aiops框架（AI开发框架）

本文目录一览：

• 1、如何做好运维监控？

• 2、【RPA技术】前 5 个开源 RPA 框架——以及如何选择

• 3、devops的优势有哪些？

• 4、智能运维是什么？

• 5、什么是devops

• 6、腾讯钟学丹：汽车产业将基于云端定义智能、体验和新商业模式

如何做好运维监控？

统一监控平台，说到底本质上也是一个监控系统，监控的基本能力是必不可少的，回归到监控的本质，先梳理下整个监控体系：

① 监控系统的本质是通过发现故障、解决故障、预防故障来为了保障业务的稳定。

② 监控体系一般来说包括数据采集、数据检测、告警管理、故障管理、视图管理和监控管理6大模块。而数据采集、数据检测和告警处理是监控的最小闭环，但如果想要真正把监控系统做好，那故障管理闭环、视图管理、监控管理的模块也缺一不可。

一、数据采集

1、采集方式

数据采集方式一般分为Agent模式和非Agent模式；

Agent模式包括插件采集、脚本采集、日志采集、进程采集、APM探针等

非Agent模式包括通用协议采集、Web拨测、API接口等

2、数据类型

监控的数据类型有指标、日志、跟踪数据三种类型。

指标数据是数值型的监控项，主要是通过维度来做标识。

日志数据是字符型的数据，主要是从中找一些关键字信息来做监控。

跟踪型数据反馈的是跟踪链路一个数据流转的过程，观察过程中的耗时性能是否正常。

3、采集频率

采集频率分秒级、分钟级、随机三种类型。常用的采集频率为分钟级。

4、采集传输

采集传输可按传输发起分类，也可按传输链路分类。

按传输发起分类有主动采集Pull（拉）、被动接收Push（推）

按传输链路分类有直连模式、Proxy传输。

其中Proxy传输不仅能解决监控数据跨网传输的问题，还可以缓解监控节点数量过多导致出现的数据传输的瓶颈，用Proxy实现数据分流。

5、数据存储

对于监控系统来说，主要有以下三种存储供选择

① 关系型数据库

例如MySQL、MSSQL、DB2；典型监控系统代表：Zabbix、SCOM、Tivoli；

由于数据库本身的限制，很难搞定海量监控的场景，有性能瓶颈，只在传统监控系统常用

② 时序数据库

为监控这种场景设计的数据库，擅长于指标数据存储和计算；例如InfluxDB、OpenTSDB（基于Hbase）、Prometheus等；典型监控系统代表：TICK监控框架、 Open-falcon、Prometheus

③ 全文检索数据库

这类型数据库主要用于日志型存储，对数据检索非常友好，例如Elasticsearch。

二、数据检测

1. 数据加工

① 数据清洗

数据清洗比如日志数据的清洗，因为日志数据是非结构化的数据，信息密度较低，因此需要从中提取有用的数据。

② 数据计算

很多原始性能数据不能直接用来判断数据是否产生异常。比如采集的数据是磁盘总量和磁盘使用量，如果要检测磁盘使用率，就需要对现有指标进行一个简单的四则运算，才能得到磁盘使用率。

③ 数据丰富

数据丰富就是给数据打上一些tags标签，比如打上主机、机房的标签，方便进行聚合计算。

④ 指标派生

指标派生指的是通过已有的指标，通过计算得出新的指标。

2. 检测算法

有固定规则和机器学习算法。固定算法是较为常见的算法，静态阈值、同比环比、自定义规则，而机器学习主要有动态基线、毛刺检测、指标预测、多指标关联检测等算法。

无论是固定规则还是机器学习，都会有相应的判断规则，即常见的 =和and/or的组合判断等。

三、告警管理

1. 告警丰富

告警丰富是为了后续告警事件分析做准备，需要辅助信息去判断该怎么处理、分析和通知。

告警丰富一般是通过规则，联动CMDB、知识库、作业历史记录等数据源，实现告警字段、关联信息的丰富；通过人工打Tags也是一种丰富方式，不过实际场景下由于人工成本高导致难以落地。

