shù)據(jù)的聚類(lèi)分析，挖掘異常模式，進(jìn)一步結(jié)合有監(jiān)督分析結(jié)果，提升智能分析的精確性和及時(shí)性。

3.自動(dòng)化聯(lián)動(dòng)

自愈、智能巡檢、智能重啟等能力，提升運(yùn)維操作的智能化、敏捷化、精準(zhǔn)化。

三、組織開(kāi)展及落地舉措

通過(guò)對(duì)數(shù)據(jù)集成及預(yù)處理組件實(shí)現(xiàn)生產(chǎn)各類(lèi)運(yùn)維、監(jiān)控?cái)?shù)據(jù)的統(tǒng)一集成、預(yù)處理，將處理后的規(guī)范化的數(shù)據(jù)，上報(bào)至AIOPS場(chǎng)景，結(jié)合機(jī)器學(xué)習(xí)實(shí)現(xiàn)具體AIOPS場(chǎng)景智能化分析，落地AIOPS能力，并結(jié)合智能分析結(jié)果，驅(qū)動(dòng)運(yùn)維作業(yè)執(zhí)行，進(jìn)一步實(shí)現(xiàn)智能化與自動(dòng)化的結(jié)合，綜合提升智能化運(yùn)維能力建設(shè)。

（一）數(shù)據(jù)集成及預(yù)處理

數(shù)據(jù)集成組件支持抽取和加載各種常見(jiàn)的數(shù)據(jù)源，如：關(guān)系型數(shù)據(jù)庫(kù)Oracle、Mysql、SQL Server、DB2等，結(jié)構(gòu)化文件TXT、CSV、Excel、XML等，NoSQL數(shù)據(jù)庫(kù)Hadoop、HBase、MongoDB等，內(nèi)置了豐富的數(shù)據(jù)校驗(yàn)、清洗和轉(zhuǎn)換插件，屏蔽了層次技術(shù)實(shí)現(xiàn)細(xì)節(jié)，用戶(hù)只需要梳理業(yè)務(wù)數(shù)據(jù)，通過(guò)圖形化界面快速定義數(shù)據(jù)處理邏輯，即可完成整個(gè)數(shù)據(jù)集成的過(guò)程。

本次部署，對(duì)于主機(jī)指標(biāo)數(shù)據(jù)、數(shù)據(jù)庫(kù)指標(biāo)數(shù)據(jù)、日志數(shù)據(jù)等主要來(lái)自現(xiàn)有的數(shù)據(jù)納管中心，分別是以數(shù)據(jù)庫(kù)表查詢(xún)及Kafka消費(fèi)形式進(jìn)行數(shù)據(jù)集成。應(yīng)用性能數(shù)據(jù)來(lái)源于WebGate，也是通過(guò)消費(fèi)Kafka形式進(jìn)行數(shù)據(jù)集成。

（二）AIOPS智能分析

企業(yè)深度解析自身運(yùn)維現(xiàn)狀，包括生產(chǎn)數(shù)據(jù)形態(tài)及運(yùn)維痛點(diǎn)，依托于大數(shù)據(jù)為底座，結(jié)合數(shù)據(jù)集成組件，統(tǒng)一集成生產(chǎn)各類(lèi)數(shù)據(jù)。組件機(jī)器學(xué)習(xí)平臺(tái)，集優(yōu)秀成熟智能算法，結(jié)合智慧中臺(tái)先進(jìn)AIOPS場(chǎng)景建設(shè)理念，完成本省AIOPS平臺(tái)研發(fā)及建設(shè)。

平臺(tái)以大數(shù)據(jù)為數(shù)據(jù)承載，結(jié)合有監(jiān)督和無(wú)監(jiān)督學(xué)習(xí)，構(gòu)建智慧中臺(tái)四大AIOPS場(chǎng)景落地建設(shè)。

1.健康度評(píng)分

健康度評(píng)分模型，采用豐富的指標(biāo)，分別以三個(gè)維度進(jìn)行指標(biāo)的分類(lèi)，分別為支撐平臺(tái)、應(yīng)用組件、系統(tǒng)指標(biāo)。支撐平臺(tái)主要為主機(jī)層面的性能指標(biāo)、應(yīng)用組件為應(yīng)用系統(tǒng)層面的性能指標(biāo)，系統(tǒng)指標(biāo)主要為應(yīng)用系統(tǒng)TPS和日志相關(guān)數(shù)據(jù)。

