前言導讀：Gartner首席分析師Pankaj Prasad、Charley Rich，在對AIOps市場和用戶進行了深入的調研之後， 給出了AIOps平臺的市場分析和指南。對於國內面臨數字化轉型挑戰的大多數企業來說，爲什麼要採用AIOps平臺、AIOps有什麼優勢、到底能爲企業帶來什麼價值，讀完這系列文章或許能有所啓發。
智能運維AIOps平臺，往往是通過大數據、機器學習和可視化的方式讓IT運維工作變得更高效。企業基礎設施與運維負責人應該儘早啓動AIOps平臺部署工作，優化當前的性能分析，並在未來兩年至五年內擴展至IT服務管理和自動化領域。
01市場概述
主要發現
AIOps提供企業決策支撐：AIOps主要用於IT運維，且在企業中日益佔據主導地位，而一些成熟的組織已正在利用該技術爲企業領導者提供決策支撐。
- 數據質量成爲新挑戰：AIOps技能和IT運維成熟度，是通過這些工具快速實現數據價值的保證，而數據質量則成爲成熟度部署的新挑戰。
- 人工智能發揮作用：企業使用人工智能進行IT運維（AIOps），以增強或偶爾替代APM和NPMD工具。
- 機器學習算法愈發重要：軟件商們正在制定機器學習戰略（AIOps中主要採用的技術），來應對分析運維數據量巨大、數據類型繁多和數據生成速度快三方面的數據挑戰。與此同時，他們也正在建立跨數據存儲和人工智能實踐的專業化水平。
落地建議
負責優化IT運維的基礎設施與運維領導者應該注意：
- 部署AIOps工作時應當採用從歷史數據開始的增量方法，並逐步使用數據流，確保與不斷改進的IT運維成熟度一致。
- 選擇能夠全面瞭解IT系統過去和現在狀態的平臺，採集並提供對文本和指標數據的訪問接口。
- 深化IT運維團隊分析能力，選擇逐步部署基於IT運維機器學習四個階段的工具，包括描述性、診斷性、主動性能力和根因分析，以避免高危的設備運行中斷事故。
02市場定義
AIOps平臺是將大數據與機器學習功能相結合的軟件系統，主要對IT系統不斷產生的數據量、類型和速度進行拓展性的採集和分析，以支撐IT運維的主要功能。該平臺能夠同時使用多個數據源、數據採集方法、數據分析及演示技術。
市場描述
AIOps可以應用到廣泛的IT運維流程及場景中，包括性能分析、異常檢測、事件關聯分析、IT服務管理和自動化。
核心功能包括：
-
從各種數據源中提取數據
對提取的數據進行實時分析
對存儲的數據進行歷史分析
提供數據訪問接口
存儲採集數據
使用機器學習技術
根據分析結果啓動操作
AIOps分析工作的目標是發現含有新元素的模式，並以此預測可能發生的事件和出現的情況，並及時回顧過往，確定當前系統行爲的根源（見下圖）。
03市場方向
AI技術在過去20年裏斷斷續續地影響了ITOM的演變，而AIOps就是最新的一個例子。IT運維管理面臨着兩難境地的巨大挑戰，一方面要降低成本，另一方面其複雜度又不斷攀升。主要體現在數據量巨大、數據類型繁多和數據生成速度快三個維度：
- IT基礎架構和應用程序產生的數據量快速增長（年增長2-3倍）
- 機器和人工生成的數據類型越來越多（例如指標、日誌、網絡數據和知識管理文檔）
- 由於採用了雲架構和其他臨時性的架構，數據生成速度不斷提高，IT架構內變化速率也在提高
鑑於現代企業所需的洞察力，對這三個維度進行權衡的代價將相當巨大。現有的監控工具，在處理體量巨大、類型衆多、速度要求高的數據時，承受到了巨大壓力。更爲重要的是，監控工具不會在不考慮忽略數據類型的基礎上提取數據。例如，企業需要通過大量數據來獲得有用信息，這些數據包括跨越基礎架構和應用程序指標、客戶情緒數據、業務交易數據、傳感器遙測和各種系統的日誌。
非IT團隊，如業務線員工和外派的運維團隊（如應用程序開發人員和開發運維人員），對AIOps技術越來越感興趣，以便在使用多個數據集時展現自己的洞察力。而在某些情況下，安全和IT運維人員正在尋思着怎麼利用好這個通用平臺。