2. 告警收敛

告警收敛有三种思路：抑制、屏蔽和聚合

① 抑制

即抑制同样的问题，避免重复告警。常见的抑制方案有防抖抑制、依赖抑制、时间抑制、组合条件抑制、高可用抑制等。

② 屏蔽

屏蔽可预知的情况，比如变更维护期、固定的周期任务这些已经知道会发生的事件，心里已经有预期。

③ 聚合

聚合是把类似或相同的告警进行合并，因为可能反馈的是同一个现象。比如业务访问量升高，那承载业务的主机的CPU、内存、磁盘IO、网络IO等各项性能都会飙升，这样把这些性能指标都聚合到一块，更加便于告警的分析处理。

3. 告警通知

① 通知到人

通过一些常规的通知渠道，能够触达到人。

这样在没有人盯屏的时候，可以通过微信、短信、邮件触发到工作人员。

② 通知到系统

一般通过API推送给第三方系统，便于进行后续的事件处理

另外还需要支持自定义渠道扩展（比如企业里有自己的IM系统，可以自行接入）

四、故障管理

告警事件必须要处理有闭环，否则监控是没有意义的。

最常见还是人工处理：值班、工单、故障升级等。

经验积累可以把人工处理的故障积累到知识库里面，用于后续故障处理的参考。

自动处理，通过提取一些特定告警的固化的处理流程，实现特定场景的故障自愈；比如磁盘空间告警时把一些无用日志清掉。

智能分析主要是通过故障的关联分析、定位、预测等AI算法，进一步提升故障定位和处理的效率；

1. 视图管理

视图管理也属于增值性功能，主要是满足人的心理述求，做到心中有底，面向的角色很多（领导、管理员、值班员等）。

大屏：面向领导，提供全局概览

拓扑：面向运维人员，提供告警关联关系和影响面视图

仪表盘：面向运维人员，提供自定义的关注指标的视图

报表：面向运维人员、领导，提供一些统计汇总报表信息，例如周报、日报等

检索：面向运维人员，用于故障分析场景下的各类数据检索

2. 监控管理

监控管理是企业监控落地过程中的最大挑战。前5个模块都是监控系统对外提供的服务功能，而监控管理才是面向监控系统自身的管理和控制，关注真正落地的过程的功能呈现。主要有以下几个方面：

配置：简单、批量、自动

覆盖率：监控水平的衡量指标

指标库：监控指标的规范

移动端：随时随地处理问题

权限：使用控制

审计：管理合规

API：运维数据最大的来源，用于数据消费

自监控：自身稳定的保障

为了实现上述监控六大基础能力模块，我们可以按如下架构设计我们的统一监控平台。

主要分三层，接入层，能力层，功能层。

接入层主要考虑各种数据的接入，除了本身Agent和插件的采集接入，还需要支持第三方监控源的数据接入，才能算一个完整的统一监控平台。

能力层主要考虑监控的基础通用能力，包含数据采集模块、数据存储模块、数据加工模块、数据检测模块、AI分析模块。

功能层需要贴近用户使用场景，主要有管理、展示两类功能，在建设的过程中可以不断丰富功能场景。

另外，考虑到数据的关联关系，为未来的数据分析打下基础，监控和CMDB也需要紧密联动，所有的监控对象都应该用CMDB进行管理，另外，还可以配置驱动监控为指导理念，实现监控的自动上下线，告警通知自动识别负责人等场景，简化监控的维护管理。

