it运维智能标签（it运维智能标签怎么写）

本篇文章给大家谈谈it运维智能标签，以及it运维智能标签怎么写对应的知识点，希望对各位有所帮助，不要忘了收藏本站喔。 今天给各位分享it运维智能标签的知识，其中也会对it运维智能标签怎么写进行解释，如果能碰巧解决你现在面临的问题，别忘了关注本站，现在开始吧！

本文目录一览：

• 1、什么是IT智能运维？
• 2、高效便捷、简单智能，爱快大运维V1.0来了，IT运维的福音
• 3、IT运维平台算法背后的两大“神助攻”
• 4、有人知道智能运维是什么？

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。

高效便捷、简单智能，爱快大运维V1.0来了，IT运维的福音

网络运维设备故障都是随机出现，不可预测、不可控制，很难自动提醒和告警。作为一个网络运维人员成天处在高度紧张的状态，放假都时刻在担心。在发生突发故障时，会手忙脚乱，这样导致不能仔细观察故障现象，分析不出原因，也无法准备定位故障。每天忙得团团转，但却不能根本解决问题，所以被各部门投诉。

很多网络运维人员都没有排错记录的习惯，处理完故障以后未做任何记录，认为自己已经会处理了，在过了一段时间后，重复的故障又出现，一时想不起来当时怎么处理，又要重头处理，费时又费力。

只有故障出现以后，导致大面积网络故障才被发现，没有任何提前预警，只能像消防队员一样哪里火旺就冲向哪里，很多时候故障点却不在那。

现在的业务应用日趋细分化、复杂化。IT建设又在迅猛发展，在企业、学校、政府、制造业等行业，日常办公和业务管理都依托于IT环境。人员和业务流程对网络及IT设备的依赖度也达到了不可或缺的地步。因此，IT运维的稳定性和健壮性对企事业单位来说，将显得尤为重要。

为了不断提升企业网络管理的能力和水平，努力打造更加高效便捷、简单智能的网络运维利器，爱快3.5.5版正式上线。此次新版本在多个方面做出了重要更新与改革，不仅实现了内网监测的精细化、可视化、透明化的管理，还贴合用户的操作习惯，做了细节的处理，让配置过程更加灵活敏捷，为用户带来了畅爽友好的使用体验。

爱快3.5.5版本秉着“大运维V1.0”的全新理念，从云管交换2.0华丽转变而来，爱快充分发挥网络研发和技术的禀赋优势，打造集“监、管、控、视”于一体的运维利器，持续推动网络运维领域的发展。（ps:享受大运维V1.0全新体验，IK-J7000系列交换机需升级到最新版本。）

新功能、新界面、玩法用法更丰富，大家是否对爱快3.5.5版本期待已久。我们来看看此版本更新了哪些内容？对我们IT运维管理又有哪些影响呢，下面一起来看看吧~

内网设备以拓扑形式全局展示，用户可查看内网设备（路由、交换机、AP等）在线情况及链路状态，点击拓扑图中任意设备可进入该设备的概况页面，可查看设备相关信息（路由、交换机可查看端口状态信息及设备信息，AP可查看设备信息及无线相关信息），同时还可以实现更为迅捷的操作，如查看设备详情页、进行重启升级和远程访问等。内网拓扑图的连接为IT运维人员提供了更清晰的网络管理思路，让整个运维的排障和管理更加简单高效，整个工作过程也将更加舒畅有序。

1、告警增强，智简排障 ：相比之前单一的交换机告警机制，此次新版本升级后，IK-J7000系列交换机告警功能增强，告警类型包括端口速率超过阈值、端口无流量、端口丢包率高、端口双工模式变化、交换机环路、端口断线等，同时支持更多告警推送平台，包括钉钉、微信、企业微信、APP、邮箱告警等。此次交换机告警功能的完善，助力IT运维人员排障更加智简灵活，为用户的网络稳固保驾护航。

2、 自动搜索，秒级添加： 在云平台交换机的管理页面，点击【自动发现】，平台可自动扫描到需要添加的J7000系列交换机，用户无需再手动添加，省去了逐一填写设备信息的繁琐流程。

3、电子标签，便捷记录： 端口支持自定义标签功能，可添加下联端口设备类型和端口的备注，并可通过交换机端口面板快速查看，同时端口可查看对端设备的MAC信息。

此次推出的“大运维V1.0”是爱快在网络运维进程上的新起点，后续爱快将继续聚焦企业IT运维管理的升级，期待下一个版本能够为用户带来更加实用、好用的功能，同时爱快也将以更大力度，更高服务水平推动企业IT运维管理再上新台阶，帮助企业用户解决IT运维困难，让企业网络管理更有“速度”也更有“进度”。

IT运维平台算法背后的两大“神助攻”

智能运维(AIops)是目前 IT 运维领域最火热it运维智能标签的词汇，全称是 Algorithmic IT operations platforms，正规翻译是『基于算法的 IT 运维平台』，直观可见算法是智能运维的核心要素之一。
本文主要谈算法对运维的作用，涉及异常检测和归因分析两方面，围绕运维系统Kale 中 skyline、Oculus 模块、Opprentice 系统、Granger causality（格兰杰因果关系）、FastDTW 算法等细节展开。

