AIOps是一个总称，用于指代使用复杂的基础设施管理软件和云解决方案监控工具来实现自动化数据分析和日常的DevOps操作。
那些10年前甚至是5年前构建的系统监控工具的主要缺陷是它们不是为了满足大数据时代的需求而构建的。它们既不能处理数量庞大的输入数据，也不能处理种类繁多的数据类型，更加不能与输入数据的速度保持一致。根据以往的经验，这样的云监控解决方案必须将数据分块，将看似重要的内容进行分离，并切断看似不需要的内容，最后使用焦点组和统计样本进行操作，而不是处理整个完整的数据。
这样做的结果是，在数据分析阶段，一些重要的模式可能会被忽略，数据可视化的视图被完全排除。这可能使得整个过程毫无用处，就好像大数据分析不能产生可操作的业务洞察一样，它将无法提供大数据分析中最重要的价值。
让AIOps进入场景
当然，要及时处理所有机器生成的数据是不可能的。然而，这正是人工智能算法(如深度学习模型)所擅长的那种任务。剩下的唯一问题是:如何在DevOps工程师的日常生活中让这些机器学习工具发挥作用？
下面是在IT部门中适合使用AIOps的一些案例:
- 快速处理数据。可以训练一个ML模型来处理系统生成的所有类型的数据——这是未来的方向。如果必须添加新的数据类型，模型也可以相对容易地进行调整和再训练，以保持高性能。这将确保数据的完整性和保真度，从而产生全面的分析和具体的结果。
- 深入的数据分析。当你能够实现对所有数据进行分析时，隐藏的模式就会出现，可操作的见解也会出现。然后，DevOps工程师就可以分析出基础设施需要调整的地方，以避免性能瓶颈的出现，并且可以坐在高管的桌前，为优化基础设施和改进运营提供具体的基于数据的建议。
- 日常工作的自动化。识别出事件模式后，就可以设置自动触发器。因此，当统计数据显示某些事件总是导致特定的(负面的)结果，并且必须执行某些操作来纠正问题时，DevOps工程师就可以创建触发器并自动对此类事件做出响应。
因此，如果监控解决方案报告了由于连接数量增加而导致了CPU使用率的增加，诸如此类。Kubernetes就可以启动额外的应用程序实例，并使用负载平衡来分配访问流和减少负载。这是最简单的场景，而现实世界的用例则要复杂得多，需要允许自动执行任何的日常DevOps任务，使ML模型能够在特定条件下启动它，并预先处理问题，而不是在停机后。
使用AIOps的好处
部署AIOps解决方案可以实现以下的积极成果:
- 不间断的产品可用性，带来积极的终端用户体验
- 优先解决问题，而不是永久性的灭火
- 消除数据孤岛并实现根本性的故障修复，因为您分析了业务生成的所有数据而不是使用精简样本
- 日常任务的自动化，使您的IT部门能够集中精力于改进基础架构和流程，而不是处理重复且耗时的任务
- 更好的协作，因为对日志的深入分析有助于显示管理决策的影响，并评估采用的业务战略的效率
与此同时，真正具有创新精神的公司已经在努力将人工智能算法、ML模型和DevOps系统相结合，以提供未来最先进的云监控和基础设施自动化解决方案。应用这些实践可以极大地改善客户体验，缩短产品的上市时间，更有效地使用基础设施，以及在团队中更好地进行协作。然而，即使是这些创新者也没有现成的解决方案来满足他们的需求，他们不得不使用Splunk、sumeoric、Datadog、promethus + Grafana、Kubernetes和terra form等流行的DevOps工具来构建这样的系统。更重要的是，尽管这个想法本身非常重要，但实施它所需的基础设施管理水平远远超过了普通公司的能力。
原文标题：What Is AIOps: The Next Level of DevOps Services，作者：Vladimir Fedak