AIOps，SRE工程师手中的利器

随着数字化浪潮的推进，出现了越来越多大型和超大型数据中心，通常这些数据中心承载了大量业务，其中不乏事关国计民生的应用（比如公有云服务商的数据中心），一旦出现故障，必须以闪电般的速度加以解决，最好让最终用户或客户根本就感受不到故障的发生。

而另一方面，现代应用程序需要能够快速响应客户需求，需要快速迭代，这对基础设施可靠性形成巨大压力，一旦出现性能问题甚至服务中断，现代应用程序造成的影响反而比传统应用更严重。

为了应对这些需求，SRE（Site Reliability Engineer)应运而生。相比于传统的运维，SRE面临的挑战更大，应对的局面更为复杂。此时，一个好用工具无疑能对SRE工程师带来很大帮助，特别是能帮助SRE判断问题优先级、迅速发现故障并帮助解决的工具。AIOps的价值正在于此。随着软件与基础设施资产的迅猛拓展，AIOps能够自动检测到环境中的异常、为团队提供必要的安全性加持，保证在问题扩大化、复杂化之前及时将其解决。

SRE与AIOps

从事运维工作的人一定对SRE(Site Reliability Engineer)不会陌生，这个从国外大型互联网公司流行起来的词汇，这几年准备在国内流行开来。今天，在中国不仅一些大型公司如阿里设有SRE这个岗位，一些传统公司甚至开始模仿。

SRE最早在十多年前Google提出并应用，Google出版的《Site Reliability Engineering》一书在国内广为流传。尽管在国内有些人把SRE直接理解为运维或者系统管理，其实SRE与运维和系统管理虽有重合，但却有很大区别。根据Google对SRE的定位，Google SRE团队的职责包括容量规划、分布式系统监控、负载均衡、服务容错、on-call、故障应急、业务协同支持等。

从工作定位来看，SRE有运维的工作。比如，SRE要负责生产环境（网络、服务器、存储、数据库、中间件等）的稳定性保障工作，在日常on-call与故障应急工作中，运维能力必不可少。但SRE不止于运维。严格地说，SRE是一个技能综合性岗位，不仅需要运维能力，也需要软件工程能力、技术架构能力、编码能力、以及项目管理与团队协作能力。而在SRE做些这个工作时，AIOps是可以发挥重要作用的。

实际上，随着应用程序与基础设施的蓬勃发展，AIOps也开始成为一种极为重要的SRE工程师手中重要的工程工具。它能够高效地整合各种系统指标、日志以及来自第三方工具的数据，判断系统运行状态并保证其处于最佳状态。为了帮助团队识别并诊断问题，算法与机器学习工具随后会被整合至数据之内，借此充实关于现状的情报，甚至有望自动高效地完成事件响应。

AIOps的5大应用场景

实际工作中，AIOps可以在以下五种场景发挥重要作用：

1. 检测事件

这也是AIOps扩展工具包的核心应用，它能帮助团队快速发现问题。AI与机器学习能够自动梳理异常迹象，而后将学习结果用于观察系统及基础设施的运行态势。凭借这种自动性方法，AIOps能够及时发现预警信号，帮助运营团队在客户体验受到影响之前就及时介入。

2. 减少及消除干扰

事件响应当中，从众多警报中找到关键信息一直是个大问题。太多警报往往令员工的神经变得麻木，难以发现真正紧急的状况。理想情况下，我们需要准确判断哪些警报优先级较低、哪些警报彼此关联。AIOps能够关联、精简警报并确定其优先级，借此消除警报疲劳问题、帮助团队高效处理对可靠性威胁最大的故障。

3. 整合相关信息

突发事件往往非常混乱，而且形势也瞬息万变。过多信息会导致团队迷失方向，为此必须为运营人员提供背景信息，帮助他们找到正确的方向。AIOps能够自动对事件做出映射，同时建立起全面了解。除了理解以外，背景信息在事件解决方面同样有着重要作用。

4. 提升智能化水平

AIOps是一种不断发展的有效工具。过往经验、当前使用方式以及用户反馈等，共同为AIOps提供良好的训练数据，进而帮助我们识别并预防以往曾经发生或较为类似的问题。随着信息的不断积累，模型智能化程度将持续提升，最终提供更具针对性的关联、洞见与建议。

5. 整合数据、统一团队

任何来源的事件数据，都会与您的现有事件管理工具及工作流集成在一处。您输入的数据越多，机器学习模型的训练度也就越高，产生有针对性、高实用度结果的几率就更高。AIOps解决方案能够吸纳数据，通过背景信息丰富数据内容，并将结果通报至相关团队或响应人员手中，以供各个事件管理团队加以使用。以此为基础，各团队将不必把时间浪费在不同工具的往来切换当中。

对于尚未开始使用AIOps的组织而言，这项工作听起来似乎繁复无比。没错，AIOps确有一定门槛，但目前已经有不少实践标准能够帮助我们较为轻松地跨过这些门槛。

首先，考虑最适合自身需求的用例。缩小思考范围，从小处入手开始学习，并在测试中不断成长。

其次，保证工作流程的透明化。人们天然会抵触变化，所以大家必须破除迷团、让AIOps呈现出清晰明确的形象。

最后，为囊括AI及ML元素的新型IT运营体系做好准备。如今，采用AIOps技术支持运营体系的组织越来越多，相信它也终将成为颠覆传统运营理念与运营思维的主流解决方案。