差不多在兩年前，阿里內(nèi)部出現(xiàn)了很多運(yùn)維中臺(tái)、研發(fā)中臺(tái)等等，那有沒(méi)有后臺(tái)呢？不好意思，我們只有中臺(tái)，沒(méi)有后臺(tái)，會(huì)在中臺(tái)上構(gòu)建與業(yè)務(wù)相關(guān)的各個(gè)前臺(tái)。

[[232760]]

目前阿里的業(yè)務(wù)幾乎覆蓋了所有行業(yè)，有著很多業(yè)務(wù)線，如果業(yè)務(wù)線的前臺(tái)到中臺(tái)全部都是我們自己去建設(shè)，會(huì)造成一個(gè)巨大的浪費(fèi)。

我們需要去構(gòu)建整個(gè)集團(tuán)、或是阿里巴巴經(jīng)濟(jì)體所需要的統(tǒng)一的平臺(tái)，避免重復(fù)性的建設(shè)。

最近我們?cè)谒伎歼\(yùn)維的本質(zhì)到底是什么，就突然聯(lián)想到一部名叫《太空旅客》的電影。

電影里的飛船裝了 5000 個(gè)乘客和大約 50 多個(gè)機(jī)組人員，從地球飛往其他星球要飛 120 年。

這意味著整艘飛船必須是無(wú)人駕駛的，因?yàn)闆](méi)有人可以活 120 年，靠人去操控這樣一艘飛船根本不可能。

所以飛船里有一套運(yùn)維系統(tǒng)，也就是靠這套系統(tǒng)的運(yùn)作，整艘飛船才可以飛 120 年不出故障。

這和我們現(xiàn)在做的運(yùn)維系統(tǒng)是一樣的。我認(rèn)為運(yùn)維的本質(zhì)就是在線，即如何讓這種在線的業(yè)務(wù)能持續(xù)不斷地運(yùn)行，滿足客戶的需求。

如果把業(yè)務(wù)比作一艘飛船，你能否讓飛船持續(xù)運(yùn)行？遇到了任何故障或問(wèn)題時(shí)能否自動(dòng)解決？我覺(jué)得這就是運(yùn)維的作用——穩(wěn)定性。

而隨著業(yè)務(wù)復(fù)雜度越來(lái)越高，已經(jīng)沒(méi)有辦法靠人來(lái)運(yùn)維整個(gè)平臺(tái)和業(yè)務(wù)了?？梢栽囅耄绻咳?，那需要投入多少人力？

當(dāng)發(fā)生問(wèn)題時(shí)，我們?nèi)藶榈厝ジ兄獑?wèn)題后排查問(wèn)題、定位問(wèn)題，這時(shí)業(yè)務(wù)可能已經(jīng)掛了很長(zhǎng)時(shí)間。

所以這也是我今天想跟大家分享的，我們基于對(duì)運(yùn)維的理解構(gòu)建起的智能化運(yùn)維平臺(tái)。

本文分為如下四個(gè)部分進(jìn)行分享：

• 阿里運(yùn)維歷程
• 基礎(chǔ)運(yùn)維平臺(tái)
• 應(yīng)用運(yùn)維平臺(tái)
• AIOps

阿里運(yùn)維歷程

阿里的運(yùn)維和很多公司有相似之處，也經(jīng)歷了四個(gè)階段：

• 使用命令行工具運(yùn)維
• 系統(tǒng)化工具運(yùn)維
• 自動(dòng)化平臺(tái)
• 智能化平臺(tái)與無(wú)人值守實(shí)踐

按照上圖這個(gè)層次，我們把運(yùn)維的工作進(jìn)行劃分。對(duì)于雙十一這樣大型的活動(dòng)，承載這么大的流量就必須要有很多資源。

我們每年在準(zhǔn)備資源的過(guò)程中會(huì)花大量的人力和資源，并且持續(xù)時(shí)間長(zhǎng)，大概需要提前半年準(zhǔn)備。

而在近幾年，阿里云發(fā)展起來(lái)了，等到更加成熟了就會(huì)把這個(gè)業(yè)務(wù)往云上搬。

我們會(huì)先把機(jī)器買(mǎi)進(jìn)來(lái)，把阿里云的整個(gè)基礎(chǔ)設(shè)施裝起來(lái)后，就把阿里的所有電商業(yè)務(wù)部署到它上面。

