【云駐共創(chuàng)】數(shù)字化轉(zhuǎn)型時(shí)代，運(yùn)維人員會(huì)失業(yè)嗎？

一 背景

在數(shù)字化轉(zhuǎn)型的時(shí)代，無(wú)論是電信運(yùn)維或是IT運(yùn)維，都面臨這非常大的挑戰(zhàn)，傳統(tǒng)人工、工具化運(yùn)維已經(jīng)不能滿足網(wǎng)絡(luò)新需求，智能化轉(zhuǎn)型的需求迫在眉睫。

如今，AIOps已經(jīng)成為智能化運(yùn)維轉(zhuǎn)型的核心手段，通過(guò)構(gòu)建電信領(lǐng)域AIOps平臺(tái)能力，快速實(shí)現(xiàn)智能運(yùn)維升級(jí)，那么在這種背景下，運(yùn)維人員會(huì)在新的浪潮中失業(yè)嗎？

二 需求挑戰(zhàn)

1.1 CT電信領(lǐng)域 新技術(shù)、新挑戰(zhàn)、呼喚高度智能典型網(wǎng)絡(luò)

以5G為代表的新技術(shù)為人民的生活帶了了諸多便利，例如：大鏈接，低時(shí)延。

但是也帶了了復(fù)雜性，例如：

新老技術(shù)的共同存在，網(wǎng)絡(luò)的復(fù)雜度非常高，四世同堂的技術(shù)并存；

新需求：企業(yè)融入生產(chǎn)，對(duì)網(wǎng)絡(luò)要求非常高，網(wǎng)絡(luò)可靠性要求高；

成本壓力：運(yùn)維成本高，能耗高。

1.2 IT領(lǐng)域，數(shù)字化轉(zhuǎn)型時(shí)代，傳統(tǒng)運(yùn)維面臨挑戰(zhàn)

數(shù)字化轉(zhuǎn)型時(shí)代，傳統(tǒng)運(yùn)維也面臨巨大挑戰(zhàn)，IT領(lǐng)域無(wú)論從硬件和軟件規(guī)模，微服務(wù)領(lǐng)域都非常復(fù)雜，利用數(shù)據(jù)演進(jìn)過(guò)程：

人工查詢。

基于規(guī)則的運(yùn)維。

大數(shù)據(jù)如何進(jìn)行處理，成為挑戰(zhàn)。

1.3 AI是提升電信網(wǎng)絡(luò)自動(dòng)化和智能化的關(guān)鍵技術(shù)

應(yīng)對(duì)于大數(shù)據(jù)和挑戰(zhàn)，如果利用AI提升電信網(wǎng)絡(luò)自動(dòng)化和智能化進(jìn)程。

通過(guò)AI降低運(yùn)維成本：

基站節(jié)能：在空閑的時(shí)段下，載波關(guān)閉，LSTM神經(jīng)網(wǎng)絡(luò)降低能耗。

核心網(wǎng)KPI異常檢測(cè)：故障TOP原因?yàn)镈NS解析失敗，運(yùn)營(yíng)商的提前五個(gè)鐘頭發(fā)生故障提前報(bào)告，避免影響高峰用戶體驗(yàn)。

故障識(shí)別及根因定位：無(wú)線基站網(wǎng)，重復(fù)派單問(wèn)題，引發(fā)派單告警風(fēng)暴，通過(guò)根因定位，使得故障收斂，快速定位問(wèn)題并解決。

1.4 AI應(yīng)用的阻礙

AI很好，那么運(yùn)維人員會(huì)失業(yè)嗎？AI應(yīng)用的主要障礙：

1.4.1 模型

企業(yè)成熟度：人員技能，數(shù)據(jù)范圍或質(zhì)量，治理或各種顧慮；

恐懼未知：理解增益和用途，安全或隱私顧慮，衡量?jī)r(jià)值；

尋找起點(diǎn)：尋找用例，制定策略；

廠商策略：集成復(fù)雜度。

1.4.2 華為經(jīng)驗(yàn)

AI應(yīng)用開發(fā)門檻高

缺乏AI算法開發(fā)人員；

業(yè)務(wù)于算法結(jié)合難（算法和業(yè)務(wù)結(jié)合），運(yùn)維人員排斥。

業(yè)務(wù)人員學(xué)習(xí)算法。

高質(zhì)量數(shù)據(jù)收集難

工程化開發(fā)要求高

AI應(yīng)用開放周期長(zhǎng)

單一AI技術(shù)無(wú)法滿足企業(yè)訴求，效果難體現(xiàn)，流程編排難度大。

運(yùn)維人員需要人工編碼開放不同場(chǎng)景的AI應(yīng)用，耗時(shí)耗力。

三 華為AIOps服務(wù)

目的：降低AI應(yīng)用開放門檻，

底層：數(shù)據(jù)管理，采集，拓?fù)涔芾?/p>

原子能力：預(yù)測(cè)，檢測(cè)，診斷，識(shí)別，每種原子能力都是經(jīng)過(guò)過(guò)實(shí)際檢驗(yàn)

