本文篇幅較長行拢，分為上，中诞吱，下舟奠，三個部分進行連載。內容分別為：AIOps 背景/所應具備技術能力分析（上）房维，AIOps?常見的誤解（中）沼瘫，挑戰(zhàn)及建議（下）平痰。
前言
我大概是 5粤策，6 年前開始接觸 ITOA 這個領域的，首次接觸后旭寿，發(fā)現(xiàn)領域有著巨大的潛力暴浦，一直尋找在這個領域做點事情的機會溅话。大約三年前在這個領域創(chuàng)業(yè)，積極尋求 Product Market Fit歌焦。這幾年下來飞几，經過與行業(yè)內的專家交流，研讀報告独撇，閱讀論文屑墨，客戶訪談躁锁，親自動手對相應的運維場景解析，行業(yè)產品的試用調研卵史，以及結合著中國運維市場現(xiàn)狀战转，撰寫了此文。本人才疏學淺以躯，不學無術槐秧，歡迎拍磚。
我們第一部分主要講到了AIOps 的背景以及所需要的能力忧设，我們這部分主要講誤解刁标。
對 AIOps 誤解：
AIOps 等于可以減少人力資源的投入
AIOps 不等于無人值守;
AIOps 不等于 NoOps;
AIOps 不等于可以減少人專家的參與;
AIOps 可以降低人力成本;
AIOps 在現(xiàn)階段不等于可以省錢;
AI 的確是一個非常性感的詞匯，大家認為只要實現(xiàn)了智能化址晕，就能夠輕輕松松膀懈，不需要人的干預，這當然是一個非常理想的狀況谨垃，但是启搂，在短時間內，這個不能實現(xiàn)刘陶。這個的實現(xiàn)難度胳赌，個人認為，與自動無人駕駛易核，能實現(xiàn)第五等級是同樣的難度匈织，也就說，可能起碼需要10年左右的時間牡直，甚至可能更長時間。
AIOps 平臺本質上還是一個工具纳决，在構建后碰逸，仍然需要人的參與，而且在目前的探索發(fā)展的投入階段阔加，有大量的工需要去做饵史，需要運維專家，大數(shù)據(jù)工程師胜榔，算法科學家胳喷，業(yè)務專家，暫時看不到能削減人力成本的可能性夭织，而且相關的投入可能需要多年的時間吭露。
在平臺建立后，在持續(xù)改進的情況下尊惰，仍然需要專家或者分析師讲竿，從不同的維度泥兰，從不同的業(yè)務口徑，組合合適的可視化技術题禀，機器學習技術鞋诗，大數(shù)據(jù)分析技術，制定分析場景迈嘹，平臺才能夠為IT運維削彬，業(yè)務分析產生持續(xù)的洞察，提供商業(yè)價值秀仲。
所以融痛，AIOps 不能取代人，在現(xiàn)階段不可能減少人力投入啄育，但在未來可能能促進部分運維人員轉型為通曉業(yè)務酌心，掌握運維知識的數(shù)據(jù)分析師。
算法和智能化是AIOps最重要的事情
算法很重要挑豌，但是我個人認為安券，在此階段，大部分企業(yè)不應該以算法為第一著眼點氓英。
這個應該是比較有爭議侯勉，或者，或者說大家認知不太一致的部分铝阐。以下這張圖是?Gartnert 在 AIOps 還在叫 ITOA 時候址貌，給定義的四個階段：
Data ingestion, indexing, storage and access;
Visualization and basic statistical summary;
Pattern discovery and anomaly detection;
True causal path discovery;
Gartner 在報告中強調，掌握后面階段的前提是擁有前一階段的能力徘键，如果不擁有充分的前一階段能力练对，將會影響 ITOA 的落地效果。因此這四個階段必須一個步一腳印吹害，第三以及第四部時螟凭，才顯著地引入了機器算法，或者 AI 的必要它呀。
大家都知道螺男，所謂的機器學習算法，統(tǒng)計算法纵穿，深度學習算法這些 AI 的分類下隧，其實是高度依賴于數(shù)據(jù)的。沒有多種數(shù)據(jù)源谓媒，數(shù)據(jù)的采集淆院，數(shù)據(jù)存儲，數(shù)據(jù)統(tǒng)計篙耗，數(shù)據(jù)可視化迫筑，一切都只是空中樓梯宪赶。
來源： Gartner Report “Organizations Must Sequentially Implement the Four Phases of ITOA to Maximize Investment ” 2015.2.18
因此，AIOps 的平臺的建設首先應該是著眼點應該是大數(shù)據(jù)脯燃，然后才是算法搂妻，從而實現(xiàn)持續(xù)洞察和改進的目標。
一定要上深度學習才叫 AIOps
我們可以先看看 AI , Machine Learning , Deep Learning 的關系辕棚，他們的關系大概如下圖欲主。
學術界有不少學者，在探索部分深度學習算法智能運維中的應用逝嚎，如猶他州大學的《DeepLog: Anomaly Detection and Diagnosis from System Logs through Deep Learning》 中利用 Long Short-Term Memory (LSTM)來實現(xiàn)日志模式的發(fā)現(xiàn)扁瓢，從而實現(xiàn)異常檢測。但是补君，其實智能運維所需要的大部分算法引几，決策樹學習(decision tree learning)、聚類(clustering)挽铁、SVM(Support Vector Machine)和貝葉斯網絡(Bayesian networks)等等算法伟桅，均是屬于傳統(tǒng)的機器學習范疇的，因此 我們不應該將深度學習與 AIOps 掛上必然的聯(lián)系叽掘。
甚至于楣铁，我們不用拘泥于概念，從解決問題的角度出發(fā)更扁，在特定的場景盖腕，利用傳統(tǒng)的規(guī)則集，設定一些規(guī)則浓镜，降低了運維人員的工作強度溃列，提高了效率，也能叫智能運維膛薛。甚至在Gartner 的報告中哭廉，對AIOps 落地的第一步，是統(tǒng)計分析相叁，可視化，而不是任何的機器學習算法辽幌。
它適合現(xiàn)階段所有有規(guī)模的用戶
這個比較好理解增淹，就目前來看，AIOps 只適合大型的客戶乌企，原因如下:
中小型的客戶缺乏多種數(shù)據(jù)源;
中小型客戶業(yè)務需求沒有那么復雜;
很多算法虑润，其實是為了大規(guī)模運維的時候才用的上的，在規(guī)模小的時候加酵，難以產生效果;
運維自動化是智能運維的前提
我看到過不少的文章拳喻，將運維分成了四個階段哭当，將自動化運維放在智能運維的前一個階段，把智能冗澈，又或者在智能運維這個體系里頭钦勘，硬是塞了很多自動化運維，批量操作亚亲，批量規(guī)劃的功能在里頭彻采，我覺得都是不對的。自動化運維更像是手捌归，智能運維更像是眼鏡及大腦肛响，有了更全面數(shù)據(jù)，更充滿的分析后惜索，大腦能更好的指揮手進行操作特笋。
因此，企業(yè)應該將自動化運維和智能化運維看成了兩個有關聯(lián)的體系巾兆，但是不應該混一談猎物，造成更多的誤解。
OneAPM?全新推出新一代 AIOps 平臺 I2臼寄，歡迎您隨時聯(lián)系我們霸奕，即刻開啟貴公司的智能運維之旅。點擊進入AIOps 官網了解更多信息吉拳。
來源：http://blog.oneapm.com/apm-tech/817.html