为了统一监控平台能够在企业更好的落地，我们需要配备对应的管理体系，其中最重要的是指标管理体系。

指标管理体系的核心理念：

监控的指标体系是以CMDB为骨架，以监控指标为经脉，将整个统一监控平台的数据有机整合起来。

贯穿指标的生命周期管理，辅以指标的管理规范，保障监控平台长久有序的运行。

从企业业务应用的视角出发，一般将企业监控的对象分为6层，也可以根据企业自己的情况进行调整：

基础设施层

硬件设备层

操作系统层

组件服务层

应用性能层

业务运营层

【RPA技术】前 5 个开源 RPA 框架——以及如何选择

在许多组织中，自动化和人工智能/机器学习的第一步是采用机器人过程自动化 (RPA) 技术。

许多企业正在使用 RPA 来提高成本和 IT 流程的效率。在许多情况下，减少错误、时间、成本和冗余操作可以改善客户和其他利益相关者的工作流程。

RPA 的核心是帮助组织自动执行大量完成的已定义的、多步骤的手动任务。RPA 通过创建复制人类行为以与现有应用程序界面交互的软件机器人来做到这一点。

RPA 有可能将成本降低 30% 到 50%。这是一项明智的投资，可以显着提高组织的底线。它非常灵活，可以处理广泛的任务，包括进程复制和网络抓取。

RPA 可以帮助预测错误并减少或消除整个流程。它还通过使用智能自动化帮助您在竞争中保持领先。它可以通过创建个性化服务来改善数字客户体验。

开始使用 RPA 的一种方法是使用开源工具，这些工具没有预付费用。以下是您的第一个 RPA 计划要考虑的五个选项，每个选项的优缺点，以及有关如何为您的公司选择正确工具的建议。

在埃森哲，我的团队主要使用商业工具实施 RPA，但我们也使用开源工具，并且可能会为给定的客户使用组合。也就是说，开源选项是一种轻松涉足 RPA 领域的方法，无需对软件进行大量投资。

与商业 RPA 工具相比，开源降低了您的软件许可成本。另一方面，它可能需要额外的实施费用和准备时间，并且您需要依赖开源社区的支持和更新。（有关一些潜在缺点的更多详细信息，请参阅“使用 AIOps，在开源之前三思而后行”中的讨论。）

是的，商业和开源 RPA 工具之间存在权衡——我会在一分钟内讨论这些。但是，当用作 RPA 实施的操作组件时，开源工具可以提高企业项目的整体投资回报率。这是我们的竞争者名单。

Taskt 以前称为 sharpRPA，是一个免费的 C# 程序，使用 .NET 框架构建，具有易于使用的拖放界面，让您无需任何编码即可自动化流程。

我的团队经常与只有 C# 开发技能的客户合作，Taskt 是 C# 为中心的团队用来开始 RPA 的好工具。

您可以通过 GitHub 上的示例来探索 Taskt，您还可以在其中找到设置任务自动化流程的分步指南。我们的许多开发人员都有强大的 Microsoft/Azure 背景，并发现使用 C# 使用 Taskt 创建脚本要容易得多。该工具具有 Microsoft 的影响力，这将使喜欢 Visual Studio 或 Azure 开发环境的团队受益。

底线：如果您的团队习惯于开发 Microsoft C# 解决方案，Taskt 是一个很好的工具。

Robot Framework 庞大的开源开发者社区使其成为该列表中最先进、最稳定的开源 RPA 解决方案。使用 Robot Framework 有几个主要好处：

供应商联盟支持开源社区更新核心产品。

Robot Framework 在多个平台上运行，使开发团队更容易采用和实施它。

核心框架可以通过扩展的插件库进行扩展。

复制自动化的默认机器人可以根据企业的需求进行扩展。

虽然我的团队经常使用 Robot Framework，但该工具很复杂，如果您正在寻找第一个 RPA 解决方案的原型或者如果您是 RPA 新手，那么它可能不是最佳选择。也就是说，经验丰富的 RPA 开发人员将欣赏您如何使用 Robot Framework 来管理复杂的 RPA 任务。

TagUI 是一种多层且复杂的工具，具有丰富的脚本语言，可让您完成复杂的 RPA 指令。您使用 TagUI 的脚本语言开发每组指令，称为“流程”，并将其保存在扩展名为“.tag”的文本文件中。然后，您可以使用终端窗口/命令提示符执行每个流程。

每个流脚本可以识别以下内容：

访问网站或打开应用程序的说明

在哪里点击屏幕

要键入的内容

IF 和 LOOP 指令

TagUI 脚本语言的丰富性使其成为我们团队的最爱。我们可以快速启动并运行该工具，脚本可以作为 .tag 文件共享以创建库，并且维护脚本库很容易。TagUI 适用于实施 RPA 的中级或高级团队。