框架編排能力：框架，流程

開箱即用APP：行業(yè)AI應(yīng)用。

華為AIOps服務(wù)的三大能力價(jià)值可以總結(jié)為：

一是，支持通用數(shù)據(jù)源。支持Kafka、數(shù)據(jù)庫(kù)、文件系統(tǒng)、Restful 等運(yùn)維系統(tǒng)的主流數(shù)據(jù)對(duì)接方式，讓數(shù)據(jù)上的來(lái)。采用數(shù)據(jù)治理SDK方式，將異構(gòu)數(shù)據(jù)（時(shí)序數(shù)據(jù)、非結(jié)構(gòu)化數(shù)據(jù)、文本數(shù)據(jù)等）治理成AIOps 原子能力標(biāo)準(zhǔn)輸入數(shù)據(jù)，有效解決數(shù)據(jù)適配問(wèn)題。

二是，有豐富的AIOps 原子能力。運(yùn)維領(lǐng)域AI模型和算法具有開發(fā)門檻高，開發(fā)周期長(zhǎng)的特點(diǎn)，重復(fù)開發(fā)公共能力，造成資源浪費(fèi)。華為通過(guò)沉淀核心AI資產(chǎn)，采用自主研發(fā)+生態(tài)合作相結(jié)合的方式，提供數(shù)字化基礎(chǔ)組件，提高AI應(yīng)用開發(fā)效率，降低AI開發(fā)門檻。通過(guò)行業(yè)知識(shí)與AI算法融合，優(yōu)化和自研AI算法，內(nèi)置電信領(lǐng)域業(yè)務(wù)模型參數(shù)，支持設(shè)計(jì)態(tài)的泛化，運(yùn)行態(tài)的調(diào)優(yōu)。此外，華為AIOps服務(wù)?原子能力模型統(tǒng)一標(biāo)準(zhǔn)，使得原子能力可串接。

三是，場(chǎng)景組合編排與DevOps。通過(guò)編排能力，不需要寫代碼，只需可視化的拖拽式編排，降低AI快速開發(fā)應(yīng)用的門檻。

2.1 多場(chǎng)景數(shù)據(jù)采集治理，提升數(shù)據(jù)開發(fā)效率

設(shè)備不同，數(shù)據(jù)格式，接口不同，

豐富的數(shù)據(jù)采集能力：

高效數(shù)據(jù)治理能力：

智能輔助數(shù)據(jù)標(biāo)注能力：

2.2 20+原子能力覆蓋預(yù)測(cè)、檢測(cè)、診斷、識(shí)別等網(wǎng)絡(luò)運(yùn)維場(chǎng)景

四大場(chǎng)景：

目標(biāo)：不僅僅是算法的實(shí)現(xiàn)，而是通過(guò)實(shí)際經(jīng)驗(yàn)的優(yōu)選。華為專家的經(jīng)驗(yàn)融入其中，并支出開放能力。

2.3 零編碼場(chǎng)景化流程編排，支持合作伙伴低門檻快速開放AI應(yīng)用

AIOps提供零編碼流程編排能力，針對(duì)不同場(chǎng)景，可視化拖拽式編排，大幅提升運(yùn)維人員AI應(yīng)用開發(fā)效率。

2.4 前臺(tái)靈活編排，大屏按需定制，運(yùn)維效果實(shí)時(shí)可視

輕松搭建可視化大屏，業(yè)務(wù)結(jié)果快速呈現(xiàn)，滿足項(xiàng)目復(fù)雜需求，有效提升運(yùn)維管理效率。

2.5 RPA助理AIOps對(duì)接現(xiàn)有運(yùn)維系統(tǒng)

故障恢復(fù)，RPA（機(jī)器人流程自動(dòng)化）完成跨系統(tǒng)數(shù)據(jù)對(duì)接，數(shù)據(jù)搬運(yùn)，工單發(fā)放，消息通知等，提升企業(yè)運(yùn)維效率。

工單系統(tǒng)對(duì)接

自恢復(fù)

問(wèn)題單

2.6 10+開箱即用APP，支持快速部署

KPI異常檢測(cè)APP，5步實(shí)現(xiàn)告警預(yù)警，覆蓋全場(chǎng)景，靈活部署，開發(fā)生態(tài)。

四 AIOps SAAS監(jiān)控監(jiān)控

4.1 微服務(wù)架構(gòu)下的故障

問(wèn)題：

故障特征

微服務(wù)通過(guò)調(diào)用關(guān)系和共享基礎(chǔ)設(shè)施相互影響，常常多個(gè)微服務(wù)同時(shí)故障。

故障發(fā)出異常實(shí)際，數(shù)據(jù)量大，信息少。

故障處理思路

多模態(tài)數(shù)據(jù)異常檢測(cè)，發(fā)現(xiàn)異常事件

疆同一故障觸發(fā)異常事件聚合在一起

如有多個(gè)異常微服務(wù)，進(jìn)行故障定界，找出根因微服務(wù)

