在互聯網圈兒內有一號人，他們的存在就像Wi-Fi，在的時候你感覺不到，但要是沒了卻非常著急，他們就是運維。服務在線上不可用了，找運維；網不好使了，找運維。

運維就是管機器、管網絡、管服務的人。運維的發展分三個階段。

第一階段之手工運維，早期的時候互聯網發展的比較緩慢、各網站接入的網民數量比較少，依靠運維人員手工即可保障業務系統的正常運行。

第二階段之自動化運維，這一階段互聯網開始進入高速發展階段，依靠手工效率低、成本高，通過對業務行業領域知識和運維場景領域知識的把控來預定義自動觸發的腳本來執行常見的、重復性的運維工作。

第三階段之Aiops智能運維，通過機器學習算法自動的從海量運維數據中不斷的學習，結合領域專家的指導不斷訓練模型，最終通過模型來分析決策，達到智能運維。

Aiops所要實現的目標有五個，即異常檢測、故障預測、容量規劃、瓶頸分析、助力運營。而要做Aiops，最基本也最重要的便是數據，在IT系統中總共會產生五類數據：機器數據、網絡數據、代理數據、探針數據。

機器數據是IT系統自己產生的數據，包含客戶端、服務器、網絡設備、安全設備、應用程序、傳感器產生的日志。

網絡數據是網絡通信過程中產生的數據（從數據鏈路層到應用層產生的數據），通過將網絡端口的數據拷貝一份獲取數據；代理數據則是通過在應用程序中插入代理程序，獲取應用程序中函數調用次數時長、調用堆棧等數據；探針數據則是通過撥測模擬用戶請求對系統進行檢測獲得的數據。通過獲取到用戶產生的瀏覽器/app數據（如使用系統版本、運營商、PV、UV）、后端調用數據（如調用鏈、函數執行堆棧）、網絡傳輸數據（如tcp建鏈時長、網絡傳送接收包）、基礎設施數據（如cpu、內存、磁盤、網絡）,我們便可以全鏈路的從前端到中端再到后端追蹤用戶請求，實現故障的快速定位、影響范圍判斷。

通過對歷史數據的分析，可以快速了解系統瓶頸、熱點數據、異常事件關聯。有了歷史數據和當前數據，我們便可以對未來進行預測，實現故障預測、容量預測、趨勢預測等，真正的把人解放出來，讓人工智能服務于生產生活。

AIops雖是良藥，但卻不可盲目追從，需根據企業目前情況進行確定，Aiops落地的難點有三個：數據獲取與管理、人工智能算法、專家。

對于數據獲取，由于中國互聯網發展時間還比較短，而且是粗獷式發展，因此運維監控體系是不夠完善的，比如有的企業，沒有任何業務監控系統或只有部分系統導致采集的數據不夠全面，有的企業監控的指標深度不夠導致關鍵指標不能識別從而不能智能分析。

對于數據管理，在整個aiops中采集了各種類型的、大量的數據，這需要系統能夠處理并存儲各種樣式的數據，還需要提供強大的實時分析搜索能力，需要對數據生命周期進行管理，這塊非常具有挑戰。

對于人工智能算法，在智能運維領域常見的算法包括邏輯回歸、關聯關系挖掘、聚類、決策樹、隨機森林、支持向量機、蒙特卡洛樹搜索、隱式馬爾科夫、多示例學習、遷移學習、卷積神經網絡等，隨著技術的發展，運維分析將采用越來越先進的機器學習算法。在處理運維工單和人機界面時，自然語言處理和對話機器人也被廣泛應用。

對于專家，我們可以把其細分為行業專家（如電商領域、金融領域、教育領域等）、運維專家（熟悉各種運維場景），而這兩方面的人才都是非常匱乏的，只靠人工智能算法去學習分析，沒有專家的指導是不足夠的。

運維界把Aiops設定為解決運維問題的必然方向，現在頭部互聯網公司如阿里、騰訊、百度、頭條、美團、滴滴等也均在搭建自己的Aiops平臺，通過融合各種IT數據，真正打破數據煙囪，對監控，自動化、服務進行支持，使得IT能夠更好的支撐業務，利用大數據技術以及機器學習技術，回答以前很多單從業務口徑，或者單從IT口徑無法回答的問題，加快企業在競爭激烈的市場環境中占據一席之地。

自人工智能打敗阿爾法狗的那天開始，它必定會涉及到我們工作和生活的方方面面，與不同領域擦出不同的火花，關于現在智能家居、智慧交通、智慧旅游、智能運維等都在快速建設中，關于未來，我們充滿信心和期待～