What is AIOps?

什么是智能运维（AIOps）？ | Databricks 博客

跳至主要内容

数据与 AI 基础

什么是智能运维（AIOps）？

智能运维通过将人工智能和机器学习与可观测性相结合，实现 IT 运维自动化。探索其核心组件、优势、应用场景和挑战。

作者：Databricks 团队

摘要

• 智能运维（AIOps，即 IT 运维人工智能）利用人工智能、机器学习和运维数据来检测异常、关联事件、识别根本原因并自动化事件响应。

• 它帮助 IT 和平台工程团队降低停机风险、减少告警疲劳、加快决策速度并降低平均故障恢复时间（MTTR）。

• 智能运维通过将原始系统信号转化为可操作的运维洞察来补充可观测性和 DevOps 实践，同时在高风险操作中保留人工监督。

智能运维（AIOps）将人工智能和机器学习应用于 IT 运维，用于检测异常、关联事件、识别根本原因并比任何人工流程更快地触发响应。

Gartner 于 2017 年创造了这一术语。那么，为什么你现在才开始了解它？

因为到 2026 年，运行你应用程序的基础设施与传统监控所针对的系统完全不同。你现在管理着数百个微服务、多云依赖项、AI 工作负载和由代理驱动的系统，这些系统每小时生成的运维信号数量，远超值班工程师一周能读取的数量。

这种差距正是智能运维现在要填补的。本指南将解释其工作原理、适用场景以及在选择平台前需要评估的内容。

• 智能运维通过将人工智能和机器学习应用于 IT 运维，检测异常、关联事件、识别潜在根本原因并实现更快的事件响应。

• 智能运维通过将运维数据转化为可操作的洞察，帮助团队降低停机风险、减少告警疲劳、提高决策速度并加速事件响应。

• 智能运维补充而非取代可观测性和 DevOps，通过为 AI 和平台工程师提供运维洞察来增强其能力，同时在高风险操作中保留人工监督。

智能运维的作用与局限

智能运维通过分析日志、追踪、事件和网络拓扑数据，在问题演变为事件之前检测问题并预测故障。

智能运维的作用与局限

它位于可观测性与行动之间。可观测性告知系统发生了什么。智能运维接收这些信号，减少噪音，关联相关事件，并帮助平台工程师决定下一步操作。它不会取代可观测性、DevOps 或人工判断，而是让三者都变得更高效。

为什么现在？

随着基础设施日益分布化，运维数据的体量、依赖关系的复杂性以及变化的速度都在增加。传统监控工具无法满足不断增长的需求，通常会产生过多噪音，缺乏明确的上下文来优先处理威胁。因此，数据团队在事件影响用户之前，难以识别关键信号。

当团队在 IT 运维中利用人工智能和机器学习时，可以优化以下方面：

• 降低停机风险：智能运维可以检测异常并关联相关事件，更早识别潜在故障，帮助在影响主要服务并导致停机之前解决问题。

• 减少告警疲劳：机器学习可以过滤掉重复或低价值的告警，突出更可能需要人工关注的事件。

• 提升决策速度：通过为运营事件添加上下文并识别可能的根本原因，AIOps 帮助工程师判断当前发生了什么以及下一步需要调查的内容。

• 加速事件响应：当已知适当的修复措施时，AIOps 可以推荐或自动执行操作，例如重启服务、扩展资源或触发预定义的工作流程。

这些因素特别有利于更早发现威胁并加快恢复速度。它们并不意味着 AIOps 能解决所有自动化瓶颈或消除工程师的需求。

AIOps 的核心组件是什么？

在评估 AIOps 平台时，了解主要构建模块及其在各自领域的工作方式非常重要：

• 数据采集：在此阶段，AIOps 平台从基础设施、应用程序和网络设备的指标、日志、追踪、事件和警报中收集并整合数据，存入数据湖、数据仓库或湖仓结构中。广泛且可靠的数据采集为 AIOps 提供了所需的可见性，以在 IT 环境中检测问题。

• 数据标准化和丰富化：在 AIOps 从不同来源收集数据后，分析过程会处理原始数据以突出趋势、预测环境的容量需求，并在系统行为导致中断之前检测异常行为。这为下游分析提供了对发生情况及其重要位置的一致视图。