對(duì)根因微服務(wù)，進(jìn)行故障定位，找出故障根因

對(duì)接故障處理流程，進(jìn)行故障恢復(fù)

解決

故障根因

微服務(wù)外部

調(diào)用鏈傳播

基礎(chǔ)設(shè)施傳播

微服務(wù)內(nèi)部

軟件bug

配置問(wèn)題

其他

4.2 典型場(chǎng)景：SaaS從故障發(fā)現(xiàn)道根因定位

對(duì)象：云服務(wù)

指標(biāo)：接口

數(shù)據(jù)：多種數(shù)據(jù)，多模態(tài)數(shù)據(jù)

流程：采集數(shù)據(jù)->對(duì)接->提取->異常檢測(cè)->匯聚識(shí)別->根因定界->故障診斷

4.3 高精度，融合多種KPI智能檢測(cè)算法，可致辭10萬(wàn)+同時(shí)檢測(cè)

KPI異常檢測(cè)，整體流程如下：

全量KPI指標(biāo)->屬性分析->數(shù)據(jù)預(yù)處理->異常檢測(cè)->異常顯著度->異常告警->異常指標(biāo)關(guān)

傳統(tǒng)人工設(shè)置指標(biāo)值，多個(gè)指標(biāo)無(wú)法聯(lián)合

4.4 大規(guī)模服務(wù)及其，海量日志實(shí)時(shí)檢測(cè)，性能達(dá)40萬(wàn)條/秒

故障發(fā)生：

提取模版，匹配模版（事件），提取日期，事件，變量和常量。

基于實(shí)際窗內(nèi)的模版判斷。

推薦出異常時(shí)間窗內(nèi)的top根因日志。

故障發(fā)現(xiàn)：日志詞頻，日志檢測(cè)。

故障分析：異常特征，關(guān)鍵日志推薦，日志展示，反饋。

4.5 事件聚合

根據(jù)事件發(fā)生時(shí)間聚合，支持事件亂序到達(dá)

時(shí)間窗大小可配置

先通知，后追加機(jī)制，兼顧及時(shí)性與完整性

4.6 基于調(diào)用鏈的故障定界

局域調(diào)用鏈，定界根因微服務(wù)。

trace日志->調(diào)用鏈實(shí)時(shí)提取->調(diào)用鏈分析

4.7 故障定位

根因定位為獨(dú)立原子能力，訓(xùn)練態(tài)與推理態(tài)合一

根因發(fā)現(xiàn)定位，采用隨機(jī)游走

演譯推理。

五 AIOps建議

5.1 AIOps部署建議-選定成熟場(chǎng)景，循序漸進(jìn)部署AIOps

原因：

數(shù)據(jù)上不來(lái)，數(shù)據(jù)質(zhì)量低下

命令下不去，缺乏自動(dòng)化運(yùn)維工具，不能主動(dòng)檢測(cè)，恢復(fù)操作

模型不智能：不能有效積累日常運(yùn)維中標(biāo)注信息，不能實(shí)現(xiàn)模型自學(xué)習(xí)

建議：

成熟場(chǎng)景出發(fā)，循序漸進(jìn)推進(jìn)部署，容錯(cuò)場(chǎng)景

數(shù)據(jù)上的來(lái)

命令下的去：對(duì)接后端工具

有效積累標(biāo)注數(shù)據(jù)。

運(yùn)維人員擁抱AI是大勢(shì)所趨。擁抱AI，對(duì)于自身的成長(zhǎng)進(jìn)階也有積極意義。如果堅(jiān)守故土一成不變，可能會(huì)面臨時(shí)代帶來(lái)的新挑戰(zhàn)。

查看活動(dòng)詳情：https://bbs.huaweicloud.com/blogs/281988

AI 運(yùn)維

版權(quán)聲明：本文內(nèi)容由網(wǎng)絡(luò)用戶投稿，版權(quán)歸原作者所有，本站不擁有其著作權(quán)，亦不承擔(dān)相應(yīng)法律責(zé)任。如果您發(fā)現(xiàn)本站中有涉嫌抄襲或描述失實(shí)的內(nèi)容，請(qǐng)聯(lián)系我們jiasou666@gmail.com 處理，核實(shí)后本網(wǎng)站將在24小時(shí)內(nèi)刪除侵權(quán)內(nèi)容。

版權(quán)聲明：本文內(nèi)容由網(wǎng)絡(luò)用戶投稿，版權(quán)歸原作者所有，本站不擁有其著作權(quán)，亦不承擔(dān)相應(yīng)法律責(zé)任。如果您發(fā)現(xiàn)本站中有涉嫌抄襲或描述失實(shí)的內(nèi)容，請(qǐng)聯(lián)系我們jiasou666@gmail.com 處理，核實(shí)后本網(wǎng)站將在24小時(shí)內(nèi)刪除侵權(quán)內(nèi)容。