AIOps平臺的性能和成熟度，將會實現多個橫跨IT和安全操作的用例，這已成爲部署通用平臺的主要阻礙。此外，由於數字業務造成的IT需求速度不斷提高，因此需要藉助於一些工具：
- 降低噪音（例如通過收斂誤報或冗餘事件的形式）
- 提供因果關係，以確定事故的可能原因
- 獲得超出靜態閾值的異常並主動檢測
- 對未來事件加以推斷，防止潛在故障
- 啓動解決問題的行動（通過直接/集成方式）
迄今爲止，AIOps功能主要是用來支持IT運維流程，監控或觀察IT基礎架構、應用程序行爲和數字化體驗。基於減少問題解決平均時間的能力，AIOps平臺無論是在事件管理中採用機器學習技術刪除重複數據，還是在APM中通過字節檢測或分佈式數據跟蹤分析應用程序的日誌數據，都被證明是合理可行的。
目前，AIOps平臺提取數據類型的範圍正在擴展，特別是過去僅支持日誌數據提取的供應商，正在大幅擴展數據類型範圍，包括數值型數據和網絡數據。
因此，考慮到供需方面的趨勢和技術差異，Gartner預計：在接下來的5年內，AIOps平臺事實上將擴展成爲以AIOps功能交付的形式，而不是將AIOps的功能嵌入在APM、NPMD或ITIM等監控工具中。
Gartner的客戶對AIOps越來越感興趣，並想通過大數據和機器學習技術來分析服務檯的有效性，以此參與到故障和問題解決流程中去。IT組織還開始在DevOps環境中探索AIOps，將其作爲持續集成/持續交付（CI/CD）週期的一部分，便於在部署之前預測潛在的問題，並檢測潛在的安全問題。
AIOps分析的應用超越了其最初的使用範圍，而成爲IT運維中事件關聯和分析的最佳解決方案。
運維部門也開始關注IT運維領域之外的用例。例如，2018年1月開始，Gartner客戶對設計儀表盤很感興趣，通過此顯示客戶滿意度、訂單流程和業務健康的實時分析情況。在這種情況下，AIops的目標是向業務線負責人提供實時洞察情況，讓他們瞭解IT對業務的影響，並幫助他們根據相關數據做出決策。
**Gartner認爲，AIOps將演變爲雙向解決方案，不僅可以採集數據加以分析，而且還可以根據分析結果進行操作。**這些操作最有可能通過與其他ITOM和ITSM工具相集成的形式，包括以下幾種：
- 告警
- 問題分類
- CMDB
- 訂閱自動化運行
- 應用程序發佈與編排
AIOps工具監控作業分爲四個階段：數據採集、數據聚合、數據分析和數據處理，具有數據聚合和分析的核心功能。隨着技術進一步的發展，用戶將能夠利用平臺的主動建議功能，實現數據處理作業。
隨着當下應用程序對機器用量的增加，一些組織將數據採集作爲本機的應用能力。此外，一些用戶利用開源技術採集數據，從而繞過作爲專用域的監控工具APM，將AIOps作爲主要的監控工具。
關於監控工具與AIOps的爭論纔剛剛開始，而且可能還會繼續發酵。然而，從長遠來看，監控工具將成爲該領域的專家，而AIOps將成爲IT運維最主要的工具。
如何通過AIOps手段增加運維效能和降低運維成本，對於企業來說都是很大的挑戰。而致力於智能運維AIOps領域的擎創科技，已經爲國內多家銀行和證券用戶成功部署夏洛克AIOps平臺，助力企業運維降本增效：
- 強大自研數據採集器：支持Linux、Windows、AIX等多種系統，可採集除日誌外的性能數據、網絡數據、CMDB數據等各類數據；
- 創新的數據流處理方式：單數據流峯值每秒採集350000 條，可處理日增數據30TB；
- 人工智能算法：與復旦大學運維實驗室共研10+種人工智能算法，異常檢測和根因定位更容易。
本文對AIOps平臺的市場狀況和市場方向作了詳細的闡述，系列文章還將對AIOps進行市場分析，並提供相關AIOps平臺的部署建議。
作者：Pankaj Prasad& Charley Rich
來源：https://www.gartner.com/doc/reprints?id=1-5UWPRFW&ct=181126&st=sb
編譯：林含飛
編譯過程中有所刪減