• <div id="8tcit"><span id="8tcit"></span></div>
    <dl id="8tcit"><ins id="8tcit"></ins></dl>
    <dl id="8tcit"></dl>
    <li id="8tcit"><ins id="8tcit"><thead id="8tcit"></thead></ins></li>
    <dl id="8tcit"></dl>
    <div id="8tcit"><tr id="8tcit"></tr></div>

    計世網

    深度解讀DevOps與AIOps如何應對數字化時代新運維
    作者:佚名 | 來源:中國網
    2018-09-21
    從某種意義上來說,運維的重要性攀上前所未有的高峰是數字化時代的必然,但在運維的重要性攀上前所未有高峰的同時,傳統運維方式和運維技術迅速失效。

     

     當全世界都建構在數字化技術之上,運維的重要性攀上了前所未有的高峰。

    隨著物聯網的發展,預計到2030年全球聯網設備數量將從80億增長到2000億,甚至更多,這些設備都是數字化設備,承載著難以計數的數字化服務。以此為基礎,全世界都將事實性的構建在數字化設備,或者說數字化技術之上。

    但這些設備并非完美,鑒于這些數字化設備,都是由人遵循一定的模式創造出來的,缺陷與不足都會天然存在于這些數字化設備之中,這其中最著名的代表就是“千年蟲”——一個因為人在PC設備的時鐘設計時發生疏漏,產生波及面極廣的數字化海嘯的典型案例。

    于是,對于數字化時代來說,針對數字化設備進行運維,確保其能夠安全可靠高速的運轉,在盡可能長的時間內平穩運行,充分發揮其基本能力效用,成為一個關鍵議題,并直接影響到企業業務的收益和成本。

    從某種意義上來說,運維的重要性攀上前所未有的高峰是數字化時代的必然,但在運維的重要性攀上前所未有高峰的同時,傳統運維方式和運維技術迅速失效:

    一方面,數字化時代運維所要面對的數字化設備數量和復雜度都呈現出快速增長的趨勢,運維所要面對的問題更多、更復雜,運維壓力也更大,傳統運維無法消解壓力,只能將壓力直接傳遞給運維團隊;

    另一方面,企業在數字化時代的業務轉型和發展速度顯著加快,對數字化設備及時響應能力的要求也更高,不僅如此,傳統運維是以設備為導向而不是以數據為基礎、以業務需求為導向的,這意味著運維與企業業務需求處在完全脫節的情形之下。

    數字時代下,任何使用傳統運維方式和運維技術來管理機器數據的組織要么忽略了信息的價值,要么已經讓他們的運維團隊不堪重負。

    近年來,解決數字化時代運維難題的思路逐漸聚焦:將開發和運維這兩個領域相結合,通過自動化“軟件交付”和“架構變更”的流程,來使構建、測試、發布軟件能夠更加地快捷、頻繁和可靠,直至逐漸形成開發與運維緊密結合的自動化運維體系,這一體系更加強調從運維流程、運維手段等層面實現完全的自動化,在特定情況下,甚至實現無人干預。

    這就是當前主流的DevOps,但對于正在選擇DevOps的傳統企業來說,卻并不是所有的DevOps都能夠適應以及支持傳統企業向互聯網+轉型的進程,與此同時,DevOps的邊界也在隨著數字化時代的深入而不多擴展。

    傳統DevOps與互聯網DevOps有什么區別?從某種程度上來說,DevOps的概念誕生于互聯網行業。

    在互聯網企業中,將開發與運維結合的最大好處,是可以將開發和運維部門整合為一體,實現產品開發、測試、上線的快速迭代,以應對互聯網行業快速變化的趨勢,不斷的快速滿足新興的客戶需求。

    特別是在產品交付給運維團隊時,由于在DevOps的過程中運維團隊有著深入參與,對產品的運維建更有把握,可以在短期內接手新產品的運維工作。

    但傳統企業在軟件發布模式和企業組織結構上,與互聯網企業存在著較大的差別,即使近年來企業數字化轉型和“以互聯網思維優化傳統企業”正在許多傳統企業中得到實踐,照搬互聯網企業的DevOps不是可取的解決方案,與此同時,傳統企業軟件發布的模式面臨的挑戰也與互聯網企業不同,主要包括:

    為保證產品質量而設定的過長的開發測試流程與快速迭代交付的迫切業務需求之間的矛盾;

    大量手工操作與企業對于產品質量一致性、穩定性嚴苛要求之間的矛盾;

    開發團隊對于流程簡單性、快速性的現實要求與風險管控之間的矛盾。

    不僅如此,傳統企業對DevOps的核心訴求也并非是“開發與運維的融合”:在傳統企業中,團隊權責劃分有清晰地邊界,而并非融合型的跨職能型組織,因此DevOps所帶來的融合并非第一要務,“創新”或者說是“借助DevOps實現業務上線流程的不斷演進”,才是傳統企業的主要關注點。

    因此,在技術上,傳統企業更希望借助DevOps整合現有工具平臺,打通業務交付的端到端流水線;在架構上,通過DevOps建構融合效率與穩定需求的精益管理;在流程上,實現人員架構與業務發布標準流程的不斷優化。

    基于以上對傳統企業DevOps的深入認知,睿至大數據建立了一整套面向傳統企業的DevOps落地規劃,其中明確指出:應當在傳統企業中構建端到端的DevOps能力,通過DevOps中各類角色的能力融合、能力傳遞,減少流程環節的浪費,幫助傳統企業提高效率。具體來說,睿至大數據在傳統企業中構建DevOps遵循三條需求定律:

