指挥中心智能运维与传统运维有什么区别？

发布网友发布时间：2022-04-21 07:59

共3个回答

热心网友时间：2023-09-09 02:24

当前，随着企业数字业务的快速发展和业务量的攀升，企业信息系统架构的升级变迁，以及企业多套业务系统的在线运营，各类监控组件和应用系统间的关系错综复杂，系统运维的难度也急剧增加，且面临着巨大挑战。

在传统运维方式下，数据规模大且离散，数据治理和全面分析能力薄弱且依赖于经验和规则，运维十分被动，解决问题效率非常低下，运维的实用性大打折扣，难以满足当前主动运营的要求。

具体来说有以下几点：

发现问题难：企业在经年累月中布局了诸多监控工具，但是监控手段阈值的设定单一，且一般都是静态阈值，而指标和告警的异常却是多样化的，这样就会造成大量的误报漏报现象。此外，目前绝大多数的监控工具，缺乏趋势预测能力，使得运维局面非常被动，导致发现问题十分困难。

根因定位难：发现问题时一般都是对问题进行定性分析，可能了解到某一告警对应的指标波动是值得关注的，但是并不能因此确定造成这种现象具体根因。而且目前的监控工具，大多缺乏综合根因定界及定位分析的手段，即便对监控进行了集中管理，也难以通过单纯的几种指标进行根因定位。

数据治理难：当数字化建设进行到一定程度的时候，被管理对象的数据量相应的也是水涨船高，数据数量大、类别多且非常分散，很难通过某一指标体系来衡量系统的健康度，也没有一个统一的视角去判断数据质量的好坏优劣。

运营分析难：现有的大多数基础监控工具，多数都是从自己的管理阈例如系统管理、网络管理出发看待问题，缺乏端到端的分析能力，没办法以业务视角从综合运营分析的角度，去看待多样化指标对系统的影响。

而智能运维是一种全新的数字化运维能力，也将是数字化转型的必备能力。智能运维相对于传统运维模式而言，能够在运维数据治理、业务数字化风险、运维人力成本和业务侧影响力四个方面有本质的效能提升。

智能运维相对于传统运维模式而言，能够在四个方面有本质的效能提升：

运维数据治理。通过高性能实时处理的数据平台广泛采集、处理和分析数字化业务运行过程中的多样化运维数据，包括告警、指标、日志、配置以及运维工单等类别，不仅提升了运维大数据的治理能力，优化了数据质量，而且为进一步激活运维数据的价值打下了良好基础；

业务数字化风险。使运维人员不仅提升了历史运维数据的分析能力并且能够对实时数据进行异常检测和问题预判，有效降低数字化业务的运行风险，提升可用性、稳定性；

运维人力成本。使真正意义上的跨域根因定位成为可能，降低对专业运维人员经验技能的依赖，迅速缩短故障排查时间并有效降低人力成本；

业务侧影响力。以业务视角利用多元化数据提高运营分析和决策能力，比如端到端的分析业务交易状态，提供给业务、客服部门及时反馈和决策支持依据，充分增强业务影响力；

智能运维发展正如火如荼，Gartner预见其为下一代运维，认为到2022年将有近50%的企业用户部署智能运维。虽然目前不少企业已经在积极投入建设，也还有一些企业处在迷茫阶段，对这种趋势不太清晰，借用著名作家威廉吉布森的话，“未来已来，只是分布不均。”

热心网友时间：2023-09-09 02:25

基于机器学习的智能运维已经逐渐成为运维行业的主要趋势。随着智能时代的到来，无论AIOps厂商或是各行各业的头部企业都在逐渐发力，通过大数据和机器学习项目结合起来，并将它们扩展到服务台和自动化。对比于传统运维工具，AIOps的优势非常明显，传统运维工具过于单一，判断故障时会通过非常多的运维指标进行排查，费时费力。而AIOps可以通过底层的大数据平台进行分析，通过AI技术的充分学习进行判断，第一时间解决问题，提升了故障处理时间。比如：AIOps厂商的领先企业听云，就传统运维做出了很多改变和更新，可以更有效地帮助企业解决运维问题。

热心网友时间：2023-09-09 02:25

传统运维依赖于人的经验+手工操作，经验靠口口相传，不具备可复制性，而且手工操作的效率存在上限瓶颈；
自动化运维通过脚本、命令、定时任务、执行计划等让一部分工作由机器完成，减轻了人的操作成本，可以理解为人的经验的沉淀；
智能运维AIOps通过大数据、算法和业务场景的结合，将人面对的问题从“已知的已知”转向“已知的未知”和“未知的未知”，极大拓展了业务的边界，提升了运维效率；
从上述对比来看，自动化运维并非是实现智能运维的前提条件，它只是后者中间一个关键的步骤。