一、异常检测

异常检测，是运维工程师们最先可能接触的地方了。毕竟监控告警是所有运维工作的基础。设定告警阈值是一项耗时耗力的工作，需要运维人员在充分了解业务的前提下才能进行，还得考虑业务是不是平稳发展状态，否则一两周改动一次，运维工程师绝对是要发疯的。

如果能将这部分工作交给算法来解决，无疑是推翻一座大山。这件事情，机器学习当然可以做到。但是不用机器学习，基于数学统计的算法，同样可以，而且效果也不差。

异常检测之Skyline异常检测模块

2013年，Etsy 开源了一个内部的运维系统，叫 Kale。其中的 skyline 部分，就是做异常检测的模块， 它提供了 9 种异常检测算法 ：

first_hour_average、

simple_stddev_from_moving_average、

stddev_from_moving_average、

mean_subtraction_cumulation、

least_squares

histogram_bins、

grubbs、

median_absolute_deviation、

Kolmogorov-Smirnov_test

简要的概括来说，这9种算法分为两类：

从正态分布入手：假设数据服从高斯分布，可以通过标准差来确定绝大多数数据点的区间；或者根据分布的直方图，落在过少直方里的数据就是异常；或者根据箱体图分析来避免造成长尾影响。

从样本校验入手：采用 Kolmogorov-Smirnov、Shapiro-Wilk、Lilliefor 等非参数校验方法。

这些都是统计学上的算法，而不是机器学习的事情。当然，Etsy 这个 Skyline 项目并不是异常检测的全部。

首先，这里只考虑了一个指标自己的状态，从纵向的时序角度做异常检测。而没有考虑业务的复杂性导致的横向异常。其次，提供了这么多种算法，到底一个指标在哪种算法下判断的更准it运维智能标签？这又是一个很难判断的事情。

问题一： 实现上的抉择。同样的样本校验算法，可以用来对比一个指标的当前和历史情况，也可以用来对比多个指标里哪个跟别的指标不一样。

问题二： Skyline 其实自己采用了一种特别朴实和简单的办法来做补充——9 个算法每人一票，投票达到阈值就算数。至于这个阈值，一般算 6 或者 7 这样，即占到大多数即可。

异常检测之Opprentice系统

作为对比，面对相同的问题，百度 SRE 的智能运维是怎么处理的。在去年的 APMcon 上，百度工程师描述 Opprentice 系统的主要思想时，用了这么一张图：

Opprentice 系统的主体流程为：

KPI 数据经过各式 detector 计算得到每个点的诸多 feature；

通过专门的交互工具，由运维人员标记 KPI 数据的异常时间段；

采用随机森林算法做异常分类。

其中 detector 有14种异常检测算法，如下图：

我们可以看到其中很多算法在 Etsy 的 Skyline 里同样存在。不过，为避免给这么多算法调配参数，直接采用的办法是：每个参数的取值范围均等分一下——反正随机森林不要求什么特征工程。如，用 holt-winters 做为一类 detector。holt-winters 有α，β，γ 三个参数，取值范围都是 [0, 1]。那么它就采样为 (0.2, 0.4, 0.6, 0.8)，也就是 4 ** 3 = 64 个可能。那么每个点就此得到  64  个特征值。

异常检测之

Opprentice 系统与 Skyline 很相似

Opprentice 系统整个流程跟 skyline 的思想相似之处在于先通过不同的统计学上的算法来尝试发现异常，然后通过一个多数同意的方式/算法来确定最终的判定结果。

只不过这里百度采用了一个随机森林的算法，来更靠谱一点的投票。而 Etsy 呢？在 skyline 开源几个月后，it运维智能标签他们内部又实现了新版本，叫 Thyme。利用了小波分解、傅里叶变换、Mann-whitney 检测等等技术。

另外，社区在 Skyline 上同样做了后续更新，Earthgecko 利用 Tsfresh 模块来提取时序数据的特征值，以此做多时序之间的异常检测。我们可以看到，后续发展的两种 Skyline，依然都没有使用机器学习，而是进一步深度挖掘和调整时序相关的统计学算法。

开源社区除了 Etsy，还有诸多巨头也开源过各式其他的时序异常检测算法库，大多是在 2015 年开始的。列举如下：

Yahoo! 在去年开源的 egads 库。(Java)

Twitter 在去年开源的 anomalydetection 库。(R)

Netflix 在 2015 年开源的 Surus 库。(Pig，基于PCA)

其中 Twitter 这个库还被 port 到 Python 社区，有兴趣的读者也可以试试。

二、归因分析

归因分析是运维工作的下一大块内容，就是收到报警以后的排障。对于简单故障，应对方案一般也很简单，采用 service restart engineering~ 但是在大规模 IT 环境下，通常一个故障会触发或导致大面积的告警发生。如果能从大面积的告警中，找到最紧迫最要紧的那个，肯定能大大的缩短故障恢复时间(MTTR)。

这个故障定位的需求，通常被归类为根因分析（RCA，Root Cause Analysis）。当然，RCA 可不止故障定位一个用途，性能优化的过程通常也是 RCA 的一种。