• 异常检测：为了检测系统中的异常活动，传统方法依赖静态阈值、CPU 限制等指标来触发警报，但完全不考虑上下文。AIOps 通过按小时、天和季节学习每个指标的正常行为模式，仅在行为偏离基线时发出警报。这为 AI 工程师提供了更多时间在影响用户之前调查潜在问题。

• 事件关联：当 10 台不同服务器显示高 CPU 使用率时，AIOps 会将相关警报连接起来，而不是将每个警报视为孤立事件。这减少了警报疲劳，帮助工程师关注根本问题而非数百个独立事件。

• 根本原因分析：旧方法中，70 个警报同时触发时需要逐一排查，这种模式不可持续。AIOps 了解系统拓扑，在警报期间检查依赖服务，并揭示问题的根本原因。从警报中，AIOps 确定服务 C 性能下降，而服务 A 和 B 仅是下游服务。这加快了故障排除，减少了业务停机时间，并通过避免逐事件调查节省了时间。

AIOps 核心组件

• 自动化与编排：一旦确定根本原因，AIOps 会通过推荐或执行预定义响应（如重启服务、扩展基础设施、回滚部署或创建工单）将这些洞察转化为行动。此组件减少了人工干预，加快了事件解决速度，并有助于控制运营成本。对于更高级的运营工作流，Agent Bricks 可帮助团队构建和部署使用企业数据和工具执行多步骤任务的 AI 代理。

• 协作工作流：将 AIOps 的洞察连接到负责解决事件的人员和流程。这包括路由警报、分配负责人、升级事件以及为工程师提供所需的上下文信息以做出响应。

借助这些核心组件，接下来我们将了解它们如何在以下部分协同工作。

AIOps 是如何工作的？

AIOps 流程从收集应用、基础设施、网络和云服务的信号开始。随后数据会进行清理，将重复、不完整或不一致的信号整理成 AIOps 可分析的格式。

例如，当系统检测到应用突然出现大量应用程序编程接口（API）错误时，AIOps 会将当前应用行为与历史模式进行对比，并将错误数量的增加标记为异常。

通过事件关联，AIOps 平台会将 API 错误与其他信号（如数据库负载突然增加或最近的部署）联系起来。随后的可能原因分析会检查这些关联信号以确定潜在原因。AIOps 不会将 API 错误、数据库负载和部署视为独立事件，而是将最近的部署识别为事件的可能根源。

最后阶段是引导式或自动响应。根据工作流程，AIOps 可以推荐修复操作、创建工单、通知相关团队，或自动执行预定义响应（如回滚部署）。

高风险操作应需要人工介入，使工程师能够在影响生产环境之前审核并批准响应。

AIOps 的主要类型有哪些？

AIOps 的类型取决于组织需求、运营范围、需要管理的系统以及基础设施的互联程度。

以领域为中心和领域无关是 AIOps 的两种主要类型。两者并非彼此的直接替代品，各有其优势和权衡：

以领域为中心的 AIOps 专注于特定领域，如云管理、网络性能或应用监控。这种方案在排查特定领域问题时是首选方案，因为它能提供更深入的上下文和更专业的分析。

以领域为中心和领域无关的 AIOps

领域无关的 AIOps 跨多个 IT 环境运行，从应用、网络、云基础设施和存储系统中收集并分析数据。与以领域为中心的方案相比，领域无关的 AIOps 平台更适合解决更广泛的问题。这使其更适用于管理复杂且高度互联的基础设施的组织，因为事件通常会跨越运营边界。

以领域为中心的 AIOps 可在单一领域内提供更深入的洞察和更专业的分析，而领域无关的 AIOps 则能提供更广泛的覆盖和跨系统工具的全局视图。

常见的 AIOps 应用场景

AIOps 应用场景涵盖 IT 运维的多个领域；最常见的应用包括：

根因分析

AIOps 可帮助定位故障、错误或性能问题的可能原因。它不会将 API 错误激增视为孤立事件，而是可以将其与最近的部署、数据库故障或网络配置更改相关联。

异常检测

AIOps 持续扫描系统数据以建立基线，并检测可能导致事件和故障的偏差。

性能监控

AIOps 可跨云环境、本地环境和混合环境监控 IT 系统，这些环境中的服务和依赖关系相互关联。这有助于通过持续监控和性能关联识别趋势并优先处理问题。

云采用与迁移

云迁移在工作负载、API、服务和基础设施之间引入了新的依赖关系。AIOps 映射这些关系，监控系统行为的变化，并在关键服务中断之前识别潜在的瓶颈。在迁移过程中，AIOps 为混合云和多云环境提供更清晰的可见性。

