基于机器学习的智能运维(AIOps)已经逐渐成为运维行业的主要趋势,越来越多的用户开始接受AIOps的理念,在这个趋势和浪潮下,无论AIOps厂商还是各行业的头部企业都在逐渐发力,希望能在这个趋势中探索出适合自己实际运维场景的价值点,从而达到降本增效的目的。
AIOps的趋势是毋庸置疑的,但是由于从提出这个概念到当下,相对来说时间较短,行业对它的认识还参差不齐,灵犀经过几年的AIOps理论和实践探索,再结合一些客户常见问题跟大家分享一些心得。
不论提供什么日志,AIOps都可以产生理想的效果?
NO! AIOps的强大魅力让好多运维人以为,一旦拥有就能横扫眼前的一切问题和困扰,从此高枕无忧。但当理想照进现实,我们发现,如果没有坚实的数据治理手段,AIOps将成为空中楼阁,可望而不可及。
熟悉运维的都知道,日志的种类千差万别,厂家不同、业务系统不同、操作系统不同、组件不同对应的日志都不相同。
而AIOps智能运维中的日志异常检测是通过机器学习算法,对大量日志进行学习,形成模型,从而进行异常判断。如果学习的日志本身就不规范,会导致模型有偏差,后续的判断则更不准确。
所以对于日志的治理越规范,算法产生的效果越好。对于大多数金融单位而言,重新规范化打印已有日志基本不现实,这种情况下,AIOps厂家对日志的研究并形成有效的工程治理方法,对于最后算法的落地就显得尤为重要。
灵犀对很多银行和证券系统软件供应商的日志进行了长期的挖掘,包括正常和异常的日志都有多年的积累,总结出一套有效的日志数据治理工程方法,可以在金融业务日志方面使AIOps的