归因分析之 Oculus 模块

和异常检测一样，做 RCA 同样是可以统计学和机器学习方法并行的~我们还是从统计学的角度开始。依然是 Etsy 的 kale 系统，其中除了做异常检测的 skyline 以外，还有另外一部分，叫 Oculus。而且在 Etsy 重构 kale 2.0 的时候，Oculus 被认为是1.0 最成功的部分，完整保留下来了。

Oculus 的思路，用一句话描述，就是：如果一个监控指标的时间趋势图走势，跟另一个监控指标的趋势图长得比较像，那它们很可能是被同一个根因影响的。那么，如果整体 IT 环境内的时间同步是可靠的，且监控指标的颗粒度比较细的情况下，我们就可能近似的推断：跟一个告警比较像的最早的那个监控指标，应该就是需要重点关注的根因了。

Oculus 截图如下：

这部分使用的 计算方式有两种：

欧式距离，就是不同时序数据，在相同时刻做对比。假如0分0秒，a和b相差1000，0分5秒，也相差1000，依次类推。

FastDTW，则加了一层偏移量，0分0秒的a和0分5秒的b相差1000，0分5秒的a和0分10秒的b也相差1000，依次类推。当然，算法在这个简单假设背后，是有很多降低计算复杂度的具体实现的，这里就不谈了。

唯一可惜的是 Etsy 当初实现 Oculus 是基于 ES 的 0.20 版本，后来该版本一直没有更新。现在停留在这么老版本的 ES 用户应该很少了。除了 Oculus，还有很多其他产品，采用不同的统计学原理，达到类似的效果。

归因分析之 Granger causality

Granger causality（格兰杰因果关系）是一种算法，简单来说它通过比较“已知上一时刻所有信息，这一时刻 X 的概率分布情况”和“已知上一时刻除 Y 以外的所有信息，这一时刻 X 的概率分布情况”，来判断 Y 对 X 是否存在因果关系。

可能有了解过一点机器学习信息的读者会很诧异了：不是说机器只能反应相关性，不能反应因果性的么？需要说明一下，这里的因果，是统计学意义上的因果，不是我们通常哲学意义上的因果。

统计学上的因果定义是：『在宇宙中所有其他事件的发生情况固定不变的条件下，如果一个事件 A 的发生与不发生对于另一个事件 B 的发生的概率有影响，并且这两个事件在时间上有先后顺序（A 前 B 后），那么我们便可以说 A 是 B 的原因。』

归因分析之皮尔逊系数

另一个常用的算法是皮尔逊系数。下图是某 ITOM 软件的实现：

我们可以看到，其主要元素和采用 FastDTW 算法的 Oculus 类似：correlation 表示相关性的评分、lead/lag 表示不同时序数据在时间轴上的偏移量。

皮尔逊系数在 R 语言里可以特别简单的做到。比如我们拿到同时间段的访问量和服务器 CPU 使用率：

然后运行如下命令：

acc_count<-scale(acc$acc_count,center=T,scale=T)

cpu<-scale(acc$cpuload5,center=T,scale=T)

cor.test(acc_count,cpu)

可以看到如下结果输出：

对应的可视化图形如下：

这就说明网站数据访问量和 CPU 存在弱相关，同时从散点图上看两者为非线性关系。因此访问量上升不一定会真正影响 CPU 消耗。

其实 R 语言不太适合嵌入到现有的运维系统中。那这时候使用 Elasticsearch 的工程师就有福了。ES 在大家常用的 metric aggregation、bucket aggregation、pipeline aggregation 之外，还提供了一种 matrix aggregation，目前唯一支持的 matrix_stats 就是采用了皮尔逊系数的计算，接口文档见：

https://www.elastic.co/guide/en/elasticsearch/reference/current/search-aggregations-matrix-stats-aggregation.html

唯一需要注意的就是，要求计算相关性的两个字段必须同时存在于一个 event 里。所以没法直接从现成的 ES 数据中请求不同的 date_histogram，然后计算，需要自己手动整理一遍，转储回 ES 再计算。

饶琛琳，目前就职日志易，有十年运维工作经验。在微博担任系统架构师期间，负责带领11人的SRE团队。著有《网站运维技术与实践》、《ELKstack权威指南》，合译有《Puppet 3 Cookbook》、《Learning Puppet 4》。在众多技术大会上分享过自动化运维与数据分析相关主题。

有人知道智能运维是什么？

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，业务数字化的加剧会造成严重的运维之殇，发现问题、根因定位、数据治理和运营分析都变得十分困难，越来越难以满足当前主动运营的要求。
智能运维是一种全新的数字化运维能力，也将是数字化转型的必备能力。智能运维相对于传统运维模式而言，能够在运维数据治理、业务数字化风险、运维人力成本和业务侧影响力四个方面有本质的效能提升。 关于it运维智能标签和it运维智能标签怎么写的介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站。 it运维智能标签的介绍就聊到这里吧，感谢你花时间阅读本站内容，更多关于it运维智能标签怎么写、it运维智能标签的信息别忘了在本站进行查找喔。