Gartner市場指南 | AIOps將成爲運維最主要的工具（二）

　
　　前言導讀：上一篇文章Gartner市場指南 | AIOps將成爲運維最主要的工具（一）已對AIOps平臺的市場狀況和市場方向作了詳細闡述，讓我們對AIOps市場有了一個大致的瞭解。而本文則在分析AIOps目前現狀的基礎上，爲AIOps平臺的部署提供了相應的建議。
　　01市場分析
　　迄今爲止，很少有供應商能夠提供全面集成化的AIOps平臺，不過大部分可以提供大量AIOps功能，且其中的子集是相互集成的。爲了更清楚地瞭解市場如何發展，以及供應商在市場所處的地位，Gartner將現有AIOps能力劃分爲數據管理和分析結果兩大類：
　　數據提取和處理
　　歷史數據和流數據管理，包括對軟件和應用的日誌數據、網絡數據、指標和文檔數據的提取、索引和持久存儲的管理，這就導致數據庫中大部分是非結構化、多結構化的數據。
　　這種歷史數據管理功能，可稱爲“大數據管理”。爲了在IT運維用例中提供有價值的信息，該工具還需實時呈現用戶對數據感知的時間尺度，且可以不必訪問數據庫就能提取數據、直接傳遞數據，還必須通過多個實時數據和歷史數據流提供連貫分析功能。
　　分析結果

- 　　基礎和高級統計分析：是一種單變量和多變量分析的組合，包括IT組織提取的指標、數據源管理數據的相關性、聚類、分類和推斷。
　　自動發現和預測：使用上述一種或多種類型的歷史數據和流數據，生成關聯性的數學模式或結構模式，推斷數據集運行情況，再利用這些模式及時預測不同事件出現的概率。
　　異常檢測：使用以前組件發現的模式，先確定正常系統的構成情況，然後辨別出異於正常系統的偏差。
　　根因確定：精簡由自動化發現模式和預測組件建立起來的相關性網絡，隔離具有真正因果關係的相關性鏈接，從而提供有效干預的解決方案。
　　規範性建議：對問題進行分類並將其歸類爲已知類別，然後挖掘先前存儲的解決方案並分析其適用性，再把結果優先提供給IT運維人員。這些將使用閉環的方式，在使用後還可以根據使用的有效性進行選擇。
　　拓撲結構：對於AIOps檢測到的模式，必須把提取的數據放置在合適的環境中，該環境就是拓撲結構。沒有拓撲結構的環境和約束，檢測到的模式雖然有效，但可能毫無用處，還會導致注意力分散。使用拓撲結構確定一部分因果關係，可以大大提高其準確性和有效性；使用圖形和瓶頸分析方式，能夠獲得事件發生的位置及其上下游依賴關係，可以提供修復工作的重要內容。
　　
　　但是，市場上存在一起誤解，即認爲AIOps是否會取代APM、NPMD、ITIM和DEM等局域網監控工具。AIOps不會取代監控工具，反而是讓監控工具分析更高效，數據操作性更強。局域網監控工具將繼續存在，將繼續爲專家提供數據提取、數據分析和數據可視化功能。不過，這些監控數據將會導入AIOps平臺，並匯聚起來進行跨域分析。
　　隨着市場發展，Gartner發現AIOps的功能也不斷在延展：
　　供應商進入到非數據源的AIOps市場，這些都是通用產品，可以滿足最廣泛的使用案例；
　　供應商具有關鍵組件，但數據源受限。這些供應商通常專注於單個域（例如網絡、系統終端和APM），或選擇性地處理其他報警等數據類型。這些工具主要針對某些IT運維部門，且用例受限。
　　一些具備監控解決方案的供應商，將數據源限制在其監控的產品中，或是拓展至合作伙伴的生態系統中，這同樣也是把目標受衆限制在正確的數據源組合的例子。
　　一些開源項目能夠讓用戶通過數據提取、大數據平臺、ML和可視化圖層來構建自己的AIOps平臺，終端用戶可以匹配多個供應商的組件。
　　AIOps平臺增加了嵌入式監控工具之外的重要功能，除了不能默認鎖定監控工具中靜態數據模型之外，它能夠獲取數據模型、數據異常情況和因果關係。而監控工具可能會在數據強制進入預定模式時忽略這些功能。
　　02代表供應商
　　本市場指南列出的供應商只是其中的一部分，主要是提供對市場及其相關產品的建議。
　　市場介紹
　　AIOps平臺供應商產品功能廣泛，且不斷在發展壯大。供應商提供的數據提取和開箱即用功能僅在最小配置下可用。
　　下表中，列出了提供AIOps平臺功能的代表性供應商。
　　
　　03市場建議
　　採用增量方式，確保成功部署AIOps功能