UI.Vision（以前称为 Kantu），既可以作为桌面上的独立客户端运行，也可以作为 Web 浏览器中的插件运行。它不需要您学习如何编写脚本，因为它是由点击式界面驱动的。如果您是 RPA 新手并且 IT 资源有限，那么这使得 UI.Vision 成为一个很好的工具。

也就是说，我的团队很少使用 UI.Vision。我们使用它在现场演示中展示 RPA 的功能，但该工具缺乏此列表中其他工具支持的更复杂场景所需的功能——这是您通过点击式界面获得的权衡。更复杂的控件需要 UI.Vision 不支持的脚本和终端窗口访问。

虽然 Open RPA 提供了许多自定义和自动化功能，但其主要区别在于其架构。简而言之，Open RPA 是一个成熟的工具，可以为各种规模的公司提供支持和扩展。它支持上面列出的其他工具列出的许多功能，包括：

远程管理

远程处理状态

与领先的云提供商集成

调度

分析仪表板

由于开源社区中有许多积极的项目贡献者，因此此处列出了 Open RPA；您可以期望每周看到几次更新。我的团队在使用 Open RPA 方面的接触有限，因此我们无法保证，但我将其列为您可能想要尝试的替代解决方案。

对于许多中小型公司而言，前期许可成本是启动 RPA 计划的障碍。在这些情况下，开源可能是您的最佳选择。在较大的公司中，开源工具可能有助于填补商业产品可能无法填补的空白，例如自动化 Python。

RPA 是一种新兴技术，在许多组织中仍处于早期采用阶段。这就是为什么开源和商业工具可以相互补充的原因之一。

这里没有万能的解决方案，因此您应该关注 RPA 提供的好处和价值，以及在您的预算下可以使用哪些工具来释放该价值。随着您的计划成熟，您的工具箱可能会同时包含商业和开源元素。但是开源是一个很好的入门方式。

开源 RPA 工具有一个显着的好处：由于没有许可费用，您可以使用该软件而无需通过请求预算的过程。请注意，许可通常只是运行 RPA 工具所需总成本的一小部分。

事实上，开源工具通常部署起来成本更高，并且会增加风险。

此外，要扩展 RPA，您需要熟练编写脚本和管理机器人运行环境的人员。随着公司开始了解如何自动化其他业务领域和需求，对熟练 RPA 工程师的需求变得越来越重要RPA 增长。

在制定 RPA 策略时，首先选择一个简单的开源工具来快速说明 RPA 的价值。然后，当您从原型转向规模化部署时，您将需要更复杂的东西。

更重要的是，没有一种单一的 RPA 工具可以满足所有需求，因此最好将商业和开源解决方案与一个熟练使用这些工具的团队相结合，以满足您组织的所有需求。

devops的优势有哪些？

DevOps 有哪些优势？

有“2020 年 DevOps 趋势调查”表明，99％ 的调查对象表示 DevOps 对他们的组织产生了积极影响。DevOps 的优势包括更快且更轻松的发布、团队效率、更高的安全性、更高品质的产品，以及更高的团队和客户满意度。

速度

更频繁地实践 DevOps 发布可交付成果的团队具有更高的品质和稳定性。事实上，DORA 2019 年 DevOps 状况报告发现，精英团队的部署频率和速度分别比表现不佳的团队高出 208 倍和 106 倍。持续交付使得团队可以使用自动化工具来构建、测试和交付软件。

改进协作

DevOps 的基础是开发人员和运营团队之间的协作文化，他们会分担责任，协调工作。此举可以提高团队的效率，并省去工作交接和编写专为其运行环境而设计的代码的时间。

快速部署

通过提高发布的频率和速度，DevOps 团队可以快速地改进产品。快速发布新功能和修复缺陷有助于获得竞争优势。

质量和可靠性

持续集成和持续交付等实践可确保变更正常运行且安全无误，从而提高软件产品的质量。监控则有助于团队实时了解性能。

安全性

通过将安全性集成到持续集成、持续交付和持续部署管道中，DevSecOps 成为开发过程中一个活跃的组成部分。通过将主动安全审计和安全测试集成到敏捷开发和 DevOps 工作流中，可将安全性植入产品内。

