“智能运维”闯关秘籍

关注云报

洞察深一度

这是一款考验闯关者硬实力的新“游戏”

——“智能运维进阶战”！

但其设计并非天马行空，

而是“游戏设计者”

——云智慧，

在其首创的

“智能运维分级成熟度模型”

上的演绎和模拟。

作为闯关者，

企业将经历六关，

通过学习、积累、实践，

最终将达成智能运维的目标！

游戏准备！

在数字化、智能化时代，IT运维正从手工操作走向完全自动化，从传统运维流程化管理走向智能化。“运维+智能”将是一场革命。然而，由于智能运维在实际落地过程中尚缺乏统一认知和框架指导，致使各行各业的智能运维发展程度千差万别，水平参差不齐。

在智能运维发展的初期阶段，如何将新技术与管理方法论相结合，对数据进行有效治理，从而提升生产与运营的效率，充分发挥智能运维的效能，成了各行业数字化转型亟待解决的问题。

国内首个“智能运维分级成熟度模型”，作为一项事实上的标准，不仅可以为企业IT迈向真正意义上的智能运维提供最佳实践参考，还可以帮助企业中的IT人员更好地了解和评估企业在运维方面所处的阶段，以及面临的挑战和问题，从中找到解决问题的根源，从而持续提升运维和IT管理效率。

通过了解“智能运维分级成熟度模型”，将加深企业对智能运维的理解和认知，更好地掌握与智能运维相关的技能和工具，从而实现运维的智能化。

现在，就开始闯关吧！

第一关

Level 0：人力运维

闯关任务：

当前的数据中心、动环系统、硬件设备、操作系统、中间件、数据库、日志、网络服务、应用性能等缺乏监控工具和手段，需要专业的工具实时监控并发现异常或故障，并能及时报警；服务长时间中断，且响应慢，恢复时间不确定；将以天为单位的应用平均故障恢复时间（MTTR）缩短至小时级。

闯关过程：

1. 实施动环监控：通过各类传感器和设备本身的监控接口及协议转换，实现电力、温度、湿度、漏水等实时监控，通过流程和3D可视化管控机柜空间、监控使用情况。

2. 监控网络质量：通过网络流量和深入分析，实现网络服务层及应用会话性能监控，改善网络和应用的可用性。

3. 监控日志：基于大数据技术与智能算法，实现PB级多源、离散日志的统一采集、处理、存储与查询分析。

4. 监控基础设施：全局掌控基础设施、操作系统、数据库、组件的运行状态，实时保证资源正常运行。

5. 监控应用性能：追踪性能问题，快速定位应用缓慢、错误和异常，确保业务质量。

经验参考：

某国有企业，故障投诉多，设备管理混乱，设备故障没有管控工具，排查故障以人工方式为主，依赖个人经验，效率非常低。

采用基础网管工具、应用性能监控工具和日志分析工具后，实现了IT硬件的集中管理、故障发现和告警等，实现了应用系统的代码级故障定位和详情获取，大大提高了故障排查效率。

闯关结果：

从动环、基础设施、网络服务、应用性能、涵盖从业务到基础设施的各个监控层面，帮助企业构建从技术到业务的完整的监控体系；从依赖人工、手动、经验，逐步向工具、脚本和标准转变；完成监控工具建设，补全工具短板。

第二关

Level 1：辅助运维

闯关任务：

当前，企业正从外向型业务创新向以技术驱动为特征的管理创新转变，同时管理方式也需要从粗犷式经营向精细化管理转变。在此背景下，企业需要继续提升IT的效能，以保证业务的长久稳定发展；应用平均故障恢复时间（MTTR）从小时级进一步缩减至一小时以内。

闯关过程：

1.“四划”——进行有效的组织架构规划、制度建设规划、流程建设规划、考核指标规划。

2. 从缺乏规划、分割管理的离散阶段，逐步过渡到建立数据集中处理应用中心，实现整体规划、专业运维，引入运维流程框架，通过流程实现跨部门的运维任务，贯穿各个专业部门并实现协同。

3. 满足多活和混合云环境要求，实现应用与基础设施的松耦合，以及资源服务化。

经验参考：

某大型制造企业在运维方面，存在故障处理效率低、追溯难、管理复杂和操作失误多等弊端。通过ITIL流程规划和ITSM系统工具实施，以及建立统一的IT运维服务台并采用自动化运维工具，实现了平台多入口和统一线上管理，提高解决问题效率的同时，推动了常规运维操作的标准化，降低了运维人员的学习成本。

闯关结果：

通过对组织架构、岗位角色、管理制度、流程、考核指标、运维工具的整合规划，实现了人与工具的有效结合，保证了服务交付的准确性、高效性；构建和优化IT运维管理体系。

第三关

Level 2：一体化运维

闯关任务：

数据量和种类虽多，但离散，缺乏全局数据观；业务数据与IT数据管理缺乏关联，价值挖掘成本居高不下；监控手段比较丰富，但出现问题时仍难以快速定位；迫切需要实现运维数据治理，从数据噪音中快速定位问题的根源；应用平均故障恢复时间（MTTR）从一小时以内进一步缩减至分钟级。