等雙十一結(jié)束后，有很多業(yè)務(wù)其實(shí)不需要用那么多機(jī)器，我們就把這些資源重新做一個(gè)格式化，再還給阿里云，由阿里云做另外的售賣(mài)。

這也是為什么阿里會(huì)做阿里云的原因。因?yàn)檫@種大促的時(shí)間比較短，但特別耗資源，且需要大量的運(yùn)維人員和工程師，所以我們會(huì)在資源這個(gè)層面做大量工作。

現(xiàn)在我們的平臺(tái)實(shí)際上會(huì)更加自動(dòng)化，用公有云的資源去做一些彈性，包括資源的利用率。

而最近我們有一個(gè)系統(tǒng)，是屬于做資源調(diào)度的系統(tǒng)，它能夠更好地利用云資源，提升資源的利用率。

事實(shí)上阿里的整個(gè)電商的資源利用率是比較低的，平均下來(lái)只有 10% 左右，所以我們會(huì)在這塊大力投入，包括做一些智能化的東西。

而有了資源后就需要部署，所以我們就提前鋪設(shè)了一層，包括數(shù)據(jù)庫(kù)的一些東西，這屬于一個(gè)變更，即把代碼部署上去，或做網(wǎng)絡(luò)的更新等。

等代碼鋪設(shè)上去后，還要清楚線上運(yùn)行后的狀況，因此監(jiān)控是必不可少的。我們有很多監(jiān)控系統(tǒng)，比如說(shuō)監(jiān)控 IDC 層面的濕度、溫度等，如果這個(gè)地方出現(xiàn)問(wèn)題，那整個(gè)機(jī)房就會(huì)過(guò)載。

網(wǎng)絡(luò)則是另一個(gè)專(zhuān)業(yè)領(lǐng)域的東西，我們需要去監(jiān)控整個(gè)網(wǎng)絡(luò)、交換機(jī)，讓網(wǎng)絡(luò)處于一個(gè)健康的狀況。

再次，還需要有服務(wù)器層面的監(jiān)控，應(yīng)用、業(yè)務(wù)層面的監(jiān)控等，所有的這些都是不一樣的，屬于不同領(lǐng)域，因此我們的監(jiān)控系統(tǒng)也比較多。

再往上就是運(yùn)維最核心的本質(zhì)——穩(wěn)定性了，我認(rèn)為這是怎么強(qiáng)調(diào)都不為過(guò)的。

我們的很多業(yè)務(wù)部門(mén)都有一個(gè)專(zhuān)門(mén)做穩(wěn)定性的團(tuán)隊(duì)，覆蓋從業(yè)務(wù)到技術(shù)的環(huán)境。

而像阿里這種體量的公司，規(guī)模化是必不可少的，我們現(xiàn)在正在收購(gòu)很多公司，那怎么讓這些公司的運(yùn)維體系能一次性快速便捷地搬遷進(jìn)來(lái)，利用到我們中臺(tái)的能力？

比如我們做雙十一大促銷(xiāo)活動(dòng)時(shí)，如何能快速把業(yè)務(wù)部署到云上？這些都需要做規(guī)?；墓ぷ鳌?/p>

在以上這張圖里，我負(fù)責(zé)的是藍(lán)色部分的工作，主要是應(yīng)用運(yùn)維平臺(tái)和基礎(chǔ)運(yùn)維平臺(tái)，包括螞蟻金服、菜鳥(niǎo)等個(gè)性化的東西，可以基于我們的應(yīng)用運(yùn)維平臺(tái)做一些定制化的工作。

基礎(chǔ)運(yùn)維平臺(tái)

基礎(chǔ)運(yùn)維平臺(tái)是中臺(tái)最核心的部分，是全部都打通的。我們的基礎(chǔ)運(yùn)維平臺(tái)和基礎(chǔ)設(shè)施是一樣的。這就是剛才提到的中臺(tái)概念，沒(méi)有必要讓所有人都去建設(shè)這個(gè)基礎(chǔ)設(shè)施。

就像國(guó)家的基礎(chǔ)設(shè)施不會(huì)讓每個(gè)人都去建設(shè)，而是由國(guó)家統(tǒng)一去做，能節(jié)約大量的人力和資本，并把基礎(chǔ)設(shè)施做精、做深，這是非常有必要的，可以避免大量重復(fù)性工作。