Devops 不是任何一个个人的工作，而是每个人的工作。

从传统的基础架构转向使用基础架构即代码 (IaC) 和微服务可以加快开发和创新速度，但增加的运营工作量可能极具挑战性。最好为自动化、配置管理和持续交付实践奠定坚实的基础，以帮助减负。

过度依赖工具会使团队偏离 DevOps 的必要基础：团队和组织结构。一旦建立了结构，就应该建立流程和团队，然后确定工具。

智能运维是什么？

得益于IT外包服务的发达，现在的运维已经不包括搬机器上架、接网线、安装操作系统等基础工作，运维人员一般会从一台已安装好指定版本的操作系统、分配好IP地址和账号的服务器入手，工作范围大致包括：服务器管理（操作系统层面，比如重启、下线）、软件包管理、代码上下线、日志管理和分析、监控（区分系统、业务）和告警、流量管理（分发、转移、降级、限流等），以及一些日常的优化、故障排查等。

随着业务的发展、服务器规模的扩大，才及云化（公有云和混合云）、虚拟化的逐步落实，运维工作就扩展到了容量管理、弹性（自动化）扩缩容、安全管理，以及（引入各种容器、开源框架带来的复杂度提高而导致的）故障分析和定位等范围。

听上去每一类工作都不简单。不过，好在这些领域都有成熟的解决方案、开源软件和系统，运维工作的重点就是如何应用好这些工具来解决问题。

传统的运维工作经过不断发展（服务器规模的不断扩大），大致经历了人工、工具和自动化、平台化和智能运维（AIOps）几个阶段。这里的AIOps不是指Artificial Intelligence for IT Operations，而是指Algorithmic IT Operations（基于Gartner的定义标准）。

基于算法的IT运维，能利用数据和算法提高运维的自动化程度和效率，比如将其用于告警收敛和合并、Root分析、关联分析、容量评估、自动扩缩容等运维工作中。

在Monitoring（监控）、Service Desk（服务台）、Automation（自动化）之上，利用大数据和机器学习持续优化，用机器智能扩展人类的能力极限，这就是智能运维的实质含义。

智能运维具体的落地方式，各团队也都在摸索中，较早见效的是在异常检测、故障分析和定位（有赖于业务系统标准化的推进）等方面的应用。智能运维平台逻辑架构如图所示。

智能运维平台逻辑架构图

智能运维决不是一个跳跃发展的过程，而是一个长期演进的系统，其根基还是运维自动化、监控、数据收集、分析和处理等具体的工程。人们很容易忽略智能运维在工程上的投入，认为只要有算法就可以了，其实工程能力和算法能力在这里同样重要。

智能运维需要解决的问题有：海量数据存储、分析、处理，多维度，多数据源，信息过载，复杂业务模型下的故障定位。这些难题是否会随着智能运维的深入应用而得到一定程度的解决呢？我们会在下一篇文章中逐步展开这些问题，并提供一些解决方案。

本文选自《智能运维：从0搭建大规模分布式AIOps系统》，作者彭冬、朱伟、刘俊等，电子工业出版社2018年7月出版。

本书结合大企业的智能运维实践，全面完整地介绍智能运维的技术体系，让读者更加了解运维技术的现状和发展。同时，帮助运维工程师在一定程度上了解机器学习的常见算法模型，以及如何将它们应用到运维工作中。

什么是devops

在软件开发的过程中，开发人员负责编写代码，然后将代码交给 QA（质量保障）团队进行测试，然后将最终的发布版交给运维团队去布署。

DevOps 就是 Development（开发）和 Operations（运维）两个词的组合。但这里的组合并不是简单地将两个团队合并，而是要从思维和流程上变革，根据 DevOps 思想重新梳理全流程的规范和标准。

DevOps 既是一种思维方式，同时也是一种工作方式，作为一套促进开发、技术运营和质量保障三个部门之间的沟通、协作与整合的方法论，使得组织的快速迭代，实现竞争优势成为现实。