采用基于Drain的日志聚類(lèi)算法、Apriori/FP-growth關(guān)聯(lián)規(guī)則算法，綜合各類(lèi)數(shù)據(jù)的分析，進(jìn)行系統(tǒng)各指標(biāo)的打分，以及系統(tǒng)整體打分。實(shí)時(shí)掌握系統(tǒng)健康度情況，并結(jié)合次模型能力，可運(yùn)用于生產(chǎn)系統(tǒng)日常巡檢、維護(hù)質(zhì)量分析、維護(hù)人員工作考評(píng)基準(zhǔn)等。結(jié)合運(yùn)維聯(lián)動(dòng)可進(jìn)一步實(shí)現(xiàn)對(duì)系統(tǒng)健康度低的，自動(dòng)觸發(fā)執(zhí)行預(yù)定義的運(yùn)維作業(yè)進(jìn)行系統(tǒng)性能提升。

2.根因分析

根因分析通過(guò)對(duì)海量告警數(shù)據(jù)進(jìn)行AI的深度挖掘，結(jié)合Apriori/FP-growth算法及SBD算法，進(jìn)行關(guān)聯(lián)性分析，通過(guò)AI算法分析系統(tǒng)告警之間的關(guān)聯(lián)關(guān)系，對(duì)自動(dòng)分析的AI規(guī)則，可支持人工進(jìn)一步的打標(biāo)處理。實(shí)現(xiàn)無(wú)監(jiān)督和有監(jiān)督的靈活結(jié)合，綜合提高根因規(guī)則的準(zhǔn)確性。通過(guò)根因分析，可輕松定位故障根因，在海量告警和繁雜噪音數(shù)據(jù)里面，定位故障根因，為運(yùn)維人員提供便利、高效、高準(zhǔn)確率的故障定位能力。

3.容量評(píng)估

容量評(píng)估實(shí)現(xiàn)對(duì)主機(jī)的CPU、內(nèi)存、存儲(chǔ)的歷史數(shù)據(jù)分析，結(jié)合auto_arima、xgboost、holt-winter、LinearRegression等算法，提供關(guān)聯(lián)預(yù)測(cè)與單指標(biāo)趨勢(shì)預(yù)測(cè)，結(jié)合相應(yīng)的評(píng)估任務(wù)，可靈活定義預(yù)測(cè)的周期，如小時(shí)、天、周、月等，且支持具體的周期數(shù)，如預(yù)測(cè)3天。后臺(tái)AIOPS模型會(huì)根據(jù)容量評(píng)估任務(wù)的預(yù)測(cè)周期時(shí)間，智能分析10倍預(yù)測(cè)周期時(shí)長(zhǎng)的歷史數(shù)據(jù)，目前定位10：1的比例，亦可按需進(jìn)行調(diào)整。

通過(guò)對(duì)指標(biāo)歷史數(shù)據(jù)的智能分析，結(jié)合相應(yīng)的評(píng)估周期任務(wù)，以及模型對(duì)于特定節(jié)假日的特殊處理，如月末月初、企業(yè)營(yíng)銷(xiāo)活動(dòng)、法定節(jié)假日等，綜合分析提高對(duì)容量評(píng)估的準(zhǔn)確性。

4.故障預(yù)測(cè)

故障預(yù)測(cè)是結(jié)合根因分析模型所分析到的關(guān)聯(lián)關(guān)系拓?fù)?，根?jù)因果關(guān)系，實(shí)時(shí)檢測(cè)系統(tǒng)各類(lèi)指標(biāo)數(shù)據(jù)，結(jié)合趨勢(shì)預(yù)測(cè)（auto_arima、holt-winter）算法，通過(guò)對(duì)前序事件的實(shí)時(shí)檢測(cè)，從而進(jìn)行后序事件的預(yù)測(cè)，實(shí)現(xiàn)對(duì)故障的預(yù)測(cè)效果。