運(yùn)維通道：StarAgent

StarAgent 就是阿里運(yùn)維的基礎(chǔ)設(shè)施，它是一個(gè)運(yùn)維通道，是基礎(chǔ)設(shè)施中最核心的功能，主要是做命令的下發(fā)與執(zhí)行。

所有阿里的運(yùn)維進(jìn)程都在這上面，包括監(jiān)控系統(tǒng)、調(diào)度所需的所有東西、數(shù)據(jù)采集等。信息的采集都在這個(gè)平臺(tái)上，以插件的形式運(yùn)行。

這個(gè)系統(tǒng)一天差不多有一個(gè)多億的訪問(wèn)量且還在不斷增長(zhǎng)，因?yàn)槲覀兊姆?wù)器數(shù)量在不斷增長(zhǎng)，業(yè)務(wù)的數(shù)量也在不斷增長(zhǎng)，但它的穩(wěn)定性還是達(dá)到了 99.995%

場(chǎng)景

在阿里運(yùn)維的整個(gè)生命周期，包括裝機(jī)、應(yīng)用發(fā)布、配置變更、信息采集、監(jiān)控和日常運(yùn)維等，我們都會(huì)用到這個(gè)場(chǎng)景。

核心功能

核心功能如上圖所示，就是命令的通道執(zhí)行這樣的一些方式，功能比較簡(jiǎn)單，主要核心能力是在穩(wěn)定性和性能上面。

系統(tǒng)架構(gòu)

這個(gè)系統(tǒng)是由三層架構(gòu)搭建而成的，第一層就是我們中央的一層?xùn)|西，用戶如何訪問(wèn)這個(gè)？

我們會(huì)通過(guò)用戶的 API 做調(diào)用，如果權(quán)限足夠大，可以給全網(wǎng)所有的機(jī)器下發(fā)指令。

每一個(gè)機(jī)房都有一個(gè)管控的服務(wù)器，即管控這個(gè)機(jī)房所有的機(jī)器，服務(wù)器都通過(guò)長(zhǎng)鏈接的方式連到這個(gè)地方。

還有末端的，就是一個(gè)插件的結(jié)構(gòu)，大概如上圖所示，會(huì)把信息全部都上報(bào)上來(lái)等等，這個(gè)也是能夠支持網(wǎng)絡(luò)結(jié)構(gòu)的。

穩(wěn)定性

穩(wěn)定性其實(shí)是最重要的，我們做了很多這方面的優(yōu)化，但因?yàn)榧?xì)節(jié)太多，此處就不具體展開(kāi)了，最主要的是你如何能保證這個(gè)系統(tǒng)是穩(wěn)定/活的。它比監(jiān)控還重要，因?yàn)槲覀兊谋O(jiān)控也是依賴(lài)這個(gè)。

當(dāng)監(jiān)控系統(tǒng)掛掉之后，監(jiān)控錄像或其他都有可能出現(xiàn)問(wèn)題，會(huì)出現(xiàn)循環(huán)依賴(lài)。

因此不能單獨(dú)依賴(lài)一個(gè)存儲(chǔ)的系統(tǒng)，反而要依賴(lài)更多的存儲(chǔ)系統(tǒng)，來(lái)保證系統(tǒng)的健壯性。

這是非常重要的，如果一個(gè)掛了就有可能導(dǎo)致我們回到非常原始的手工運(yùn)維狀態(tài)。

安全

上圖是安全方面的策略，我們有比較多重的保護(hù)，包括保護(hù)下發(fā)指令的安全不被篡改，以及整個(gè)賬號(hào)體系有非常健壯的設(shè)計(jì)，來(lái)保證命令執(zhí)行的安全性。我們所有的命令都會(huì)做一個(gè)映射。

另外，權(quán)限還是非常大的，這里必不可少的就是要保護(hù)整個(gè)系統(tǒng)，如果有特別高風(fēng)險(xiǎn)的命令在執(zhí)行，我們必須能夠快速準(zhǔn)確地識(shí)別出來(lái)，從而保護(hù)整個(gè)服務(wù)器的安全。

