G行智能運(yùn)維機(jī)器人探索與實(shí)踐
引言
2023年初ChatGPT以其驚人的自然語(yǔ)言理解和生成能力席卷全球，重新定義了人機(jī)交互。在金融科技領(lǐng)域，G行敏銳地捕捉到這一趨勢(shì)，開始了智能運(yùn)維機(jī)器人的深度探索。2025年初DeepSeek等國(guó)產(chǎn)大模型的成熟，其輕量化架構(gòu)、開放的生態(tài)以及優(yōu)異的性能表現(xiàn)，讓原本復(fù)雜的模型部署變得簡(jiǎn)單，這也加速了G行專屬智能運(yùn)維機(jī)器人的落地實(shí)踐。
G行智能運(yùn)維機(jī)器人貫穿運(yùn)維事前巡檢、事中應(yīng)急、事后分析等全流程，同時(shí)整合行內(nèi)通用知識(shí)，通過(guò)自然語(yǔ)言解析、大模型、檢索增強(qiáng)等技術(shù)，實(shí)現(xiàn)海量數(shù)據(jù)精準(zhǔn)關(guān)聯(lián)分析與知識(shí)檢索、隱性知識(shí)快速挖掘，運(yùn)維人員通過(guò)簡(jiǎn)單的交互問(wèn)答就能得到精準(zhǔn)的知識(shí)答案，實(shí)現(xiàn)了對(duì)傳統(tǒng)運(yùn)維模式的升級(jí)。本文主要從建設(shè)背景、建設(shè)路徑、應(yīng)用場(chǎng)景、思考與挑戰(zhàn)等方面介紹。
一、建設(shè)背景
隨著企業(yè)IT系統(tǒng)復(fù)雜度指數(shù)級(jí)增長(zhǎng)，全局性風(fēng)險(xiǎn)管控的難度增加。通過(guò)內(nèi)部調(diào)研溝通后發(fā)現(xiàn)運(yùn)維面臨多重困難。
- 運(yùn)維工具系統(tǒng)比較多，系統(tǒng)之間缺乏聯(lián)動(dòng)性，內(nèi)容整合困難。運(yùn)維人員需頻繁登錄不同領(lǐng)域系統(tǒng)（如監(jiān)控、配置、日志系統(tǒng)）手動(dòng)過(guò)濾、關(guān)聯(lián)數(shù)據(jù)，導(dǎo)致數(shù)據(jù)獲取效率低下。
- 專業(yè)門檻與知識(shí)傳遞難，事件處置依賴運(yùn)維人員的專業(yè)經(jīng)驗(yàn)，而隱性知識(shí)（如專家經(jīng)驗(yàn)、非常規(guī)操作技巧）難以系統(tǒng)化傳遞，新人上手慢，資深人員壓力大。
- 海量運(yùn)維信息檢索難，故障與原因的關(guān)聯(lián)往往藏在海量信息背后，缺乏高效的整合與關(guān)聯(lián)分析手段，導(dǎo)致事件定位滯后、決策依據(jù)不足。
通過(guò)對(duì)當(dāng)下智能運(yùn)維機(jī)器人技術(shù)的調(diào)研及應(yīng)用場(chǎng)景研究，智能運(yùn)維機(jī)器人在以下4個(gè)方面提升運(yùn)維管理和事件處置的效率。
- 提升運(yùn)維工具內(nèi)數(shù)據(jù)獲取效率。通過(guò)機(jī)器人的對(duì)話入口以及多agent模式打破運(yùn)維工具系統(tǒng)的數(shù)據(jù)壁壘，實(shí)現(xiàn)一個(gè)對(duì)話入口獲取多個(gè)運(yùn)維領(lǐng)域數(shù)據(jù)綜合分析，提升運(yùn)維數(shù)據(jù)獲取效率。
- 提高各領(lǐng)域數(shù)據(jù)準(zhǔn)確性。通過(guò)各個(gè)智能agent精確獲取到各個(gè)領(lǐng)域的核心運(yùn)維知識(shí)，通過(guò)智能算法對(duì)各領(lǐng)域數(shù)據(jù)進(jìn)行分析，得到客觀和準(zhǔn)確的分析數(shù)據(jù)。