故障預(yù)測(cè)支持對(duì)前序事件的發(fā)生時(shí)間以及故障預(yù)測(cè)的發(fā)生時(shí)間展示，幫助運(yùn)維人員輕松了解AIOPS預(yù)測(cè)到的故障及發(fā)生時(shí)間，為后續(xù)的故障自愈、預(yù)處理提供支撐。

（三）智能運(yùn)維聯(lián)動(dòng)

1.運(yùn)維編排組件

運(yùn)維編排組件主要實(shí)現(xiàn)圖形化靈活的作業(yè)編排能力，支持組件拖拽形式編排，作業(yè)步驟之間的串/并行、條件判斷亦可靈活定義。每個(gè)步驟都可以靈活定義執(zhí)行目標(biāo)、執(zhí)行內(nèi)容、執(zhí)行輸出等，亦可支持變量性質(zhì)實(shí)現(xiàn)整體作業(yè)執(zhí)行目標(biāo)執(zhí)行過(guò)程中定義的需求。結(jié)合作業(yè)審批、歷史作業(yè)回溯、權(quán)限管理等功能，完成生產(chǎn)各類(lèi)自動(dòng)化運(yùn)維操作的集中納管、效率提升、提效節(jié)能的作用。

2.智能運(yùn)維聯(lián)動(dòng)

智能運(yùn)維聯(lián)動(dòng)主要是結(jié)合健康度評(píng)分、容量評(píng)估、故障預(yù)測(cè)模型的AIOPS智能分析結(jié)果，進(jìn)行聯(lián)動(dòng)相應(yīng)預(yù)定義的運(yùn)維作業(yè)，實(shí)現(xiàn)AIOPS模型分析結(jié)果智能驅(qū)動(dòng)運(yùn)維作業(yè)執(zhí)行的效果。進(jìn)而實(shí)現(xiàn)系統(tǒng)亞健康性能自檢提升、容量異常自動(dòng)擴(kuò)縮容、預(yù)測(cè)故障進(jìn)行自愈等智能運(yùn)維場(chǎng)景的實(shí)現(xiàn)。

緊密結(jié)合AIOPS智能分析能力與自動(dòng)化運(yùn)維能力，實(shí)現(xiàn)智能運(yùn)維，為生產(chǎn)維護(hù)提速增效，降低人工定位、操作的時(shí)延影響，整體提高系統(tǒng)的穩(wěn)定性、可用性和用戶(hù)滿(mǎn)意度。

四、工作成效

企業(yè)順利完成智慧中臺(tái)AIOPS能力本地化建設(shè)，并結(jié)合數(shù)據(jù)集成及運(yùn)維聯(lián)動(dòng)組件，實(shí)現(xiàn)完善全面的智能運(yùn)維解決方案，目前已接入了多套企業(yè)級(jí)日常運(yùn)營(yíng)支撐系統(tǒng)，并對(duì)各個(gè)系統(tǒng)日常運(yùn)行所產(chǎn)生的各類(lèi)數(shù)據(jù)進(jìn)行集中集成，預(yù)處理后結(jié)合機(jī)器學(xué)習(xí)，與具體的算法模型進(jìn)行測(cè)算演進(jìn)，綜合分析得到準(zhǔn)確的分析結(jié)果，并結(jié)合具體的場(chǎng)景，完成運(yùn)維作業(yè)的聯(lián)動(dòng)，實(shí)現(xiàn)深度智能運(yùn)維能力的建設(shè)。

通過(guò)智能運(yùn)維系統(tǒng)切實(shí)提升系統(tǒng)日常運(yùn)維效率，以及產(chǎn)能提升，主要體現(xiàn)在以下幾個(gè)方面：

（一）提升數(shù)據(jù)集成能力

通過(guò)數(shù)據(jù)集成組件，統(tǒng)一系統(tǒng)各類(lèi)數(shù)據(jù)，打通數(shù)據(jù)壁壘，挖掘不同數(shù)據(jù)之間的相關(guān)性?xún)r(jià)值，從數(shù)據(jù)維度提升綜合分析能力。為后續(xù)的AIOPS智能綜合分析提供數(shù)據(jù)支撐。數(shù)據(jù)集成組件圖形化構(gòu)建數(shù)據(jù)預(yù)處理流程，在線配置數(shù)據(jù)接入定時(shí)任務(wù)，輕松解決系統(tǒng)各類(lèi)數(shù)據(jù)的實(shí)時(shí)接入、轉(zhuǎn)換、封裝、上報(bào)全流程工作。

