智能运维的进击：从边缘走向中心

一直以来，由于运维不是生产力部门，之前并未受到重视，有的企业甚至没有专职的运维岗位，大家对运维的认知可能是“网管”，修电脑的。并且由于缺乏运维工具和操作指南，早期运维工作只能由运维人员手工开展，依靠多名运维人员共同完成产品运行状态、产品性能指标、产品上线与变更服务等的监控。

随着全球数字化进程的推进，服务器、软件模块、访问数据激增，IT系统的数量和复杂程度加剧，古早的运维方式难以承受巨大的运维压力，监控项目过多导致无瑕应对，事故发生无法准确定位，迫切要求运维工作向自动化、智能化转变。

智能运维AIOps由此兴起，以大数据和人工智能的方式，替代人工对数据中心的运维方式。运维经历自动化、运维开发一体化的发展演进，但依旧很依赖人工操作，依赖运维人员的技术、经验才能完成自动化运维。

而智能运维很重要的一个突破，就是进行自学习的“去规则化”改造，机器学习算法自动地从海量运维数据（包括事件处理日志）中不断地学习、提炼并总结规则，将人工总结的经验变为自动学习的结果，缓解运维工作压力的同时，极大提升运维工作的效率和质量。

在日常系统运维中，常见的两个场景：异常检测和预警。传统运维往往会出现告警不准确、问题难定位、根因难确定等状况，智能运维的落地，则会主动、迅速、准确地发现和定位问题。 此外，智能运维在质量保障（包括异常检测、故障诊断、故障预测、故障自愈等）、成本管理（包括指标监控、异常检测、资源优化、容量规划、性能优化等）和效率提升（包括智能变更、聊天机器人）等场景中为企业全方面保驾护航，除了安全保障，智能运维将在业务中发挥更多的数据价值，为企业发展提供决策依据。

LinkSLA提供用户价值

1、全栈监控，主动式问题处理

LinkSLA智能运维管家通过统一部署实现数据中心一体化监控和智能化运维，将所有的监控资源和对象统一采集，建立底层基础架构到上层业务应用的关联关系，当设备发生故障时，快速定位问题，分析设备对业务系统造成的影响，有效降低故障风险，大大提高运维效率。

2、AI机器学习，异常监测提前预警

AI机器学习围绕业务指标及数据规律，自动调整阈值，无需人工手动调整。减少大量的误报、漏报、重复报，实现异常监测，告警降噪，避免传统工具带来的告警风暴，集成告警事件工单，让故障得到快速响应。

3、MOC值守，专家团队护航。

平台主动监控，Moc实时响应。强大后台支撑平台与专家团队，解决客户运维能力不足，新技术上线困难等问题；可远程申请MOC工程师协助，迅速定位故障，实现高效远程协作指导。资深产品专家和客户关怀工程师7×24小时受理客户问题。

4、共享知识库

LinkSLA共享技术干货包，运维经验以案例方式分享；完善知识库体系，提供新人技能培训，实现技术知识分享最大化。及时更新行业经验，各种专业类运维报告。

5、支持移动应用

集成微信、邮件消息引擎，及时接收告警信息。

智能运维的适用领域广阔，除了互联网，在金融、物联网、医疗、通信、工业等领域均表现出对智能运维的强烈需求。例如，冬奥会、冬残奥会主火炬氢能保供任务的高温油泵突发异常，设备监测系统触发报警后，5分钟内迅速排除隐患，就是得益于智能运维系统的应用。

在数字经济发展的大背景下，机器学习和人工智能为智能运维提供技术支撑，而云计算特别是公有云的发展，改变了过去数据中心小而分散的局面，能为人工智能分析提供全量、全面的大数据，智能运维将进入快速发展时期。

尽管只是互联网经济的一个细分赛道，但智能运维已经成为资本争夺的新风口，智能运维未来发展表现出强劲的韧性。 政府部门也陆续出台《推动企业上云实施指南（2018-2020年）》《国家新一代人工智能标准体系建设指南》等一系列政策推动智能运维的发展。

目前，中国的IT运维服务商主要由原厂运维服务商、第三方运维服务商、ITOM/ITOA厂商和IT基础架构系统集成商组成，正在朝着高效、专业的方向演变。 但也需承认的是，我国智能运维还处在起步阶段，未来还有广阔的发展空间。

挑战在于智能运维需要高质量地标注数据，高效的数据标注方案才能减少人力、时间等成本的消耗，事半功倍。其次，在线系统本身具有规模性和复杂性，是需要长期投入的研究领域，未来任重道远。