智能运维（AIOps）系列之四：智能运维落地的思路

概述

业务能力

产品能力

数据能力

工程能力

算法能力

概述

算法，是智能运维无法回避的一个话题。

能力结构

• 计算机科学相关的基础算法：比如说 搜索算法、树、图论、动态规划等；
• 统计学相关基础知识；
• 时序算法
• NLP
• 数据挖掘、神经网络
• 知识图谱
  • 本体论
  • 知识图谱相关的开源工具
  • 如果后续要自己开发相关的工具，还需要具备：
    • 编译原理，用于设计和开发推理引擎；
    • 推理逻辑
    • 数据库相关的理论，分布式系统算法相关的理论，用于开发分布式数据库；
• 运筹学，规划类的问题

智能运维如何落地

概述

寻找切入点

做前沿项目，还是比较忌讳一开始贪大求全。这不仅仅是技术问题。
项目刚开始的项目，还是有很多东西需要处理的：

• 熟悉业务的过程；
• 跟业务方的磨合；
• 技术的尝试阶段；
• 等等；

以根因分析作为切入点为例

根因分析技术简介

具体详见：https://blog.csdn.net/micklongen/article/details/89437275

• 分析意图
  • 根因分析，需要给出解释的：逻辑推理、状态图、贝叶斯网络等；
  • 只需要给出结论：机器学习、频繁项挖掘等；
• 场景划分
  • 实时分析：1分钟之内
  • 准实时分析：5分钟之内
  • 离线分析：5分钟之后

如何落地

如何体系化的建设智能运维

数据体系化建设 — 运维数仓

基础能力建设

• 数据采集
• 数据清洗
• 数仓建设
• 大数据可视化
• 数据分析

应用

• 质量保障
  • SLA指标体系
  • 故障影响评估
  • 安全生产数据支持
  • 可用率分析
• 成本管理
  • 资源使用率
• 效率
  • 性能分析
• 用户体验
• 等等

工程体系化建设 — 业务系统

基础能力建设

• 分布式系统架构能力建设
• 运维能力建设
• 算法模型工程化

应用场景

• 支撑智能运维解决方案落地

算法体系化建设

基础能力建设

见上面

应用场景

• 质量保障
• 成本优化
• 效率提升
• 用户体验分析与提升
  等等