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據，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，使用數據分析（在一定程度上）實現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揮AIOps的優勢，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據，其中一部分數據可能相當敏感，或者可能被攻擊者用于發動入侵乃至破壞。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及環境中提取并分析數據的稱職管家。此外，合規性問題也很重要，目前不少法律已經對供應商工具將用戶數據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據處理，那么開源AIOps工具也會受到同樣的影響。但大多數開源工具主要運行在用戶的自有數據中心內，或者至少是在用戶控制的公有云基礎設施之上運行，因此帶來的合規性或數據隱私問題一般更少。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，提升數據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，上述數據管理問題可能會構成新的挑戰。因此，一般企業在選擇供應商時必須認真評估對方的合規性保障與防止數據遭到濫用的能力。好消息是，AIOps領域的大多數供應商都擁有良好的商業聲譽，在以合規且安全方式管理客戶數據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據、參與數據以及來自第三方工具的數據，判斷系統運行狀態并保證其處于最佳狀態。

基礎設施與網絡層面發生的問題，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生。而隨著全球經濟體系乃至社會數字化轉型，對事件管理能力的需求也變得愈發緊迫。

盡管現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。一旦出現性能問題甚至數字服務中斷，對現代應用程序造成的影響反而比傳統應用更嚴重。

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先級、迅速發現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運行狀態并保證其處于最佳狀態。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據之內，借此充實現狀，甚至有望自動高效地完成事件響應。

著眼于現實場景，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，可幫助團隊快速發現問題。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及基礎設施的運行態勢。憑借這種自動性方法，AIOps能夠及時發現預警信號，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。警報的持續涌出往往令員工的神經變得麻木，難以發現真正緊急的狀況。理想情況下，需要準確判斷哪些警報優先級較低、哪些警報彼此關聯。AIOps能夠關聯、精簡警報并確定優先級，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

突發事件往往非常混亂，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提供良好的訓練數據，進而可以幫助識別并預防以往曾經發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提升，最終提供更具針對性的關聯、洞見與建議。

整合數據、統一團隊

任何來源的事件數據，都會與企業的現有事件管理工具和工作流集成在一處。輸入的數據越多，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據，通過背景信息豐富數據內容，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，在于市場的快速發展。盡管截至2021年初，AIOps產品中的開源生態還遠遠落后于專有軟件市場，但隨著更多開源開發者及支持者向AIOps領域投入資源，雙方的關系與競爭形勢有可能發生改變。

當然，專有供應商也會繼續增強AIOps功能。如今，大多數商業AIOps工具都集中在監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的關注。另外，企業也不應將選擇視為一勞永逸的工作———只要出現了更好的選擇，大家必須迅速行動、順應變革。