自動(dòng)化運(yùn)維

自動(dòng)化運(yùn)維非常重要，我們不可能投入過(guò)多的人力去運(yùn)維這么龐大的系統(tǒng)來(lái)管理所有的服務(wù)器。

如果有哪怕 1% 的服務(wù)器出現(xiàn)了連接問(wèn)題，我們都得投入大量人力去做，這也是為什么自動(dòng)化運(yùn)維非常重要的原因。

以前可能需要十幾人，每個(gè)人要頻繁地去處理各種連接性的問(wèn)題，所以我認(rèn)為自動(dòng)化運(yùn)維是根本的東西。

插件平臺(tái)

[[232762]]

最后簡(jiǎn)單介紹一下插件平臺(tái)。這是一個(gè)描述文件，即你要跑什么進(jìn)程、利用多少 CPU 內(nèi)存等都可以設(shè)定。

當(dāng)這個(gè)系統(tǒng)發(fā)生各種問(wèn)題時(shí)，會(huì)自動(dòng)幫你把這個(gè)進(jìn)程解決掉，再通知你上線去做一些排查。

因?yàn)榘⒗锏姆?wù)器和網(wǎng)絡(luò)都非常復(fù)雜，我們?cè)谝粋€(gè)業(yè)務(wù)線里測(cè)試的結(jié)果沒(méi)問(wèn)題，并不代表能保證所有的業(yè)務(wù)線都沒(méi)有問(wèn)題。命令一直在下發(fā)，如果不退出，累計(jì)起來(lái)就會(huì)有很大問(wèn)題。

這個(gè)系統(tǒng)本質(zhì)上是保障服務(wù)器的穩(wěn)定性，所以不管發(fā)生什么情況，我們要把服務(wù)器上的所有命令都管控起來(lái)，只要有問(wèn)題就采取一定措施。

智能文件分發(fā)系統(tǒng)：蜻蜓

要做容器化，文件的分發(fā)尤其是鏡像的分發(fā)已經(jīng)變成了一個(gè)非常大的問(wèn)題。

我們經(jīng)常在此過(guò)程中碰到這樣的問(wèn)題：原本只需要傳一個(gè)包，現(xiàn)在要傳一個(gè)鏡像，但如果研發(fā)不太好，一出來(lái)就是一個(gè)多 G 的鏡像在分發(fā)，會(huì)導(dǎo)致網(wǎng)絡(luò)的堵塞。

在這樣的挑戰(zhàn)下，我們當(dāng)時(shí)就做了一個(gè) P2P 的文件分發(fā)系統(tǒng)，非常好地解決了這樣的問(wèn)題。

在上圖中，紅色部分就是傳統(tǒng)的文件分發(fā)方式，藍(lán)色部分是我們用蜻蜓做的一個(gè)文件分發(fā)系統(tǒng)。

其中，X 軸是客戶端的數(shù)量，最大程度是 7000 個(gè)客戶端同時(shí)下一個(gè)文件。不管有多少個(gè)客戶端，蜻蜓都可以非常平穩(wěn)，大概幾秒鐘就可以完成分發(fā)。

而傳統(tǒng)的分發(fā)，等到 1000 個(gè)客戶端時(shí)就已經(jīng)沒(méi)有數(shù)據(jù)了，因?yàn)樗呀?jīng)被客戶端打爆了。

上圖列舉了一些場(chǎng)景，它在哪些地方能被用到，以及它的一些特性包括斷點(diǎn)續(xù)傳、智能網(wǎng)絡(luò)的 IO 和磁盤(pán)的 IO 等。

如何保證在下載過(guò)程中不影響到業(yè)務(wù)？不能把磁盤(pán)和網(wǎng)絡(luò)全部打掉，那么傳統(tǒng)的模式就是設(shè)定一個(gè)閾值。

我就占用 20m 或 50m，但很多業(yè)務(wù)可能在晚上，并沒(méi)有那么大的流量。你可以用更多帶寬，但用不起來(lái)；如果是業(yè)務(wù)特別忙的話，還是 20m 就影響到業(yè)務(wù)了。

我們做了一個(gè)智能化的點(diǎn)，如何在不影響業(yè)務(wù)的情況下，充分地利用帶寬和磁盤(pán)的 IO，跟鏡像相關(guān)的我們也做了很多的工作。這是去年 10 月份的一些數(shù)據(jù)，每個(gè)月有超過(guò) 20 億次的訪問(wèn)。