- 提高事件處置決策效率。通過(guò)NLP、大模型等智能技術(shù)的語(yǔ)言理解和總結(jié)能力，實(shí)現(xiàn)對(duì)于用戶問(wèn)題的快速分解和agent的自動(dòng)調(diào)用，并對(duì)各個(gè)agent的結(jié)果進(jìn)行歸納總結(jié)，從而在事件處置中對(duì)決策者提供更加可靠的數(shù)據(jù)。
- 提升運(yùn)維知識(shí)檢索效率。使用大模型及RAG技術(shù)可以對(duì)運(yùn)維的各領(lǐng)域數(shù)據(jù)如制度文件、操作手冊(cè)、應(yīng)急預(yù)案、匯報(bào)材料以及IT服務(wù)數(shù)據(jù)等進(jìn)行知識(shí)庫(kù)管理和檢索，實(shí)現(xiàn)用戶問(wèn)題的精準(zhǔn)問(wèn)答。
二、技術(shù)路線
G行智能運(yùn)維機(jī)器人主要包括三大核心技術(shù)路線，構(gòu)建了基于智能化的系統(tǒng)整體技術(shù)分層架構(gòu)，實(shí)現(xiàn)了智能運(yùn)維機(jī)器人整體規(guī)劃設(shè)計(jì)；利用基于Multi-Agent的檢索架構(gòu)設(shè)計(jì)，奠定了智能運(yùn)維機(jī)器人的核心檢索技術(shù)；通過(guò)分布式的功能模塊策略設(shè)計(jì)，實(shí)現(xiàn)了系統(tǒng)研發(fā)和部署的基本框架，保障了技術(shù)方案的落地。
基于智能化的技術(shù)分層架構(gòu)
如圖1，在智能運(yùn)維機(jī)器人技術(shù)分層架構(gòu)的設(shè)計(jì)方面，G行根據(jù)需求設(shè)計(jì)以及現(xiàn)有的大模型等智能化技術(shù)能力，設(shè)計(jì)了從接入層、解析層、調(diào)度層、總結(jié)層、反饋層、模型層、存儲(chǔ)層的七層技術(shù)架構(gòu)，并從結(jié)構(gòu)、功能和技術(shù)三方面對(duì)核心的產(chǎn)品功能和使用技術(shù)進(jìn)行了規(guī)劃和設(shè)計(jì)。其中大模型技術(shù)的應(yīng)用貫穿整個(gè)技術(shù)架構(gòu)，并發(fā)揮著舉足輕重的作用。例如，在接入層需要使用多模態(tài)大模型對(duì)用戶的文字、語(yǔ)音、圖片、文本等內(nèi)容進(jìn)行解析；在解析層的語(yǔ)義修正環(huán)節(jié)，需要使用大模型對(duì)用戶的提問(wèn)進(jìn)行錯(cuò)別字糾正和基于歷史問(wèn)答的語(yǔ)義修正等，從而保證后續(xù)的調(diào)度、檢索和總結(jié)更加準(zhǔn)確；在調(diào)度層環(huán)節(jié)則使用大模型來(lái)進(jìn)行場(chǎng)景識(shí)別，以及各個(gè)agent的調(diào)度；在總結(jié)層則使用大模型對(duì)多個(gè)agent的檢索結(jié)構(gòu)進(jìn)行總結(jié)，并使用多種模態(tài)的方式形成答案；在反饋層則使用大模型對(duì)用戶的點(diǎn)贊、點(diǎn)踩等反饋信息進(jìn)行強(qiáng)化學(xué)習(xí)、提示層優(yōu)化等模型的優(yōu)化；模型層則會(huì)根據(jù)不同環(huán)節(jié)和同agent對(duì)于模型的需求，采用基礎(chǔ)大模型和領(lǐng)域小模型相結(jié)合的方式。
圖1 技術(shù)分層架構(gòu)圖
基于Multi-Agent檢索架構(gòu)設(shè)計(jì)
