本文是一份关于某金融机构AIOPS能力建设经验分享的报告，旨在介绍该机构在智能运维领域的实践和成果。报告由国内最大的数字化时代IT服务管理交流社区——ITIL先锋论坛的专家在GOPS全球运维大会2022·上海站上提出。报告内容涵盖了智能运维能力建设的背景、场景建设、数据基础能力建设以及未来展望等方面。
智能运维能力建设背景 报告指出，随着业务的快速创新和技术架构的日益复杂，运维面临着巨大挑战。分布式、微服务、云计算等新技术架构的并存，要求运维人员具备更广泛的知识和技能，同时动态响应业务需求。运维对象数量激增，关联性复杂，导致故障定位困难，需要提供按需而变的运维保障服务。
智能运维场景建设 报告提出了智能运维的建设思路，包括场景驱动、数据支撑、智能决策和自动实施。通过面向运维使用场景，优化运维数据的处理能力，利用人工智能算法实时检测系统运行状态，解决异常检测、故障定位等问题，并通过RPA（机器人流程自动化）和自动化平台标准化运维流程，提升企业运维效率。
智能算法整体建设情况 报告详细介绍了智能算法在故障发现、故障全景视图、日志异常检测、指标异常检测、多维异常定位等方面的应用。通过提取业务指标、日志数据，实现故障发现和多维异常定位，提供详细的异常指标和日志模式展示，辅助运维人员快速定位问题。
指标异常检测 通过对业务性能黄金指标数据（如交易量、响应时间、错误数等）进行异常检测，识别业务指标趋势的反常变化，及早发现问题风险，缩短故障发现与恢复时间。智能检测能够动态调整阈值，减少误报漏报，适应不同时段的规律变化。
多维异常定位 当系统级别的业务指标发生故障时，通过多维异常定位快速判断异常程度最高的维度属性，精准缩小排障范围。系统自动提取重要维度，进行多维组合分析，分钟级产生根因推荐。
日志异常检测 系统日志格式多样，通过日志的相似性进行聚类，对日志模板的频率变化进行检测，将未匹配日志及频率改变的日志进行告警提示，辅助运维人员快速定位异常。日志异常检测通过多种告警合并，避免管理员重复收到大量告警，便于定位原因。
基于知识图谱的故障定位 通过数据接入、实时数据流、CMDB、调用链数据等，构建故障子图，实现流式根因定位。基于知识图谱的故障定位能够快速识别故障原因，提供精准的故障诊断和风险预警。
数据基础能力建设 报告指出，智能场景建设面临数据孤岛、数据质量不高、数据不可知等问题。数据治理的开展思路包括运维数据治理目标、组织保障机制、治理管控城、技术保障机制等。通过数据治理顶层设计，实现数据的统一连接、质量提升和服务自助化。
数据治理开展思路 数据治理的目标是以质量为中心，以活量为导向，保障体系成果，以服务为价值。通过组织架构、角色职责、管理办法、绩效监督和考评等机制，确保数据治理的有效实施。
数据治理顶层设计 数据治理的顶层设计包括总纲架构、运维数据治理蓝图演进适配、运维数据治理管控政策优化梳理等。通过数据管理域、解决方案、运维数据治理需求梳理等，实现数据的全生命周期管理。
运维数据治理技术实现要点 技术实现要点包括对象识别、数据质量标准、元数据管理、数据安全等级定级、统一数据服务设计规范等。通过数据质量管控、数据血缘、数据服务生命周期管理等，实现数据的高质量管理和安全访问控制。
未来展望 报告对未来展望进行了阐述，包括挖掘统一数据底座、整合应用场景、安全运营、自研算法等方面。通过数据治理完善优化平台通、智能算法、运维应用场景等能力建设，持续发挥运维数据的价值，提升IT技术运营价值。通过优化整合技术运营与安全运营两大领域，结合数据与智能能力，为公司数字化转型保驾护航。
报告详细介绍了某金融机构在AIOPS能力建设方面的实践和经验，强调了智能运维在应对业务创新和技术架构复杂性方面的关键作用。通过智能算法、数据治理和未来展望，报告展示了如何通过技术创新提升运维效率和质量，为金融机构的数字化转型提供支持。
| 
转播
分享
淘帖
()