本文是关于某银行AIOps（Artificial Intelligence for IT Operations，智能运维）智能运维实践案例的报告，由国内最大的数字化时代IT服务管理交流社区ITIL先锋论坛提供。报告从AIOps建设背景及目标、落地思路及平台框架、实践案例分享、未来方向展望四个方面，详细介绍了该银行在AIOps领域的实践和经验。
AIOps建设背景及目标： 随着业务数字化转型及架构分布式转型的加速，商业银行的IT运维架构逐渐从传统运维架构向“双态”运维架构演进，既注重“风险防控，力求安全”的“稳态”，又追求“快速交付，提升体验”的“敏态”。这种演进的背后是从“IT运维”到“IT运营”的转型诉求，旨在让系统从“活着”向“活的好”转变，管理从“有举措”到“有成效”转变。AIOps期望实现的四个目标包括更早发现风险、更精准的运营决策、更快解决问题、更智能的运维管控。
落地思路及平台框架： AIOps落地面临的现实问题包括数据获取难、分析手段单一、个性化运维数据分析场景需求多变、共性分析场景缺乏统筹实施等。为解决这些问题，报告提出了以下落地思路： 1. 解决数据问题：构建运维数据集市，从数据汇聚、建模加工、指标体系三个层次构建规范化、标准化的运维数据集市，促进运维数据的高效共享与应用。 2. 提升分析效率：建设分析引擎，结合智能引擎、平台思维、有效管理，实现运维分析换挡升级，丰富运维分析手段，提高运维分析效率。 3. 促进场景应用：构建场景生态，强化主动运维、数据运营理念，针对运维领域痛点、难点、个性化问题开展场景化分析应用建设，促进整体运维能力提升。
实践案例分享： 报告分享了几个具体的AIOps实践案例，包括： 1. 潜在风险挖掘：通过对海量历史运维数据的建模和分析，识别系统运行规律，提前提示潜在运行风险，形成风险的分析-发现-跟踪-处置-优化全流程可追溯，促进系统运行稳定性的全面提升。 2. 全景智能洞察：针对海量告警、指标监控人工分析工作量大、数据割裂不便排查等问题，通过构建系统运行健康度实时评价体系、提升海量资源指标的算法分析效率、建设全方位立体可视化全景洞察视图，实现对系统运行情况的全景智能洞察，提高分析决策效率。 3. 智能根因定位：综合考虑指标、告警、关联等运维信息，构建自下而上的运行健康度实时评价体系，融合AI算法+专家经验的智能诊断工作台，在故障出现异常时快速推荐可能根因。 4. 系统运营画像：参考DIKW金字塔模型构建“数据-特征-指标-标签”的应用系统画像框架，通过建立“运行、运维、运营”三运指标体系，并在此基础上对指标进行横向对比、纵向分析，抽取“标签化”知识，更好地辅助运营决策。
未来方向展望： 报告展望了AIOps的未来发展方向，包括： 1. 从利用机器学习算法实现特定场景向平台化、体系化发展：通过运维数据平台、运维分析平台提供的数据服务能力、算法服务能力及场景建设能力提供体系化智能运维服务。 2. 重视智能运维的体系化建设：除注重算法效果外，人机交互、算法效果可视化、算法结果可解释的进一步提升更有助于运维人员理解AI的决策。 3. 可观测、可解释性需求加强：在依然关注故障告警、异常检测等传统场景的同时，开始逐渐注重故障预测、风险发现等事前场景，注重提升风险的发现、溯源、管理及处置能力建设。 4. 多领域深化赋能：除了传统的质量、效率类场景，为运维管理、安全管控等领域进行赋能也是AIOps的下一个重点方向。
本文为银行的AIOps智能运维实践提供了宝贵的实践经验，展示了如何通过构建运维数据集市、提升分析效率、促进场景应用，实现AIOps的落地和实践，提升运维管理的质量和效率，为其他金融机构提供了可借鉴的实践路径。
| 
转播
分享
淘帖
()