（二）AI智能分析能力

通過(guò)提供機(jī)器學(xué)習(xí)能力，并靈活結(jié)合各類(lèi)智能算法及模型，通過(guò)對(duì)生產(chǎn)運(yùn)維監(jiān)控產(chǎn)生的海量數(shù)據(jù)進(jìn)行測(cè)算分析，結(jié)合運(yùn)維經(jīng)驗(yàn)，調(diào)優(yōu)模型，進(jìn)一步提升智能分析的精確度和可靠性。完成系統(tǒng)健康度評(píng)分、故障預(yù)測(cè)、根因分析、容量評(píng)估等場(chǎng)景的落地實(shí)現(xiàn)。與生產(chǎn)系統(tǒng)運(yùn)維流程相結(jié)合，切實(shí)提升運(yùn)維質(zhì)量和效率。

系統(tǒng)健康度評(píng)分：完成接入系統(tǒng)健康度評(píng)分，實(shí)時(shí)綜合評(píng)分，結(jié)合生產(chǎn)系統(tǒng)管理體系，對(duì)系統(tǒng)維護(hù)質(zhì)量、運(yùn)行質(zhì)量進(jìn)行量化考評(píng)，轉(zhuǎn)化系統(tǒng)分析方式，提高監(jiān)控、管理、總結(jié)、匯報(bào)等生產(chǎn)工作質(zhì)量和效率。

目前企業(yè)接入系統(tǒng)，結(jié)合各類(lèi)實(shí)時(shí)數(shù)據(jù)，每5分鐘進(jìn)行健康度整體評(píng)分，并提供大屏實(shí)時(shí)展示，輕松掌握系統(tǒng)實(shí)時(shí)運(yùn)行健康狀態(tài)，減少系統(tǒng)巡檢、分析壓力，提升系統(tǒng)異常處理時(shí)效。

故障預(yù)測(cè)：以海量歷史數(shù)據(jù)為計(jì)算基礎(chǔ)，提供指定時(shí)間（小時(shí)、天、周、月）的預(yù)測(cè)能力，以此增加有效告警，提供故障自愈能力。

目前結(jié)合多個(gè)生產(chǎn)系統(tǒng)歷史數(shù)據(jù)，實(shí)時(shí)預(yù)測(cè)故障，平均每日預(yù)測(cè)近50個(gè)故障，為運(yùn)維人員提供有效的故障預(yù)警及預(yù)處理，提升系統(tǒng)整體穩(wěn)定性。

根因分析：結(jié)合生產(chǎn)系統(tǒng)海量歷史數(shù)據(jù)，建立關(guān)聯(lián)性拓?fù)?，平均每月采?00多個(gè)因子，分析300多個(gè)事件根因，減少200余次的無(wú)效告警。

容量評(píng)估：結(jié)合生產(chǎn)系統(tǒng)海量歷史數(shù)據(jù)，建立動(dòng)態(tài)閾值，結(jié)合智能預(yù)測(cè)算法，為系統(tǒng)提供定期（小時(shí)、天、周、月）容量預(yù)測(cè)服務(wù)，助力生產(chǎn)系統(tǒng)各類(lèi)場(chǎng)景的容量評(píng)估和優(yōu)化，包括秒殺、活動(dòng)、月末月初出賬、法定節(jié)假日等業(yè)務(wù)突增場(chǎng)景。

目前配置預(yù)測(cè)任務(wù)，平均每日預(yù)測(cè)20次左右容量不足及冗余情況，助力生產(chǎn)系統(tǒng)容量合理調(diào)整規(guī)劃。

（三）智能與運(yùn)維聯(lián)動(dòng)能力

通過(guò)智能分析與運(yùn)維操作的聯(lián)動(dòng)，進(jìn)一步提升智能分析結(jié)果的價(jià)值，結(jié)合運(yùn)維操作，實(shí)現(xiàn)更靈活智能的運(yùn)維需求。實(shí)現(xiàn)故障自愈、智能巡檢、故障預(yù)測(cè)聯(lián)動(dòng)故障恢復(fù)等運(yùn)維場(chǎng)景落地，觸發(fā)故障預(yù)測(cè)及預(yù)處理實(shí)踐，降低業(yè)務(wù)系統(tǒng)故障率。