在 DevOps 的流程下，运维人员会在项目开发期间就介入到开发过程中，了解开发人员使用的系统架构和技术路线，从而制定适当的运维方案。而开发人员也会在运维的初期参与到系统部署中，并提供系统部署的优化建议。

DevOps 的实施，打破了团队内各角色的职能壁垒，让开发人员和运维人员更好地沟通合作，通过自动化流程来使得软件开发的整体过程更加快捷和可靠。

腾讯钟学丹：汽车产业将基于云端定义智能、体验和新商业模式

易车讯 日前，在中国汽车产业发展（泰达）国际论坛上，腾讯智慧出行副总裁钟学丹受邀发表以《车云一体，构筑云上新生产力》为主题的主旨演讲，分享了腾讯对汽车产业数字化变革、车云一体化发展的理解和实践。

腾讯智慧出行副总裁 钟学丹

钟学丹认为，中国市场正在引领智能化相关技术的发展和创新，从单车智能到车云一体持续进化。同时，汽车行业进入到不确定性与合规化发展并存时代，云作为弹性、易拓展的载体，可以帮助企业提升业务韧性，抵抗动荡，安全合规发展。

“云正在成为重要生产力，车云一体化的数据驱动将成为汽车产业的竞争关键。未来，汽车行业将基于云端去定义智能、定义体验、定义新的商业模式。”钟学丹表示。

腾讯将以云为核心，为汽车产业提供数据驱动的车云一体化基础设施，通过灵活的部署方式、云原生的开放体系，以及针对汽车行业特性的行业解决方案，助力车企构建围绕厂、店、人、车等不同场景，构建车云一体化的数据驱动闭环。

今年是腾讯布局汽车行业的第五年，数据显示，已经有100多家车企及出行科技公司使用了腾讯云服务，在汽车行业的用云量已超过25万核服务器、汽车行业的存储规模突破100PB。

以下为演讲实录

各位领导、各位嘉宾，媒体朋友们，

大家好！

今天，我想跟大家分享一下，腾讯对于汽车产业数字化变革、车云一体化发展的理解和实践。

今年上半年，汽车产业经历了短期的震荡，但并没有影响智能网联汽车长期向好的发展态势。我们看到几大核心的变化：

第一个核心变化，智能电动化正在推动汽车产业结构化的变革。中国市场正在引领智能化相关技术的发展和创新，从单车智能到车云一体持续进化。

今年一季度统计，L2级自动驾驶在我国乘用车市场的新车渗透率已经达到23.2%。同时，近期多款新车已经搭载了高算力计算平台、激光雷达等面向L3级以上的硬件配置，并且价格已下探至20-30万元区间。可以说，2022年或将成为中国准L3自动驾驶量产开端之年。

这背后也伴随着巨大的研发和运营投入。如何更高效、更低成本的进行数据管理、算法迭代和体验优化，成为摆在大家面前的一大课题。在这样的背景下，车云一体化、数据驱动的IT基础设施成为必然。

第二个核心变化，用户对于智能科技的付费意愿和要求在不断增长。如何拓展新的服务模式，创造新的商业增值空间，成为车企的新考验。

德勤的一项调查显示，有90%以上的中国消费者愿意为车联网服务付费。好的体验不再是堆砌配置，而是要求以用户为导向，以数据为驱动，通过云端能力不断升级迭代，为用户提供按需服务，这背后还有非常多的商业空间值得挖掘。

第三个核心变化，汽车行业进入到不确定性与合规化发展并存时代。

一方面，新冠疫情反复、国际局势动荡等不确定性因素频发，对供应链、销售端都造成了一定的挑战。

另一方面，相关法律法规、行业标准、监管体系密集出台，也正引导汽车产业向更标准、更安全和更有序地发展，对企业的数据合规、自主可控提出了更高的要求。

在这样的背景下，云可以作为一个弹性、易拓展的载体，帮助企业提升业务韧性，抵抗动荡，安全合规发展。

综上变化，我们可以看到，云正在成为重要生产力，车云一体化的数据驱动将成为汽车产业的竞争关键。

基于云端去定义智能、定义体验、定义新的商业模式

一方面，软件占比的大幅提升，也促进汽车研发体系的重新构建。整车制造研发体系和智能座舱、自动驾驶的研发运营体系是完全不同的系统架构，后者需要构建数据驱动的敏捷研发和运营架构，如何实现大规模、分布式的软件协同效率提升，结合实时感知、场景理解、算法迭代等持续优化运行效率，将是新的核心竞争力。