闯关过程：

1.数据治理：归集数据、处理数据、建模数据、存储数据、数据接口服务化、数据应用场景化。

2.建立指标体系：梳理业务及IT指标集、IT应用层指标集、IT服务层指标集和IT组件层指标集等。

3.智能场景应用：监控IT资源健康状态，感知业务健康态势，监控业务健康度，跟踪展示业务流程，感知用户体验态势。

经验参考：

某大型地产企业数据繁杂，数据间缺乏关联性分析，且工具分散，用户体验差。

通过建设大数据运维中台，实现数据的统一归集、清洗、分析，实现数据接口标准化、数据场景服务化、业务运维自动化，从而进一步提升智能化能力，实现运营数据化，运维活动可见、可管、可控，保证业务系统安全、稳定、高效运行。

闯关结果：

   建立数据逻辑，明确指标意义，实现态势感知，初步实现智能运维。

第四关

Level 3：初步智能化运维

闯关任务：

虽然完成了数据中台建设，具备了一定的数据分析能力，但仍然缺乏对数据的有效利用，诊断能力、恢复能力、预测能力等均有待提升，需要使用人工智能和机器学习算法，对运维场景进行智能处理；应用平均故障恢复时间（MTTR）从分钟级缩短至秒级。

闯关过程：

1. 智能诊断：通过机器学习和智能算法，自动识别出不符合期望的数据并产生告警；基于异常检测，实现基于逻辑推理的诊断定位。

2. 智能恢复：通过实时海量数据处理、NLP非结构化数据识别、数据关系建立等方式，建立对故障场景特征的精准识别，精确调用相应的预设应急动作，完成业务的快速恢复。

3.智能预测：基于预测算法对时序数据进行学习训练，通过数据与业务的映射、关联、推理等方式，建立数据与业务的映射，从系统维度展现容量水位并进行趋势预测。

经验参考：

某国有银行卡中心虽然拥有近百人的IT运维和业务运维团队，但仍然存在告警消息多、告警准确度低、缺乏告警关联分析等问题，故障处理主要是以人工确认方式为主，效率低。

通过建设以算法和规划同时作用的监控体系，借助大数据、机器学习、智能算法等手段，对告警数据进行实时分析、预测，形成了业务拓扑和算法模型相结合的根因分析，提高了故障的发现、分析、诊断、恢复能力，并可通过自动化手段对故障实现初步的自愈服务，以及进行容量预测，以满足业务未来发展的需要。

闯关结果：

引入算法模型，实现决策智能；实现智能辅助根因定位、故障自动恢复等。

第五关

Level 4：高度智能化运维

闯关任务：

持续保持业务流程的高效，以及算法的准确性，提升对问题流程和算法的识别速度；进一步简化自动化场景编排和算法调参，提升效率，降低成本；通过AI算法对业务场景故障进行预测；通过自动化实现自愈。

闯关过程：

1.自学习AI：强化学习、深度强化学习、自监督学习等前沿人工智能技术的应用，改进现有算法在各类运维场景中的应用。

2. 过程挖掘：过程挖掘技术有助于用户解决诸如过程发现、一致性检查和瓶颈分析等问题。通过以上问题的智能化处理，极大地帮助用户及时发现现有系统的问题流程，并根据建议进行针对性优化，甚至由系统自主优化/创建新的流程。

3.计算机视觉：结合计算机视觉、RPA等技术，使AI更加智能地模拟终端用户的桌面系统环境操作，覆盖更加广阔的运维场景。

4.机器人自动化：PRA技术能够模拟人与数字化系统的交互，通过RPA技术，在现有脚本和代码的基础上，实现更加简单、灵活、高效的自动化作业，覆盖更加广泛的业务场景。

经验参考：

某省政务服务数据管理局从业务办理场景入手，实现一网通办，同时理清了业务办理记录，实现了流程模型分析，可以更快地找到事项失败的情况，有效缩短事项办理时长，提高效率。

闯关结果：

自动化与智能化不断深入到各个运维/运营环节及业务场景中，充分利用流程挖掘、超自动化技术、人工智能化，提升效率的同时，降低维护成本。

第六关

Level 5：完全智能化运维

达到理想的自治状态，即无人值守、故障愈合、自主优化，可做到远程接管；应用平均故障恢复时间（MTTR）缩短至毫秒级。

如果一家企业能够连闯六关，

那么就将达到运维的最高境界

——完全智能化运维。

当然，

这还只是一种“理想”。

有闯关经验的企业一定深有体会，

从第三关到第四关的跨越难度较大，

即从一体化运维到初步智能化运维，

这是一次质的飞跃。

从手工操作到自动化，

从传统运维到智能运维，

乃至无人值守，

这一进阶的过程是必然。

认定目标，拿出闯关的勇气，

你一定行！

“游戏”的背后

像是玩一款闯关游戏，企业将经历一次完整的智能运维的发展历程。因为“智能运维分级成熟度模型”的存在，企业的闯关历程明确而清晰：每一个阶段需要做什么？要达到什么样的目标？从技术到流程再到管理和人，都历历在目。

“智能运维分级成熟度模型”，是云智慧凭借多年服务中国Top 3000企业客户的数字化运维行业经验，在智能运维国家标准编制组指导下，同时参考了ITSS运维服务能力成熟度模型与Gartner关于AIOps市场指南的基础上提炼而成。

该模型从业务用户体验、运维组织管理、流程管理、工具应用、数据管理和应用平均故障恢复时间等几个维度，描述了每个阶段的运维管理特征，同时为每个阶段的演进提供了相应的关键提升手段。

每个企业都需要这样一种指引，有规划、分步骤、由低到高，积小成为大成，最终实现智能运维的目标。

欢迎扫码关注云报