它最初是在我們的發(fā)布系統(tǒng)里被用到，是一個(gè)基礎(chǔ)設(shè)施，后來(lái)我們推廣到了整個(gè)集團(tuán)，現(xiàn)在訪問(wèn)量非常之大。

這個(gè)系統(tǒng)目前已經(jīng)開(kāi)源了，上圖有我們的協(xié)議地址，也有企業(yè)版的，商業(yè)化的版本里會(huì)有更多智能化功能。這個(gè)社區(qū)現(xiàn)在還比較小，希望大家能夠支持一下。

應(yīng)用運(yùn)維平臺(tái)

前面講的基礎(chǔ)設(shè)施并不是所有公司都會(huì)用到，當(dāng)你的體量特別大時(shí)反而會(huì)成為一種累贅，相比之下，應(yīng)用運(yùn)維平臺(tái)與大家的相關(guān)度可能會(huì)更密切一些。

我們的應(yīng)用運(yùn)維平臺(tái)叫 Normandy，上面有很多業(yè)務(wù)線，我們至少 50% 以上的平臺(tái)都用這個(gè)來(lái)做運(yùn)維。

它的一個(gè)主要功能是資源編排，應(yīng)用要用到的所有資源都可以用描述文件的形式做編排，并一次性生產(chǎn)出來(lái)，你的任何變化都會(huì)被系統(tǒng)感知到并去做一些變更。

有了資源以后，要做代碼的發(fā)布，這也是這個(gè)平臺(tái)非常大的一個(gè)功能。之前有人提到的藍(lán)綠部署，發(fā)布的模式我們都是支持的，并且有非常多的發(fā)布模式。

當(dāng)業(yè)務(wù)的代碼發(fā)布上去時(shí)，這個(gè)業(yè)務(wù)就在線了，后面的工作就是日常性的運(yùn)維，比如說(shuō)磁盤(pán)的清理等日常工作，也是在這個(gè)平臺(tái)上去做。

關(guān)于發(fā)布，我們也在做一些思考，因?yàn)檫\(yùn)維的本質(zhì)就是為了線上的穩(wěn)定性。我們對(duì)所有故障做了分析，發(fā)現(xiàn) 60% 的故障都是由變更引起的。

而且行業(yè)內(nèi)也有一種說(shuō)法是，80% 的故障可能都是由變更引起的。這也說(shuō)明你不做變更，基本上是不太會(huì)發(fā)生故障的。

畢竟像之前發(fā)生的支付寶電纜被挖斷，以及騰訊的天津機(jī)房發(fā)生爆炸這類(lèi)事情是比較少的，大多數(shù)情況下是因?yàn)樽兏斐傻墓收稀?/p>

然而變更又是發(fā)布的一個(gè)重要環(huán)節(jié)，所以我們會(huì)發(fā)現(xiàn)，要讓系統(tǒng)穩(wěn)定、持續(xù)不斷地運(yùn)行，只要能卡住變更這個(gè)口子，基本上就能降低非常多的故障。

我們?nèi)ツ觊_(kāi)始做了一個(gè)無(wú)人值守的發(fā)布。因?yàn)椴煌娜丝吹降那闆r不一樣，可能經(jīng)驗(yàn)老道的人會(huì)看出問(wèn)題并做出維護(hù)。

但新同學(xué)怎么辦呢，又或者是老司機(jī)太老練了，以為不會(huì)有事結(jié)果卻出了問(wèn)題。

所以我們希望整個(gè)過(guò)程沒(méi)有人力介入，通過(guò)各種參數(shù)的檢查來(lái)幫助我們發(fā)現(xiàn)變更過(guò)程中出現(xiàn)的問(wèn)題。

關(guān)于這個(gè)發(fā)布，我們也做了很多工作，其中就有對(duì)監(jiān)控指標(biāo)進(jìn)行分類(lèi)，包括系統(tǒng)、日志、業(yè)務(wù)等，對(duì)各種指標(biāo)做檢查。