DevOps 采用

DevOps 提高了开发和部署的速度，但也引入了可能被人类忽视的操作风险和问题。AIOps 监控部署活动，分析其对生产环境的影响，并在出现问题时触发预定义的响应。

AIOps 和 DevOps 针对软件交付和运营生命周期的不同部分，集成使用时效果更佳。

报告

企业级自主 AI 战略指南

立即阅读

AIOps 与 DevOps：有何不同？

这不是 AIOps 或 DevOps 的讨论，而是 AIOps 和 DevOps 的结合。这两种方法相互补充而非竞争。DevOps 提供构建、测试和部署软件的操作模型，而 AIOps 则将运营智能应用于运行这些软件的系统。

DevOps 与 AIOps

| DevOps | AIOps | |--------|-------| | 通过自动化软件交付将开发与运营联系起来，同时使开发人员能够更快地发布更改 | 通过分析基础设施、应用程序和其他系统的数据，扩展该运营模型，以检测异常、关联事件、识别可能原因并支持更快的故障排除 | | 主要关注点 | 主要关注点 | | 软件交付与协作 | IT 运营与运营智能 | | 角色 | 角色 | | 操作模型和工程实践 | 基于 AI 的分析与自动化 | | 分析内容 | 分析内容 | | 代码、构建、测试、部署 | 指标、日志、跟踪、事件和警报 | | 关键成果 | 关键成果 | | 更快、更可靠的发布 | 更快的检测、响应和恢复 |

如何协同工作

• DevOps：将更改部署到生产环境
• AIOps：监控并响应其运营影响

当 DevOps 部署新应用版本时，AIOps 可监控其对生产环境的影响。如果部署表现出异常行为，AIOps 可关联信号、识别可能原因，并触发预定义响应或通知相关工程师。两者协同工作，可实现更清晰的可见性并加快进度。

AIOps 的优势有哪些？

AIOps 的主要优势包括更快的 MTTR（平均故障修复时间）、更低的运营成本、更好的可观测性与协作，以及更具预测性的 ITOps 管理。每项优势都直接关联到平台工程师如何检测、理解并解决事件。

• 更快的 MTTR：AIOps 可关联事件、识别可能的根本原因，并比人工调查更快地推荐下一步操作。这减少了工程师追踪事件所花费的时间，并帮助更快恢复受影响的服务。

• 更低的运营成本：AIOps 自动化重复的检测、调查和修复任务，减少管理日益增长的 IT 环境所需的大量人工操作。它还可以通过在问题升级前识别问题，帮助避免昂贵的停机时间。

• 更好的可观测性与协作：AIOps 将基础设施、应用程序和其他运营系统的信号整合到系统健康状况的共享视图中。这为开发、安全和 IT 运营团队在调查事件和协调响应时提供了更丰富的上下文信息。

• 预测性IT运维管理：AIOps利用历史和实时运营数据识别可能预示未来故障或容量问题的模式。数据团队可以优先处理这些风险，并在问题演变为重大事件之前采取行动。

这些成果依赖于AIOps平台接收到的信号质量、运营流程的明确职责归属以及与现有工作流程的集成。如果没有这些基础，AIOps可能会增加更多噪音和自动化，却无法提升事件响应能力。

