什麼是 AIOps？

AIOps 和 DevOps 的起源不同，但兩者並非競爭的概念，而是強大的合作夥伴。兩者關係說明如下：

• DevOps 是一種文化和程序，透過整合開發和營運，加快軟體推送生命週期。著重於協作、自動化和 CI/CD 管道。
• AIOps 是智慧引擎，可大幅提升 DevOps 工具鏈的效能。提供進階數據分析和自動化功能，協助管理現代 DevOps 做法帶來的複雜性。

簡言之，DevOps 負責建構快速的管道，AIOps 則透過自動偵測、診斷及解決問題，確保管道以可靠有效率的方式運作。

AIOps 平台通常會以三個程序運作：觀察、參與和行動。

AIOps 平台會擷取整個 IT 環境的大量資料串流 (包括指標、記錄檔、追蹤記錄和事件)，並集中管理，即時呈現完整的系統健康狀態。

平台會運用機器學習技術，分析這些資料並建立關聯，從雜訊中找出重要信號。這項服務會自動偵測異常狀況、將相關警告歸類，並找出可能的根本原因，透過統一的資訊主頁和目標警告，向 IT 團隊提供可做為行動依據的洞察資料。

平台會根據分析結果，觸發自動回覆來解決問題。範圍涵蓋通知相關團隊，並執行自動修復工作流程，例如：重新啟動服務、資源調度或復原變更，通常在人員介入前就進行。

提升 AIOps 成熟度的歷程通常會經歷以下幾個階段：

1. 被動：這是第一階段，處於此階段的組織獨立運作，只為了應對而收集事件資料。系統與業務之間的互動很少。
2. 整合：隨著在採用 AIOps 方面的進展，企業可將資料來源整合至統一的結構，並改善 IT 服務管理 (ITSM)，打破資料孤島並促進協作。
3. 分析：第三階段是實作全方位的數據分析策略，優先考量讓所有利害關係人都能存取資料。只要強化 ITSM 程序，並制定評估標準和關鍵指標，組織就能獲得更出色的成效。
4. 指示性：在此階段，組織已將自動化列為優先要務，並經常使用機器學習技術。自動化是 ITSM 程序的重要一環，可與人工操作相輔相成。此外，您還能使用比較分析功能，評估改善成效和業務影響。
5. 自動化：在成熟度最高的階段，組織可完全自動化，並使用預測機器學習模型，無需人為介入。利害關係人可順暢地共用資料，分析結果也完全公開透明。有助於推動以業務價值為導向的主動式決策。

瞭解不同類型的 AIOps 解決方案，是選擇合適平台並有效實作的關鍵。AIOps 解決方案可分為兩大類：

• 以領域為主的 AIOps：這類專門的 AI 輔助工具可監控及管理特定 IT 維運領域的成效，例如網路、應用程式和雲端運算環境。舉例來說，以領域為主的 AIOps 平台可能會專注於監控網路效能，並使用 AI 偵測及診斷網路異常狀況。
• 適用於各種領域的 AIOps：這類解決方案的設計宗旨是，在更廣泛的網路和組織範圍內，擴大預測性數據分析和 AI 自動化作業的規模。這類解決方案會收集及分析 IT 環境中各種來源的事件資料，提供全方位的洞察資訊和關聯資料。舉例來說，適用於各種領域的 AIOps 平台可能會擷取各種監控工具、資安系統和 IT 服務管理 (ITSM) 平台的資料，提供 IT 維運的全面檢視，並找出不同領域事件之間的關聯。

AIOps 可在各種 IT 維運情境中，提供多種實用應用：

為確保服務快速可靠，AIOps 會主動監控 IT 基礎架構的效能。這項服務會分析歷來和即時資料，瞭解正常情況，進而偵測出細微的偏差，這些偏差表示未來可能發生的問題，例如記憶體流失或回應時間變慢。讓團隊在問題導致服務中斷前，及時修正。

AIOps 可與 IT 自動化工具和自動化調度管理平台整合，促進自動執行事件應變工作流程。偵測到事件後，AIOps 可自動觸發預先定義的修復動作，例如重新啟動服務、調度資源或執行診斷指令碼，無須手動介入。舉例來說，如果 AIOps 偵測到網頁應用程式錯誤，可以自動啟動工作流程，重新啟動應用程式伺服器，並復原最近有問題的程式碼部署作業。

運用機器學習技術分析各種 IT 來源的資料 (包括記錄檔、指標、網路流量和設定資料)，並找出關聯性，協助執行智慧型根本原因分析。此功能可讓 AIOps 找出人類分析可能遺漏的複雜關係和相依關係，精確識別 IT 問題的根本原因。舉例來說，如果偵測到資料庫效能問題，AIOps 可以將資料庫記錄檔與伺服器指標和網路延遲資料建立關聯，找出根本原因，判斷是查詢速度緩慢、伺服器資源爭用，還是網路效能瓶頸。