我們會(huì)檢查發(fā)布和沒(méi)發(fā)布的機(jī)器，以及發(fā)布的機(jī)器與前一天在各方面的一些對(duì)比，最后做出一個(gè)診斷。當(dāng)有問(wèn)題時(shí)，就能及時(shí)通過(guò)手機(jī)、釘釘把消息推送出來(lái)。

可能現(xiàn)在你的系統(tǒng)發(fā)現(xiàn)了一些問(wèn)題，要做一些人工判斷，因?yàn)檫@也是一種輸入，相當(dāng)于數(shù)據(jù)的標(biāo)注，判斷我這次的系統(tǒng)判斷到底準(zhǔn)不準(zhǔn)。如上圖所示，各種指標(biāo)會(huì)告訴你可能會(huì)有異常的，需要人工進(jìn)行判斷。

這個(gè)策略還是比較簡(jiǎn)單的，比如說(shuō)一些針對(duì) Java 的應(yīng)用，在你的日志里會(huì)發(fā)現(xiàn)很多問(wèn)題。

譬如說(shuō)有沒(méi)有新的異常，我們的異常庫(kù)會(huì)把新的異常記錄下來(lái)，如果發(fā)現(xiàn)了就會(huì)提醒用戶，因?yàn)檫@個(gè)新的異常基本就是代碼引入的。

還可能有一些是非常致命的新異常，不太需要算法的介入（需要算法介入的是舊的異常）。

譬如你的指標(biāo)頻率突然飆升，那我們要發(fā)現(xiàn)這個(gè)飆升的指標(biāo)，并把它提示出來(lái)，這就可以用很多方法了，包括趨勢(shì)、同比、環(huán)比等。

提到會(huì)用到的算法，紅色標(biāo)注的部分在整個(gè)序列上的算法會(huì)比較多，主要是對(duì)這個(gè)應(yīng)用進(jìn)行一些歷史數(shù)據(jù)的采集，再描繪出它的曲線。

通過(guò)這樣的數(shù)據(jù)學(xué)習(xí)，我們就能知道它未來(lái)的發(fā)展趨勢(shì)和變化，如果超出了變化，就可以認(rèn)為是異常。

上圖的紅色線就是我們真實(shí)輸入的數(shù)據(jù)，藍(lán)色線是我們預(yù)測(cè)的數(shù)據(jù)，如果是好的想法，這個(gè)紅色線應(yīng)該正好穿過(guò)藍(lán)色線。

而我們的監(jiān)控報(bào)警或是異常檢測(cè)，即根據(jù)紅色線是不是超過(guò)了藍(lán)色線的正負(fù)閾值來(lái)判斷。

我們也做了測(cè)試，把線上發(fā)生的各種異常（包括用戶認(rèn)為是有問(wèn)題或是認(rèn)為報(bào)錯(cuò)了）的數(shù)據(jù)都引入線下，幫助我們?nèi)プ鲞M(jìn)一步的評(píng)判，形成一個(gè)反饋機(jī)制。

這整個(gè)過(guò)程都是自動(dòng)化的，最后告訴我們調(diào)整的參數(shù)是否正常。這是我們自動(dòng)化系統(tǒng)模塊的展示，此處就不詳細(xì)展開(kāi)了。

另外，監(jiān)控系統(tǒng)的數(shù)據(jù)采集是不是有斷圖，數(shù)據(jù)采集得對(duì)不對(duì)、準(zhǔn)不準(zhǔn)等等，也是非常大的挑戰(zhàn)。

還有我們的參數(shù)目前更多地還是人為去做固定的閾值，如果能使其更加動(dòng)態(tài)，或是根據(jù)不同的應(yīng)用狀態(tài)去做一些動(dòng)態(tài)的適配，也是有著非常大的挑戰(zhàn)。

AIOps

今年我們主要的工作就是發(fā)布，讓所有變更都能接入智能化體系，從而保證變更不受影響。

它的 AI 是基于算法的這樣一套東西，我們更多是希望它走向無(wú)人化的狀態(tài)，所以我們對(duì)它的理解可能不是一個(gè)算法，而是另外一個(gè)英文單詞 AIOps，即無(wú)人化的運(yùn)維。

這需要一個(gè)過(guò)程，首先我們需要累計(jì)足夠多的數(shù)據(jù)，其次是找到場(chǎng)景。開(kāi)頭提到的無(wú)人駕駛飛船的想法是非常美好的，但要真的做到不需要任何人介入，需要走非常長(zhǎng)的一段路。