从用户角度，用户对智能化极致体验是不断刷新的。用户对汽车的体验要求，不再是买车的时候有什么功能特性，而是在用车的过程中，是否能够及时的获得新鲜的场景体验，最新的数字化内容，不断与时俱进的新交互和功能，以及越来越懂用户的使用体验和服务等。

具体而言，云端协同所带来的核心价值可以概括为三个点：不断优化的研发运营效率，不断革新的汽车服务体验，并随之带来企业业务韧性的不断增强。

优化研发效率

智能化、电动化的发展趋势下，对软件能力提出更高的要求。研发效率是决胜的重要关键因素之一。

自动驾驶、智能汽车技术更快速的进化，除了车端感知能力、算力平台、控制优化等因素之外，还有一个非常重要的因素，就是云端的数据管理平台和算法训练平台。

工程实践中，获得一个算法模型，大约70-80%的人工时间花费在数据处理上，约70-80%的机器时间用在模型训练上。由此可见，数据和计算，是驱动研发效能提升的两大关键。

海量的数据存储和访问，如何降低存储成本、提升访问效率？我们基于腾讯云业界领先的存储加速服务———GooseFS，相比传统存储的接入和访问模式，加速性能提高了10倍，可以很好的满足汽车自动驾驶场景对海量数据访问所遇到的瓶颈。

在算法开发方面，我们提供的一站式算法开发、训练框架——TI-One，可以帮助大量节约算法训练的成本。在模型训练环节，算法开发TCO（总体拥有成本）至少降低50%，进一步节约计算成本，提高训练效率。

针对研发体系繁杂、架构不统一的情况，腾讯还可提供多云管理、多云调度的平台，并提供DevOps、AIOps、低代码平台等一站式的开发基础设施，加速软件开发效率和灵活性。

同时，我们认为，更高效、低成本的上云，一定是“专云专用”、符合行业特定需求的行业云。为此，我们在上海设立了一个智能汽车云专区，从云专区的硬件选型，到云上组件都是高度结合智能汽车行业特殊需求进行配置和优化。在智能汽车云上，我们打造了完整的自动驾驶、仿真训练、高精地图、座舱等云上自动化工具链等，为车企带来开箱即用的专有化云端服务，让车企可以更专注于算法优化和体验改善。

革新汽车服务体验

通过基于云端的互联服务，我们还在帮助拓展汽车服务新模式，探索创新的服务增值空间。

出行是一个场景驱动服务的体验模式，及时感知场景的变化和需求，为用户提供恰当的服务选择，可以极大的提升用户驾乘体验，而服务的碎片化、本地化需要有一个好的云端框架可以更便捷的将互联网服务快捷上车，方便用户无需下载安装，就可以更即时地、按需地获取这些丰富的内容和服务。

当然，好用的服务不在于多，而在于精。如何更好的结合用户具体的用车场景，解决用户当下所需呢？通过腾讯新一代的场景引擎，可以将车端对场景的实时感知，与云端的AI和数据能力相结合，让用户更清楚地获知身处何地、周边有什么、我想要的服务在哪里。我们重点围绕诸如停车、充电、etc等用户普遍关注的用车场景，去打磨的智能场景化的能力，帮助提升车载服务的活跃度。现在，腾讯也开放了场景引擎和智能推荐体系，助力车企打造自主可控的云端场景引擎一体化平台。

