当 AIOps 与云计算、Azure 或那个 Azure 兼容时？

2022年1月13日，微软亚洲研究院在“智能运维”媒体传播大会上分享了智能运维的应用场景、挑战和未来发展方向，并详细解释了微软亚洲研究院的智能运维是蔚蓝学院。提供智能驱动。

随着越来越多的企业拥抱云计算，上云已成为企业的共识。企业在享受云计算带来的快捷服务的同时，也必须面对传统运维带来的挑战。

那么如何规划和设计云服务呢？如何让运维系统更适应云端的变化？如何快速部署和监控云资源？“AIOps”应运而生。

AIOps结合了大数据和人工智能，可以实现智能化运营，快速分析和处理大量数据，得出有效的运维决策，有效地进行大规模的系统软件运维。

现在微软亚洲研究院与微软云产品团队进行了深度合作，目前取得了哪些成果？带有 AIOps 的 云有何变化？AIOps发展现状如何？

会上，雷锋网及相关媒体与微软亚洲研究院执行副总裁、微软杰出首席科学家张冬梅、首席研究员林庆伟进行了深入交流。

微软亚洲研究院执行副总裁、微软杰出首席科学家张冬梅

微软亚洲研究院首席研究员林庆伟

一、AIOps 市场巨大，“吃肉”还是“喝汤”？

“AIOps”是 2016 年创造的一个术语。AIOps 可以通过创新的 AI/ML 技术有效且高效地设计、构建和运营大规模复杂的云服务。AIOps 平台集成了大数据、机器学习和可视化技术，以增强和部分替代 IT 运营流程和任务，包括可用性和性能监控、事件关联和分析、IT 服务管理和自动化。

并预测到 2025 年 AIOps 市场将达到 143 亿美元。

面对如此庞大的市场规模，AIOps赛道的发展真的好吗？少量的数据和应用场景都是人们关心的问题。

随着云计算时代的到来，AIOps已经成为云计算不可或缺的一部分。正如张冬梅总裁所说：“现在云计算平台已经成为全世界的基础设施，未来云计算将像水、电、气一样不可或缺。”

对于整个系统的管理，也面临着前所未有的挑战。海量用户、大规模集群、复杂的系统架构使得传统的运维方式力不从心。

从传统运维走向智能化运维是必然趋势。

早在10年前，微软亚洲研究院就率先开展了云智能和AIOps领域的研究，提出了该领域的新方法和设计，如主动系统设计、数据驱动的安全部署等；在学术会议上发表论文50余篇。发起并组织系列研讨会@AAAI 2020、ICSE 2021、, MLSys 2022 等。

目前，微软亚洲研究院的AIOps研究成果已应用于微软Azure、Skype、365、Azure等众多在线服务。

在 AIOps 赛道上，微软遥遥领先。无论谁“吃肉”，谁“喝汤”，微软的实力都不容小觑。

二、微软云中的 AIOps 怎么样？

目前，微软云已在全球五大洲部署了数千万台物理服务器，数千个数据中心运行着数百万客户的应用和服务，其中包括超过 95% 的世界 500 强企业，每时每刻都在更新硬件。月。，软件每天更新​​。

微软云计算与人工智能事业部首席数据科学家党英农指出：“面对微软云这样承载大量客户应用的大规模、高度复杂的云计算系统，传统的非智能使用软件开发和运维技术进行高效的开发、部署、运维是行不通的，早在五六年前，微软云就意识到了对智能运维的需求，因此开始加强合作“与微软亚洲研究院合作。现在看来，在微软云中，AIOps的应用和影响是深远的。”

在 Azure 的应用中，AIOps 也表现出了不错的能力。

据了解，微软云在智能运维方面积累了多项重要技术创新，包括云服务系统智能化和管理自动化、云开发部署智能化、客户响应智能化等。另一方面，人工智能和机器学习技术已经深度融入微软云基础设施的管理软件站，包括智能监控、智能预测、智能修复等。

自动化和智能化的共同进步，一方面提高了云服务的可用性、可靠性和效率；完善和增强微软云的开发和维护，如智能测试、智能诊断、智能部署等，大大提高开发和运维工程师的工作效率。

数据显示，微软 Azure 占全球云计算份额近 20%。微软已经将AIOps能力赋能到Azure，想必微软也看到了，在人人都可以上云的时代，Azure“升级”AIOps是必不可少的。

三、服务、客户、工程是AIOps的核心

过去，运维是小数据，每个运维模块都是一个数据孤岛，不涉及算法，只能满足传统运维的使用场景。然而，传统的运维已经无法适应当前云计算时代的新运维。

随着人工智能的出现，基于人工智能的智能运维（AIOps）开始流行并受到更广泛的关注。

张冬梅院长说：“AIOps的三个核心是服务/系统、客户、开发/运维。”

具体来说，一方面，AIOps可以让服务/系统的设计和构建更加可靠、高性能和高效；另一方面，智能运维可以提升用户体验和用户满意度；最后，AIOps智能运维工具可以为工程师赋能，让开发/运维更有效率。

据林庆伟介绍，AIOps可以应用于云系统的故障预测、异常检测、智能诊断、容量规划、事故管理等诸多实际应用场景。

例如微软云计算，为了保证云平台的高可靠性和高可用性，实时检测可能出现的系统异常就显得尤为重要。大型系统的异常检测是通过监控平台的各种运行状态数据来实现的，如性能指标数据（访问成功率、响应速度、CPU使用率、内存使用率）、系统事件、系统日志等健康状态。

此外，还有智能诊断：利用系统数据自动定位可能的故障原因，减少问题空间；故障预测：在故障发生前提前预测，避免可能的损失，如硬盘故障预测、大规模服务故障预测等。

同时，我们也不得不关注AIOps面临的短板挑战。在检测、诊断、预测和优化方面面临着不同的问题，如需求差异化、缺乏标记数据、在线系统规模大、复杂度高，运维难度大等。总的来说，机器学习的适用场景与真实环境还有一定的差距。

因此，微软亚洲研究院将继续探索AIOps领域，让AIOps在未来更加自动化、自动化和通用化。