運維未來的發展方向是智能運維（AIops）

近年來運維技術飛速發展，運維團隊大多建設好了各種系統：虛擬化、容器化、持續集成等等。但是如何有效的利用這些系統最終實現站點的高可用、高性能和高可擴展？隨着智能化技術的發展，爲了解決上述運維領域的問題，智能運維的呼聲越來越高。br/>在**日誌易**產品總監饒琛琳（**@三斗室**）看來，目前國內智能運維發展還處於一個探索階段，要想盡快在智能運維領域有所突破，首先要重點做好監控系統和告警系統，並利用機器學習算法進行快速監控和排障。
本文就將饒琛琳對智能運維發展的一些早期觀點和看法整理出來，和大家一起探討下運維未來的發展方向。
1、對國內運維領域現狀的看法
簡單來講，目前國內運維界在自動化方面已經達到了一定的水平，就現階段而言，自動化和監控兩部分還是有一定距離。例如，你拿到了監控類的報警，可能不能立即清楚去做哪一項自動化的部署。如果能把自動化和監控這兩部分有機的結合起來，運維的工作會更加便捷。
2、移動端和微服務給運維工作帶來的挑戰
在 PC 端的時代，運維的很多工作受限於瀏覽器，在運維人員拿不到用戶端真實數據的情況下，大家普遍會去採購一些第三方服務，嘗試獲取終端數據。而在移動端時期，我們都有自己的客戶端，可以把一些採點的邏輯放在自己的客戶端裏，然後獲取到更準確、更真實的客戶數據。相對於挑戰來說，這其實是移動端帶來的好處。
微服務的出現給運維工作帶來一些難題。沒有出現微服務之前，運維人員在一臺或者兩三臺機器中就可以完成問題排查。到了微服務的時代，這些問題可能出現在分佈式系統幾十乃至成百上千個節點的任意位置。系統中單個服務的啓停和遷移很方便，也很頻繁，各自的數據輸出就變得很混亂，這意味着運維要查找問題就麻煩了很多，而解決這些麻煩就需要智能運維。
3、在大數據時代，智能運維與數據、自動化運維之間的關係
智能運維的理想狀態就是把運維工作的三大部分（監控、管理和故障定位），利用一些機器學習的方法有機結合起來。
在大數據時代，智能運維是基於大數據之上的。目前看來，運維想要把監控、管理和故障定位這三部分有機結合起來，就不可避免的需要用到智能算法，而智能算法發揮價值有一個前提：智能算法需要大量的數據去做支撐。
自動化運維這幾年處在一個良性發展的狀態，包括像 Puppet 這種配置管理的自動化，像 Docker 這種部署的自動化。進一步的發展就是需要把這三部分融合起來。目前能夠把這三部分融合起來的辦法就是利用人工智能的手段，最後達到一種智能運維的狀態。
4、智能運維當下的狀況及智能運維發展的預測
智能運維當下還是一個初步探索的階段。可以舉幾個時間數字，我所看到的一個和智能運維相關的開源項目是在 2013 年，第一個主動出來宣講智能運維相關內容的國內企業是百度，時間是 2015 年，智能運維大量出現在宣講上的時間是在 2016 年下半年。這些宣講都還在嘗試階段，這些嘗試的效果還需要更多思維碰撞，尋找達到更好效果的辦法，因爲我們現在用的是普通的機器學習算法，還沒有用到像 AlphaGo 的深度神經網絡那樣的算法。實現智能運維是一個需要大量投入和學習的過程。
想盡快在智能運維領域有所突破，更實際一點的辦法就是重點做好監控系統和告警系統。傳統的 IT 運維需要管理大量的告警，極大地分散了企業的注意力，消耗運維人員大量的時間和創新力。想辦法高效地解決一天收到幾千封告警郵件的問題，把運維人員從紛繁複雜的告警和噪音中解脫出來，這是一個能夠迅速產生價值的思路。
現在比較明確的是大家會朝着智能運維方向發展，並且智能運維的發展一定是一個長期演進的過程。

對於智能運維的發展預測，我的簡單看法如下：
智能運維會首先體現出其在告警系統上的價值。
第一階段，做到智能地判斷告警，而不是現在靠人的經驗去設定一個閾值。設定告警閾值是一項耗時耗力的工作，需要運維人員在充分了解業務的前提下才能進行，還得考慮業務是不是平穩發展狀態，否則一兩週改動一次，運維工程師絕對疲於奔命。
第二階段，做到智能地定位故障。現在的故障定位完全依賴於人的經驗和 CMDB 的完備性，但維護一個複雜的 CMDB 本身又是大難題。智能運維應該可以從相關性分析等方面，輔助運維人員快速定位故障。
第三階段，利用一些 NLP（自然語言處理）技術，對自然語言寫成的故障報告進行處理，自動反饋到智能運維繫統裏。這一點可能是更遙遠的一個設想，但是目前來看會是將來發展的一條道路。