AIOps 採用相同的異常偵測原則來防範威脅，進而強化安全性。這項服務會分析網路流量、使用者行為和系統記錄，建立正常活動的基準。接著，系統會標出可疑的偏差，指出潛在的安全性漏洞，例如異常的資料存取模式或從非預期地點的登入嘗試，並向資安團隊發出警告。

整合智慧演算法，來分析警告並提供背景資訊，根據嚴重性、業務影響和相依性，動態排定警示優先順序。這項功能不僅能根據簡單的門檻發出警告，還能減少警告雜訊，確保 IT 團隊專注處理最重要且可據以行動的通知。

執行趨勢分析和容量規劃演算法，主動找出潛在的效能瓶頸，並最佳化資源配置。AIOps 會分析歷來成效資料並預測未來資源需求，提供資源調整建議，例如擴充運算資源或重新平衡工作負載，以維持最佳效能並防止服務品質下降。舉例來說，AIOps 可以分析應用程式效能趨勢，預測網頁應用程式何時可能達到負載高峰，並建議主動擴充網路伺服器執行個體，確保使用者在尖峰時段也能享有穩定的體驗。

導入 AIOps 需要策略性做法，並考量資料品質、整合和技能發展等各種因素。以下概略說明如何在貴組織導入 AIOps：

• 根據業務目標調整 AIOps：為 AIOps 導入作業設定明確的目標，並與貴組織的整體業務策略保持一致。舉例來說，如果貴組織的目標是提升顧客滿意度，則可著重運用 AIOps 縮短停機時間，並提高服務可靠性。
• 將事件資料連結至 AIOps 工具：整合各種來源和監控工具的資料，提供 IT 環境的整合式檢視畫面。這可能需要與現有的監控工具、記錄管理系統和 ITSM 平台整合。
• 減少干擾：實施策略來篩除無關的警告和通知，專注於最關鍵的問題。這可能需要使用 AI 找出警告的關聯性、識別模式，並減少誤報。
• 充實及正規化事件資料和事件：將事件資料標準化並充實內容，加快應變速度，促進團隊合作。例如在警告中加入受影響的系統、應用程式和使用者等背景資訊。
• 建構自動化修復工作流程：首先找出常見的重複事件。建立並測試自動化應對手冊，讓 AIOps 觸發這些手冊，立即解決問題，使工程師能專注處理更複雜的問題。
• 確保高品質資料：AIOps 的成效取決於輸入系統的資料品質。確保資料準確、完整且一致，避免產生不正確的洞察或預測。
• 運用開放式 API 和 SDK：開放式 API 和 SDK 是將 AIOps 與現有系統整合，以及自訂整合功能的關鍵。選擇提供開放式 API 和 SDK 的 AIOps 平台，確保與 IT 環境完美整合。

Google Cloud 提供功能強大的整合式服務套件，可做為現代 AIOps 策略的建構基礎。不是單一產品，而是提供彈性的平台來實作「觀察、參與、行動」工作流程。

• 「觀察」層：
• Google Cloud 觀測套件 (Cloud Logging、Cloud Monitoring、Cloud Trace)：這是資料收集的基礎。這項服務會自動擷取整個 Google Cloud、混合雲和多雲端環境的指標、記錄檔和追蹤記錄，提供分析所需的原始資料。
• 「參與」層 (分析與診斷)：
• BigQuery：這個無伺服器資料倉儲是中央分析引擎。這項服務可儲存及處理 Cloud Observability 傳來的 PB 級作業資料。您可以執行複雜的查詢，分析歷來趨勢，並找出不同資料集中的模式。
• Vertex AI：這裡就是實現 AIOps 中的「AI」的地方。您可以運用 Vertex AI，直接在 BigQuery 儲存的資料上建構、訓練及部署自訂機器學習模型，以執行進階異常偵測、預測警告和根本原因分析。
• 「行動」(自動化與修復) 層：
• Cloud Functions 和 Cloud Run：這些無伺服器運算服務非常適合執行自動化修復動作。Vertex AI 的洞察資訊或 Cloud Monitoring 的警告可觸發 Cloud 函式，自動重新啟動 Pod、擴充服務，或將詳細通知發布至協作工具。
• Workflows：這項服務可讓您自動調度管理多項 Google Cloud 服務的複雜動作序列。您可以設計複雜的端對端修復應對手冊，由 AIOps 事件自動觸發，確保事件應變作業的一致性和可靠性。