尽管存在这些将AIOps整合到组织中的理由，但仍有一些限制因素需要考虑。

AIOps的局限性有哪些？

AIOps在多个方面存在不足；其效果取决于数据质量、模型可用的上下文信息，以及AI工程师如何将建议整合到现有工作流程中。

• 数据质量缺陷：日志、指标、追踪、事件和其他来源中不完整、不一致或存在噪声的数据可能导致相关性错误、遗漏异常或产生不必要的告警。

• 上下文缺失：缺乏关于依赖关系、近期部署、配置或业务影响的先验信息时，运营信号可能导致AIOps识别出异常却无法正确理解其原因或严重程度。

• 模型漂移：基于历史模式训练的模型会随着系统、工作负载和运营基线的变化而降低准确性，需要持续监控和调整。

• 过度自动化风险：在没有适当保障措施的情况下，团队无法完全自动化复杂的修复步骤。这样做可能将小问题演变为更大问题。高风险操作应保留人工监督。

• 工具碎片化：向已碎片化的监控和可观测性堆栈中添加另一个AIOps平台会增加复杂性。

• 信任度不足或采用率低：工程师不太可能依赖无法理解或验证的建议。数据团队需要明确的职责归属、可解释的建议和可衡量的结果，才能在关键运营中扩展AIOps。

数据团队和AI工程师需要了解这些限制，因为它们设定预期并帮助他们更有效地为治理和风险管理策略做准备。

Unity Catalog提供了这些治理策略，并通过单一目录提供对数据和AI资产的访问，帮助团队控制对敏感和受监管数据的访问。

组织如何实施AIOps？

对于组织在IT运营中实施AIOps，需要注意这是一个渐进过程而非一次性变革。这意味着通过分阶段引入、验证其价值并逐步扩展来建立对系统的信心。

从AIOps可以产生可衡量效益的高影响运营问题开始，例如减少告警疲劳或改善事件响应。

统一相关运营信号，添加关于依赖关系和系统行为的上下文信息，并从建议开始，再允许AIOps执行高风险操作的自动化。在Databricks上构建智能运营工作流的团队可以使用Agent Bricks构建和部署代理，使用MLflow进行追踪和评估，使用Unity Catalog进行受控访问，使用Unity Gateway进行模型和工具流量控制。

Teams start to trust the recommendations, operationalize the workflows, and define metrics such as MTTR, alert volume, and incident frequency to measure the impact. From there, organizations can expand AIOps across additional systems while managing changes to existing tools, processes, and ownership.

查看 Mosaic AI 如何帮助组织在其运营中管理和治理 AI。

AIOps 有哪些不同的方法？

要确定以领域为中心还是以领域无关的 AIOps 方法更适合您的组织的基础设施和流程，请考虑覆盖范围、深度、集成、实施工作量和契合度。

• 覆盖范围：您需要为一个运营领域使用 AIOps，还是需要跨多个团队、系统和环境使用？
• 深度：您的团队需要特定领域的专业智能，还是需要跨互联系统的更广泛分析？
• 集成：这种方法能否与您现有的监控、可观测性、云和 IT 运维工具连接？
• 实施工作量：部署、配置和维护需要多少时间和运营工作量？
• 组织契合度：它是否与团队技能、现有工作流程、所有权模式和运营目标一致？

仔细审查并回答这些问题，可以帮助团队更好地决定采用哪种方法。正确的选择是符合您的运营需求的那一个。

接下来该做什么

AIOps 将人工智能和机器学习应用于运营数据，以更早发现故障、理解其影响并更快响应。它作为增强工程师和现有可观测性及 IT 运维流程的智能层效果最佳，而不是替代这些流程。

首先确定 AIOps 能提供最大价值的领域，无论是异常检测、根本原因分析、事件响应还是性能监控。然后评估可用数据和集成情况，在实施高风险自动化之前先引入建议，并衡量对关键指标（如警报数量和运营成本）的影响。

在构建和管理智能体及大型语言模型（LLM）应用时，请探索 MLflow，了解它如何支持您的应用生命周期和运营工作流程。

常见问题

AIOps 代表什么？

AIOps 代表 Artificial Intelligence for IT Operations（IT 运维人工智能）。它利用人工智能、机器学习和运营数据来检测、调查和响应 IT 问题。

AIOps 使用哪些数据？

AIOps 可分析运营数据，包括日志、指标、追踪、事件、警报、配置数据以及来自 IT 系统的其他信号。

AIOps 与可观测性有何不同？

可观测性收集并理解系统中发生的情况。AIOps 在这些运营信号的基础上，通过应用人工智能和机器学习来关联事件、检测异常、识别可能原因，并支持或自动化响应。

AIOps 与 MLOps 有何不同？

AIOps 将人工智能和机器学习应用于 IT 运维，而 MLOps 专注于开发、部署、监控和管理机器学习模型及其生命周期。尽管它们在大规模运营机器学习系统的组织中可能存在重叠，但它们解决的是不同的运营问题。

AIOps 是工具还是实践？

AIOps 既是实践方法也是一种工具类别。该实践方法涉及将人工智能和机器学习应用于 IT 运维，而 AIOps 平台则提供支持该实践所需的数据处理、分析、关联分析和自动化能力。

订阅获取最新文章

订阅我们的博客，最新文章将直接发送到您的邮箱。

立即注册

查看所有博客文章

slice-start id="_gatsby-scripts-1"

slice-end id="_gatsby-scripts-1"