本文探讨了AIOps在智能运维中的应用，指出AIOps的效果依赖于良好的数据治理，特别是在金融行业日志异常检测中。灵犀通过长期研究和工程实践，提供了一套有效的方法来提升算法效果，包括自动化处理日志、精细打标签和特征工程。AIOps不是替代现有日志平台，而是增强其故障发现能力，能发现更多传统方式难以发现的异常。AIOps将是未来运维领域的重要趋势，需要不断演进来应对挑战。
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
最低0.47元/天 解锁文章
2001
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