　　若想有效部署AIOps功能，需要從數據源重組IT域開始，並採用結構化的方式。這種方法能夠將焦點轉移到數據集，而不是轉移到傳統的工具集。Gartner發現，最好的方式是使用大數據集獲取數據源。只有在IT運維團隊熟悉AIOps採用的大數據技術之後，才能掌握AIOps的能力類別。
　　因此，在選擇工具或者服務時，企業應該優先考慮這樣的供應商：允許部署數據提取、數據存儲和數據訪問，而不是依賴剩餘的AIOps組件。鑑於AIOps將用於多個用例，基礎設施和運維負責人必須確保：供應商提供的產品需要支持逐步添加其他組件的功能。
　　選擇支持歷史數據和流數據類型的AIOps平臺
　　當前的IT運維工作，旨在獲得IT應用程序及其之間的相互關係、相互依賴性等綜合性能，以便深入瞭解IT工作的整體環境。而選擇正確的數據源，對於避開盲點至關重要。部署成熟度和用例就需要準備提取各種數據源。基礎設施與運維負責人選擇AIOps平臺時，必須考慮到該平臺能夠提取、能夠提供各種歷史數據和流數據類型。
　　
　　在之前，AIOps平臺主要專注於單個數據源，例如日誌、指標。然而比較遺憾的是，不管是給定數據集的大小，還是數據集頻繁更新，單個數據類型往往會限制系統洞察行爲。現有的IT系統，一般都具備模塊化和動態性，採用多種方式瞭解正在觀察的情況。例如，可以用AIOps進行數字體驗的綜合分析。
　　當然，也可以通過監控客戶在數字體驗中的表達行爲模式，使用模式檢測算法來改善客戶關係，使用AIOps中的機器學習算法來感知並引導用戶的模式：
　　l APM體驗數據
　　l 業務交易有效負載中提取的訂單數據
　　l 社交媒體情緒數據
　　l 服務檯請求和狀態
　　l CRM系統的賬戶數據
　　通過這種方式，在客戶使用的應用程序中構建複合模型，甚至是在單個應用程序的多個模式中構建不同的行爲，例如當他們使用Web瀏覽器而不是移動設備時。這可用於預測客戶流失情況，並提供所需的洞察力和時間以防客戶流失。
　　選擇運維分析和機器學習等四個階段的系統性工具
　　增量部署工具，需支持IT運維機器學習的四個階段，並能夠給予最高的優先級。
　
　　漸進式方法，是提高IT運維團隊技能的關鍵因素之一。
　　在IT運維環境中部署AI不是很簡單，必須逐步實現。IT運維團隊開始人工智能之旅時，必須熟練掌握數據可視化，並能夠使用基本統計分析工具。抵制誘惑，才能一次性完成所有的一切。在掌握了這些核心的“手工”學科之後，才能通過機器學習進行如下處理：
　　l 首先，嘗試讓軟件顯示大量數據的組織模式；
　　l 接下來，對這些模式進行測試，以預防未來事件及故障發生的可能；
　　l 最後，使用根因分析工具。
　　AIOps的四個階段都很重要，企業應該儘可能多選擇這些工具。這四個階段當以模塊化方式部署，確保學習IT運維時能夠獲得價值。
　　04證據
　　（1）在過去12個月內，關鍵詞查詢超過400次的，涉及到IT監控和AIOps各個方面：平臺選擇；部署策略；IT內外多個AIOps用例，有助於可視化、決策和診斷。
　　（2）6%與AIOps相關且針對ITSM各種使用案例。
　　（3）3%的AIOps交互與DevOps有關。
　　（4）15%的交互與AIOps用於定製儀表板有關。
　　代表性供應商選擇
　　本研究中列出的供應商名單，可以根據以下一個或兩個標準樣本進行選擇：
　　l 能夠從多個數據源提取數據，包括歷史數據和實時流數據。
　　l 不同的產品含有不同的版本，例如專有版本、開源版本、免費版本和商業化版本，能夠現場部署，也可以基於SaaS選項部署。
　　數據類型
　　l 日誌數據提取：能夠從任何軟件或硬件設備生成的日誌文件中，提取字母和數字文本字符，並可以爲存儲編制索引的訪問和數據分析做好準備。
　　l 互聯數據提取：能夠直接從網絡上的分接頭提取分組數據，準備所有協議和交流信息以供訪問和分析。
　　l 度量數據提取：能夠直接提取數值數據，例如可以即刻提取應用時間序列和一般數學運算的數據。
　　l 文檔文本提取：能夠對可讀文檔進行提取、解析、語法和語義搜索，包括使用通常被概括爲自然語言處理的技術（NLP）
　　
　　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