在自动驾驶场景和高级别辅助驾驶场景下，我们推出新一代智能驾驶地图，通过云端实时连接和一体化的数据架构，我们首创性地实现了高精地图、ADAS地图、SD地图的数据同源“一张图”，可以针对人工驾驶、辅助驾驶和自动驾驶的不同驾驶模式自动切换地图形态,从车道级精度到路径级精度，多种比例尺无缝切换。这种车-图-云一体化的形态，可以助力解决目前行业内普遍存在的各种地图之间数据不匹配，智能驾驶系统人工接管频率高，地图更新频率难以统一等制约智能驾驶功能实际应用等问题。同时，通过多模态的交互方式，为用户提供更沉浸、更鲜活的导航探索体验。

通过极致体验的打造和持续运营，腾讯愿与车企共创订阅制的商业模式，基于腾讯用户运营的经验，结合车企构建的车辆和用户数据闭环，助力车企打造和培养用户不但愿意使用，也愿意为体验付费的商业模式。

增强业务韧性

车云一体化带来的第三个价值，是增强业务韧性。

汽车产业目前正在经历结构性的变化，也进入到强监管、安全合规发展的时代，对企业的安全建设、数字化的运营能力，实时地事故处理能力，提出了更高的要求。

随着联网车辆的不断增长，如何构建更健壮和弹性的网络架构体系，及时解决接入、数据处理、扩容、灾备等问题，都是需要面对的新挑战。

云具备更加弹性灵活、开放兼容、可持续运营的特性，可以成为汽车企业在提升业务韧性的过程中的常规标配，助力车企随时应对突发的业务，提升业务敏捷性，有效降低整体运营成本。

在这方面，我们基于云和数字化实践的经验，结合汽车行业的业务特点，可以借助云平台的数字底座，实现研发智能化、生产智能化、管理智能化、运营智能化，持续助力汽车产业增强业务韧性。

腾讯为汽车产业提供“车云一体化”的基础设施

在车云一体化的趋势下，腾讯将以云为核心，为汽车产业提供以数据驱动的车云一体化基础设施，通过灵活的部署方式、云原生的开放体系，以及针对汽车行业特性的业务解决方案，助力车企构建自己的数字化底座和完整的业务服务能力。

首先，腾讯基于自身敏捷的云原生体系，打造沉淀出坚实的底层云基础设施，通过灵活部署的IaaS，以及云原生、Devops、开放的云上工具平台，帮助车企和合作伙伴灵活、快速、低成本的构建起车云一体化的基础，支撑汽车行业数智创新和快速变革。

在底层智能汽车云作为核心底座的基础上，向上连接起汽车产业链研发-生产-销售-服务等核心场景，实现车云一体化的数据驱动、场景闭环。帮助车企在软件定义汽车时代，构建新生产力。

基于开放强大的智能汽车云平台，通过中间的IPaaS应用集成连接器、IDaaS账号连接器、微搭低代码应用连接器等，可快速支撑厂、店、人、车等多端的不同场景，通过端云一体化实现数据驱动的新场景，创造汽车行业新生产力。

为100家车企和出行科技公司提供云服务

今年是腾讯发力汽车赛道的第五年，目前，已经有100家车企及出行科技公司使用了腾讯云服务。

面向汽车行业，一方面，我们持续夯实云底座能力。目前，腾讯云在汽车行业的用云量达到25万核服务器、汽车行业的存储规模突破100PB，帮助车企增量超过70%。

同时，在腾讯云底座之上，我们还面向汽车行业各环节的特殊需求进行专有化定制开发，围绕智能汽车云、数字营销、办公一体化、工业制造等场景，联合600+生态合作伙伴，推出了130+个云上行业解决方案。

站在汽车产业结构升级的重大时期，腾讯坚持做好数字化助手角色，专注自身所长三个领域：第一，深耕云、图为核心的基础设施；第二，发挥好C2B连接价值；第三，共建开放生态。

从单车智能到车云一体，再到智慧交通、智慧城市，腾讯将充分发挥好以上三个维度的能力，将人、车、路、云都能够连成一张网，在云端实现人车路的实时计算，让交通运营管理体系之间信息畅通，让企业一体化管理和运营效率更高，让用户服务更及时、更极致。

易车App提供销量、热度、点评、降价、新能源、实测、安全、零整比、保有量等榜单数据。如需更多数据，请到易车App查看。