读书笔记|智能运维系统落地方案

对于互联网公司来说，系统复杂化导致的人工运维成本激增已经是普遍现象，采用智能运维是行之有效的应对策略。智能运维的核心思想是利用算法来处理海量运维数据，积累运维经验，从而代替人工思考判断，以自动化的过程实现风险的预防、发现、定位和处理。而智能运维系统是其中的重中之重，但建设企业应用智能运维系统，不是应用运维部独立规划设计就可以完成的，它需要业务、产品、开发、基础设施运维多部门协同才能顺利实施。

因为工作需要不停充电，前阵子买了《应用智能运维实践》这本书，读过之后受益匪浅，书里详细讲解了智能运维系统的架构，分享了规划建设智能运维系统的简要方案，这里做个总结记录，算是写给我自己的阅读笔记，也给大家做个分享~

前期准备

前期准备过程中需要详细地调研，并讨论以下四个需要完成的内容：需求准备、应用准备、人员准备和技术准备。

（1） 需求准备：理解企业现有的应用运维过程。

需求准备阶段核心的工作内容是理解企业现有的应用运维过程，定义应用运维场景，并基于实际需求规划建设目标。开展这项工作，首先需要应用运维团队和企业内部负责应用系统开发的产品/项目团队沟通，了解当前应用系统的现状，对应用画像。

在前期沟通工作中，最关键的是对目标用户场景进行梳理，从中找出用户的关键需求点。

另外，需求调研人员要对对标产品有足够深入的理解，能够透彻地分析优势和劣势，并总结目标场景。

（2） 应用准备：为目标应用的运行状态准确画像。

在应用准备阶段，要做的是对运维目标应用的运行状态进行画像；对应用所处的生命周期阶段、服务目标用户群、用户接入方式和系统架构进行调研；通过定性和定量分析方法找到应用特点，制定与其匹配的运维智能化策略。

（3） 人员准备：组建技术和管理专家团队。

在通常情况下，制定应用智能运维系统建设的验收目标，需要进行需求调研的目标团队主要有：应用运维团队，其主要关注日常应用的稳定性、性能保障；产品/项目团队，其主要对上线系统的代码问题进行定位分析；数字运营团队，其关注应用的稳定性、性能对数字营销效果和用户转化率的影响。

（4） 技术准备：储备运维智能化的关键技术。

落地智能化的运维算法难度较大，解决实际应用场景问题，要求应用运维团队不但要有应用性能工程、APM、应用链路追踪、日志分析等传统运维技术，还要有大数据存储、索引、清洗、统计等方面的经验，能够熟练使用机器学习和人工智能算法。企业需要在建设前期积累的技术能力如图所示。

规划设计

（1） 围绕运维现状，规划建设愿景。

做好了需求、应用、人员和技术的准备，就可以围绕企业当前的运维现状，规划设计应用智能运维系统的建设目标和愿景了。行业、规模和经营模式的差别导致企业运维模式大相径庭。充分考虑企业当前的运维现状、应用系统状态和目标用户特点，制订分阶段可行的目标愿景，可以大幅度提高系统建设成功的概率。

（2） 多部门协作，规划服务质量目标。

对于依赖信息系统直接面向用户提供服务的企业，服务质量目标（SLO）是运维、运营、开发等多部门关注的关键KPI。运维部门要通过SLO判断故障的严重程度，以及是否需要立即介入；运营部门要依据SLO判断数字营销效果是否会受应用稳定性的影响，分析用户转化率与应用性能之间的关系，需要提出对SLO的保障要求；开发部门则要根据SLO量化监控的需要，提供应用程序监控埋点，获取对应业务流程的点击次数、请求响应时间等指标的支持。

（3） 制订监控策略，设计SLO计算算法。

制订SLO，首先要考虑相关指标的量化，并且找到聚合计算需要的原始监控指标，否则就需要人工统计计算。其次，对真实用户访问过程进行被动监控追踪。有了原始监控指标，还需要根据经验设计对应的SLO聚合计算算法，并在上线运行过程中不断修正和调整，这样才能适应真正监控的需要。

（4） 专注过程，规划有效的风险管理机制。

运维的关键任务是管理风险，管理风险是关联工具、数据和人的过程。在实践过程中，过程经常采用自动化工作流管理工具。

概念验证

不同于CMDB、ITOM、APM等系统建设有成熟的工具平台和方法学指导，应用智能运维系统建设更贴近用户和应用场景，数据采集、存储和使用人工智能算法解决问题都可能需要针对具体需求定制，很难做到标准化。加上当前数字信息技术的演进速度加快，互联网应用的迭代更新也随之加速，导致对应用运维保障需求的变化更加频繁。因此，应用智能运维系统建设需要基于高度开放、容易扩展且能力相对完备的数据采集、存储分析和展现平台来开展概念验证，然后基于验证结果，结合实际需要制订实施计划。

以下是从电商平台上下载的详情页O(∩_∩)O哈哈~