整體而言，截止目前已累計(jì)覆蓋10余種核心系統(tǒng)的智能運(yùn)維工作，日處理數(shù)據(jù)量達(dá)100G，為電子渠道系統(tǒng)提供容量規(guī)劃，累計(jì)節(jié)省176萬(wàn)投資。通過(guò)智能場(chǎng)景建設(shè)，觸發(fā)自動(dòng)巡檢、主動(dòng)故障干預(yù)，降低15%左右的告警數(shù)量，每月減少33萬(wàn)的人力成本，助力降本增效工作開(kāi)展。

五、應(yīng)用建議

本次實(shí)施方案綜合了大數(shù)據(jù)架構(gòu)、數(shù)據(jù)集成、數(shù)據(jù)預(yù)處理、智能AI分析、運(yùn)維操作聯(lián)動(dòng)方案的特性，提供針對(duì)海量數(shù)據(jù)的實(shí)時(shí)分析，結(jié)合AI智能算法與模型，實(shí)現(xiàn)各類(lèi)AIOPS場(chǎng)景的落地，并結(jié)合運(yùn)維作業(yè)組件，實(shí)現(xiàn)運(yùn)維聯(lián)動(dòng)，進(jìn)一步提升智能分析產(chǎn)出價(jià)值，以及智能化運(yùn)維的實(shí)施，助力運(yùn)維模式從自動(dòng)化運(yùn)維向智能化運(yùn)維轉(zhuǎn)型，進(jìn)一步降低人員維護(hù)成本，提高系統(tǒng)可用性。

（一）應(yīng)用普適性

本方案采用分布式集群架構(gòu)，具備高可用能力，具備了適用面廣泛、快速規(guī)模部署、模型通用性強(qiáng)等特點(diǎn)，利于全網(wǎng)推廣與借鑒。

1. 適應(yīng)面廣泛

數(shù)據(jù)集成組件適配各類(lèi)數(shù)據(jù)源，無(wú)需用戶(hù)大量定制化改造，只需配置相應(yīng)的采集渠道，即可實(shí)現(xiàn)數(shù)據(jù)的統(tǒng)一集成，結(jié)合數(shù)據(jù)處理組件的模塊，圖形化編排數(shù)據(jù)預(yù)處理作業(yè)，可實(shí)現(xiàn)數(shù)據(jù)的預(yù)處理操作，供后續(xù)大數(shù)據(jù)分析及智能分析使用，具備優(yōu)良的可推廣性。

2. 快速規(guī)模部署

采用分布式集群架構(gòu)，支持快速部署，具備良好的擴(kuò)展性，基于大數(shù)據(jù)存儲(chǔ)，實(shí)時(shí)流式分析，具備龐大的計(jì)算分析能力。核心組件提供容器化部署方案，可靈活快速擴(kuò)容。支持根據(jù)現(xiàn)場(chǎng)環(huán)境及需求，靈活調(diào)整集群部署量級(jí)及架構(gòu)。

3. AI能力固化

平臺(tái)提供AIOPS常見(jiàn)的算法及模型固化，并提供模型測(cè)算和訓(xùn)練功能，用戶(hù)可根據(jù)現(xiàn)場(chǎng)數(shù)據(jù)及業(yè)務(wù)場(chǎng)景，進(jìn)一步進(jìn)行模型測(cè)算和調(diào)優(yōu)即可完成相應(yīng)aiops場(chǎng)景的落地實(shí)現(xiàn)。

4. 智能運(yùn)維聯(lián)動(dòng)

智能分析聯(lián)動(dòng)運(yùn)維作業(yè)，實(shí)現(xiàn)深度智能運(yùn)維?？筛鶕?jù)用戶(hù)現(xiàn)場(chǎng)已有的運(yùn)維操作平臺(tái)或者智能分析平臺(tái)進(jìn)行接口對(duì)接，實(shí)現(xiàn)相應(yīng)能力集成。