本文是关于AIOps在运维团队实施的实践报告，由腾讯游戏的AIOps技术负责人在GOPS全球运维大会2020·深圳站分享。报告从腾讯游戏DataOps和AIOps的发展背景、日常工作中的实际案例介绍、AIOps在运维日常工作中的服务模式三个方面，详细介绍了腾讯游戏在AIOps领域的实践和经验。
腾讯游戏DataOps和AIOps的发展背景： 腾讯游戏的技术运营团队成立于2003年，随着游戏业务的发展，经历了平台产品化、D/O分离、成立运营开发团队、基于PaaS模式的运维开发转型等多个阶段。2015年，团队开始探索DataOps和AIOps，2017年行业影响力初具规模，2019年团队规模达到400+人。DataOps和AIOps的发展背景包括技术运营的演变、团队规模的扩大和行业影响力的提升。
日常工作中的实际案例介绍： 报告详细介绍了AIOps在腾讯游戏运维日常工作中的实际应用案例，包括助力游戏地图设计、化解游戏运营危机事件、辅助开发提升用户体验、提升运维工作效能、改变运维监控工作方式、指导运维发现异常日志等。 1. 助力游戏地图设计： - 通过坐标映射和线性回归算法，将场景坐标系和像素坐标系进行映射，优化游戏地图设计。 - 数据flow包括数据采集、处理和分析，算法模型应用包括线性回归模型，游戏策划使用路径包括数据可视化和优化建议。 - 优化案例展示了楼梯侧方位置的设计优化，提升了玩家体验。 2. 化解游戏运营危机事件： - 针对**恶意信息猖獗的问题，通过数据量大、检测速度慢、语法变种多、扫描流程繁琐等挑战，采用屏蔽词表、字音库、字形库、过滤器、模糊筛选、AC自动机等技术，提高检测效率。 - 优化前后的扫描效率对比显示，拼音扫描模式和标准扫描模式的扫描速度显著提升。 3. 辅助开发提升用户体验： - 针对某大型MOBA类端游的掉线问题，通过数据格式不规范、海量数据处理等挑战，采用数据上报、清洗、需求分析等方法，提升用户体验。 - 数据需求包括目标信息、基础属性、交叉数据等，数据处理包括随机森林预测、重点维度筛选、相关性分析等。 - 优化效果显示，重连失败率和掉线玩家转化率显著改善，业务收益包括提升玩家留存率和减少投诉。 4. 提升运维工作效能： - 针对扩容缩容消耗巨大人力投入的问题，通过快、准、高质量的执行系统，建立模型、预测、调整参数等方法，提升运维工作效能。 - 原理包括数据源、数据清洗、数据预处理、最小二乘法、机器学习平台等，效果显示智能运维在扩容缩容方面的显著优势。 5. 改变运维监控工作方式： - 无需人工配置策略，涵盖更多复杂场景，告警更加准确。通过曲线分类、算法原理、模型训练、模型应用等方法，改变运维监控工作方式。 - 应用案例包括不同指标的告警策略优化，效果显示智能运维在告警准确性和效率方面的提升。 6. 指导运维发现异常日志： - 通过原始日志、向量化的日志、实现流程等方法，指导运维发现异常日志。应用案例包括日志分析和异常检测，效果显示智能运维在日志分析方面的优势。
AIOps在运维日常工作中的服务模式： 报告最后介绍了AIOps在运维日常工作中的服务模式，包括业务多、场景多、需求差异大等情况下的服务提供方法。服务模式包括： 1. 业务很多：如何提供服务？ 2. 场景很多：如何提供服务？ 3. 需求差异很大：如何提供服务？
本文为AIOps在运维团队的实施提供了宝贵的实践经验，展示了如何通过DataOps和AIOps技术，提升游戏运维的效率和质量，解决实际工作中的挑战，为其他企业提供可借鉴的实践路径。
| 
转播
分享
淘帖
()