    該平臺一定要與企業目前所具備的基礎設施相結合,而不能像一些初創企業,馬上就對整個基礎環境及設施進行更新;

    該平臺一定要考慮到企業 IT組織目前的組織結構現狀、人才技能現狀以及存量產品特點;

    該平臺一定要與企業目前已有的流程控制系統相結合,而不能獨立于現有的流程控制系統。

    在這樣的DevOps平臺構建思路下,睿至大數據將幫助傳統企業構建DevOps流水線工具平臺層:該工具平臺對上通過流水線引擎與現有的流程管理系統對接,對中整合現有的各種開發測試部署工具,對下則采集并分析存量硬件和云平臺的基礎設施監控數據并分析反饋。同時,睿至大數據還為傳統企業提供統一資源管理平臺基礎。

    睿至大數據為傳統企業建立的DevOps流水線工具平臺,既可以幫助傳統企業建立持續的集成體系,實現交付過程的標準化與透明化,也可以透明化應用交易過程,實現端到端的應用性能管理,同時,以此為基礎企業能夠構建起立體化監控體系,實現運行狀態的可視化及深度性能分析,或幫助傳統企業整合利用現有運維數據,進行運維大數據分析。

    睿至大數據認為:目前傳統企業所面臨的挑戰既有技術層面上的,也有開發模式以及流程管理上的,試圖采用單一的方法進行應對無法奏效,也無法一蹴而就進行解決。

    因此,在幫助企業客戶構建DevOps時,睿至大數據制定了詳細的適合企業自身的落地路線圖,分為“技術改造-架構優化-流程優化”三大階段,不僅幫助企業客戶消除大量的手工操作,構建持續交付的流水線平臺,而且能夠對傳統企業的開發模式、產品架構乃至整體開發測試發布流程實現優化。

    但DevOps還不是“終局”,自動化運維確實帶來了很大的進步,但是它只能100%的按照人類制定的指令和流程運行,無法自主適應,甚至不能處理與舊問題非常相似的“新問題”,這就需要將以人工智能為代表的新一代信息技術運用到運維這一領域,在以數據化為導向、自動化為基礎,結合AI實現運維的智能化,這就是最近一段時間火熱的AIOps。

    現階段AIOps的發展:重在落地

    據Gartner預測,至2020年,將近50%的企業會在業務和IT運維方面采用AIOps,這一比例遠遠高于今天的10%,AIOps將會在未來2、3年中進入高速發展階段。

    就概念來說,AIOps并不是一個全新的概念,而是IT運營分析和管理(ITOA/ITOM)體系與大數據和人工智能技術結合的產物。

    AIOps智能運維以ITOA/ITOM系統所采集的運維大數據為基礎,利用人工智能和機器學習算法對運維數據進行深入分析,涵蓋IT監控,應用性能管理、外網監控、日志分析,系統安全等方面。

    就能力而言,AIOps智能運維平臺能夠接入不同業務系統、監控系統、管理系統的海量IT數據,并運用各種算法進行高速分析、學習甚至預測。

    立足于AIOps,IT部門可以獲得強大的自動化IT決策和運營管理能力,并能對業務質量和用戶體驗進行準確檢測和持續優化。

    但理想與現實之間往往存在著一定的差距,目前階段的AIOps可以理解為:通過深度整合IT數據資源與運維的實際場景進行深度集成的,同時結合了大數據以及機器學習技術,以多種維度和分析場景為展現的智能輔助分析平臺。

    當前階段的AIOps平臺主要適用于中大型客戶,并需要構建者在行業領域相關知識、對應行業運維場景知識和機器學習相關知識上具有一定的儲備。

    睿至大數據基于上述對AIOps現階段情況的理解,設計并構建了睿至大數據AIOps平臺整體方案。

    睿至大數據AIOps平臺整體方案以對國內外各種數據源標準化支持為基礎,構建包括運維知識圖譜、實時分析庫、短期匯總庫和長期匯總庫在內的數據匯聚層,同時借助機器學習算法為智能運維門戶提供在不同場景下的落地功能,在故障準確定位、系統隱患發現、趨勢預測分析以及業務創新分析方面具有較強的競爭實力,睿至大數據將企業AIOps的建設階段分為四個:

    第一階段是數據治理、標準化以及統一存儲;

    第二階段是可視化界面和多維度統計分析;

    第三階段是對接算法和模型,進行簡單的異常診斷;

    第四階段則進如深度集成多種算法和機器學習結果,以統一場景進行分析和展現的階段。

    在每個階段中,睿至大數據AIOps的建設核心都是“落地”。比如說在數據治理、標準化以及統一存儲的第一階段,睿至大數據AIOps在建設過程中明確提出兩個盡早明確:

    數據抽取范圍和對應數據的抽取方案盡早明確;

    各類數據抽取到平臺的數據標準格式要盡早明確。

    結合考慮后續應用場景的數據存儲服務,在第一階段完成后,企業客戶切切實實的能夠實現基礎的數據治理、標準化和統一存儲架構。

    完成睿至大數據AIOps的構建,企業客戶可以實現基于機器學習的多指標關聯分析,并構建基于業務拓撲的跟蹤視圖以及業務畫像和故障診斷視圖,相比傳統運維,分析和展現的結果對現實運維更有輔助指導意義,并且為實現理想中的AIOps智能化運維打下良好的基礎。

    責任編輯:周星如

    吉林快三走势