it智能监控运维体系（IT运维监控）

本文目录一览：

• 1、什么是IT智能运维？
• 2、智能运维适合哪些场景？涉及哪些领域？
• 3、关于运维体系建设有没有什么好点的建议？
• 4、智能运维是什么？
• 5、IT运维服务管理体系包括哪些要素

什么是IT智能运维？

相比其它行业来说，IT运维服务的智能化更具得天独厚的优势，因为IT系统本身就是基于数字化、数据化和网络化的，而这几个要素恰恰是一切智能化的基础。

手工——机器——自动化——智能化，这种生产方式的演进，其目的就是逐步用机器取代人工，最大限度地把人从繁复的、非创造性的劳动中解放出来，以提高生产质量、降低生产成本。智能化对于IT运维服务来说，同样具有非凡的划时代意义。它不仅能大幅度地降低服务成本、提高服务质量的稳定性，还为商业竞争构筑越来越高的技术门槛。

在长期的运维管理实践中，人们开发出各种运维管理工具，如信息安全系统、负载均衡系统、上网行为系统、网络监控系统、运维审计系统、日志审计系统等等。越来越多诸如此类系统的出现，标志着运维管理进入类似制造业的机器生产时代。下一个阶段的发展趋势应该是将这些系统在业务流程和数据上进行整合，朝着自动化与智能化方向挺进。以便更大程度地取代人工，消除人工服务所带来的非标准和质量不稳定的隐患，并进一步地提高服务效率、降低服务成本。

智能运维适合哪些场景？涉及哪些领域？

IT的智能运维AIOps，目前在国内落地比较多的是对IT故障容忍率更低的行业，比如金融、交通、互联网等等。各厂商主要的差异在于数据治理的能力和经验（当数据量越来越大时，一个好的运维数据中台可以保证运行性能）、产品线的覆盖度（告警、日志、指标等均可进行智能分析）、智能场景的丰富度。

对于智能运维来说，常见的智能场景有异常检测、根因定位、自动排障、容量预测、告警收敛、日志聚类等。随着应用的进一步广泛，智能场景也会不断更新、越来越多。

智能运维AIOps体系架构

关于运维体系建设有没有什么好点的建议？

作为企业数字化转型的重要手段，IT运维效率的高低会直接影响到业务的正常运转，传统运维走向智能运维，其实就是运维数字化的过程。在智能运维建设过程中，先平台还是先场景，对于很多企业用户来说一直是个难题。如果用户对自身数据情况了解非常清晰，且希望打破数据孤岛以建立统一运维数据平台，那么可以优先选择平台建设；如果用户明确知道底层平台需要的能力，寄希望于能直接带来业务价值，可以优先选择场景建设。

例如一家城市商业银行，它目前最大的问题可能只是监控效能低下，误报漏报多，我们可以先从集中告警入手，利用算法去重降噪，再查看相关告警之间的有效告警场景，筛选出最可能影响业务问题的告警。在提高告警处理效率后，再通过分析告警的源头，进一步解决监控指标静态阈值设定不准确的问题，用智能异常检测替代之，从而根本上提升监控效能。这就是场景化方式导入智能运维的方法。

智能运维建设，可以根据用户实际运维情况，同步开展，循序渐进地进行建设。擎创根据以往经验，总结出三个原则六步走的最佳实践方案，我们首先可以通过集中监控智能化改造、指标监控智能化改造和日志异常检测（弥补监控手段不足）等提升实时性数据处理能力，再通过智能故障排查（根因分析和定位）、智能知识管理（知识图谱）和故障自愈提升数据事后分析和处理能力。

对于有些公司提出的，运维成熟度不高不敢考虑智能运维？

运维成熟度度高的的企业，可以按照数据处理能力的维度，统一规划、分层实施，实现从运维数据局部集中到跨域集中，也就是先建立运维大数据平台，通过加强数据治理、优化数据质量，而后再过渡到基于算法的统计分析乃至流式实时处理，构建多样化智能运维场景，逐层实现智能运维能力建设。

但这种方式并非放之四海而皆准，对于成熟度不高的企业，迫切需要解决的是实际运维问题，而智能运维这时应该能成为解决实际问题的工具，它可以根据客户当前的运维成熟度选择具体应用场景，按照不同的路线图进行建设，这才是智能运维的应有的能力。智能运维的本质就是逐步提升对运维数据的分析处理能力。

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。

IT运维服务管理体系包括哪些要素

1）IT服务台：必须是支持多渠道接入的，统一响应和服务管理，开启服务流程

2）事务工单系统：事务流转、协同处理，记录和追溯查询

3）知识库/帮助中心：自助服务、进度查询、信息公告、KPI展现

4）服务质量管理：服务目录与SLA设定

5）问题管理：问题追溯与处理

6）统计报表：透视过程、测量绩效

完善的IT运维服务管理体系除了包含以上几个基本要素，还具备完全开放、远程协助、资产管理、变更管理、发布管理、配置管理等功能模块，然而整套系统费用较高，基于SAAS模式下的IT服务台-易维帮助台其实更适合、也能满足企业现有需求。