所以我們現(xiàn)在認(rèn)為，一定要找到非常好的場(chǎng)景作為落腳點(diǎn)，再準(zhǔn)備好所有數(shù)據(jù)，因?yàn)閿?shù)據(jù)的質(zhì)量真正決定了整套系統(tǒng)的天花板，而算法是可以不斷嘗試的。

我們嘗試用比較普通的算法來(lái)做運(yùn)營(yíng)，真正難的是特征的提醒和算法參數(shù)的優(yōu)化，甚至是一些革命性的算法現(xiàn)在還比較少。

關(guān)于這方面我們也和清華大學(xué)有一些合作，希望通過(guò)與高校的合作來(lái)看到一些更好的算法。

上圖是對(duì)整個(gè)運(yùn)維領(lǐng)域和智能化階段做了一些分類(lèi)。我們會(huì)有一些服務(wù)咨詢/答疑，這也是可以做智能化運(yùn)維的方向。

我們現(xiàn)在更多的采用跟阿里的一些合作，在自然語(yǔ)言處理方面能幫助我們減少人工答疑的過(guò)程，尤其是重復(fù)性出現(xiàn)的問(wèn)題。

比如我想看一下我的應(yīng)用在某一個(gè)機(jī)房到底運(yùn)行得怎么樣，可以通過(guò)自然語(yǔ)言的方式去做，大大降低人的介入。

第二是通過(guò)智能化算法降低故障，包括效率和優(yōu)化。我們也有很多場(chǎng)景，包括剛才講的資源的利用率，如何能更好地做服務(wù)調(diào)度，這上面其實(shí)我們也有很多應(yīng)用。

另外一個(gè)就是在可用性上面，自愈或者是預(yù)測(cè)。我們?cè)谧龃疟P(pán)損壞的預(yù)測(cè)，在損壞前能夠把業(yè)務(wù)都調(diào)走，讓整個(gè)過(guò)程變得更加可預(yù)期一些。

還有一個(gè)方面，我們也在做整個(gè)機(jī)房在能耗方面的工作，能夠通過(guò)智能化的算法來(lái)降低能耗。

谷歌在 2016 年就已經(jīng)做到了，通過(guò)深度學(xué)習(xí)的方法讓整個(gè)能耗降低了差不多 30%。不過(guò)真正要達(dá)到第五級(jí)的自動(dòng)駕駛的話，還是有挺長(zhǎng)的路要走。

上圖是我們?cè)谥悄芑\(yùn)維上主要做的兩個(gè)方面。第一個(gè)就是我們對(duì)運(yùn)維的理解，穩(wěn)定性是最核心要做的事情。

在此基礎(chǔ)上，我們希望整個(gè)系統(tǒng)達(dá)到非常優(yōu)化的狀態(tài)，包括前面講的我們的自動(dòng)化的調(diào)整，讓性能更加高效。

上圖是我們整個(gè)智能化運(yùn)維平臺(tái)的產(chǎn)品圖，包括了前面說(shuō)的應(yīng)用運(yùn)維上的能力，以及整個(gè)端上的一些東西，還有我們的一些規(guī)范、運(yùn)維的一些紅線等等。

這個(gè)平臺(tái)我們叫 StarOps，有一個(gè)私有云版本，也會(huì)在今年六七月份推出公有云版本。

最后是我們的一些思考：

• 度量是非常關(guān)鍵的，不僅僅是運(yùn)維，所有的系統(tǒng)都應(yīng)該有度量，沒(méi)有度量就不會(huì)有提高。
• 從中臺(tái)的概念來(lái)講，希望不要重復(fù)去造低水平的輪子，一定要有突破。
• 對(duì)于智能化運(yùn)維這一塊，還是可以從點(diǎn)入手，找到一個(gè)真實(shí)的場(chǎng)景，然后去做一些突破。

[[232766]]

如柏(毛茂德)，阿里巴巴高級(jí)技術(shù)專(zhuān)家，Apache 頂級(jí)項(xiàng)目 CXF 初創(chuàng)成員之一，阿里集團(tuán)基礎(chǔ)架構(gòu)事業(yè)群運(yùn)維中臺(tái)負(fù)責(zé)人、親歷者。