如圖2所示，智能運(yùn)維機(jī)器人總體架構(gòu)設(shè)計(jì)采用Multi-Agent的設(shè)計(jì)模式，用戶的問(wèn)題通過(guò)語(yǔ)義理解agent進(jìn)行總體調(diào)度，觸發(fā)多個(gè)場(chǎng)景agent獲取領(lǐng)域數(shù)據(jù)并分析計(jì)算出初步答案，最終再經(jīng)過(guò)語(yǔ)義生成大模型對(duì)數(shù)據(jù)進(jìn)行統(tǒng)一加工輸出。其中agent總共分為三層。
圖2 檢索架構(gòu)設(shè)計(jì)圖
第一層agent為語(yǔ)義理解agent，主要功能是對(duì)用戶的問(wèn)題進(jìn)行理解、重寫、分類等以及對(duì)后續(xù)場(chǎng)景進(jìn)行總調(diào)度。
第二層agent分為實(shí)時(shí)分析場(chǎng)景agent、行內(nèi)知識(shí)問(wèn)答agent、通用大模型agent。實(shí)時(shí)分析場(chǎng)景agent主要實(shí)時(shí)調(diào)度各種運(yùn)維生產(chǎn)數(shù)據(jù)進(jìn)行場(chǎng)景分析；行內(nèi)知識(shí)問(wèn)答agent主要根據(jù)我行的知識(shí)庫(kù)（領(lǐng)域web知識(shí)、本地制度手冊(cè)、專家經(jīng)驗(yàn)知識(shí)）進(jìn)行知識(shí)問(wèn)答；通用大模型agent主要使用模型底座基礎(chǔ)知識(shí)實(shí)現(xiàn)通用知識(shí)問(wèn)答、代碼編寫、邏輯運(yùn)算、文字翻譯等通用大模型功能。
第三層agent主要集中在實(shí)時(shí)分析agent里面用于調(diào)度各個(gè)生產(chǎn)數(shù)據(jù)的agent，其中主要有配置查詢agent、交易分析agent、日志分析agent、報(bào)警分析agent、批量分析agent、容量分析agent、流程分析agent等。各個(gè)agent分別通過(guò)api的方式調(diào)用各運(yùn)維工具系統(tǒng)。
基于分布式策略的功能模塊設(shè)計(jì)
如圖3所示，智能運(yùn)維機(jī)器人內(nèi)部功能模塊分為5個(gè)管理中心，22個(gè)功能模塊。
- 通訊中心是智能運(yùn)維機(jī)器人的通訊底座。核心功能就是圍繞以我行專有的內(nèi)部通訊平臺(tái)“光大通”為入口的通訊管理，利用光大通高并發(fā)、高安全度、高開放的特點(diǎn)，為智能運(yùn)維機(jī)器人提供便捷的消息通訊功能。
- 對(duì)話中心是智能運(yùn)維機(jī)器人的總調(diào)度中心，主要負(fù)責(zé)對(duì)話內(nèi)容的解析、理解、分類、存儲(chǔ)以及結(jié)果的輸出等。
- 模型中心是智能運(yùn)維機(jī)器人的模型底座，其中不僅包括了用于調(diào)度實(shí)時(shí)分析場(chǎng)景的各個(gè)agent模型，也包括了用于知識(shí)庫(kù)問(wèn)答的問(wèn)答大模型，同時(shí)還有語(yǔ)義理解大模型和語(yǔ)義生成大模型等。從算法角度看，模型中心不僅有基于傳統(tǒng)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的場(chǎng)景模型，還有基于Transformer的多模態(tài)大模型。
- 配置中心是智能運(yùn)維機(jī)器人的后臺(tái)管理中心。主要目標(biāo)是對(duì)用戶問(wèn)答內(nèi)容的預(yù)配置，以及環(huán)境配置管理。
- 監(jiān)控中心是智能運(yùn)維機(jī)器人的安全保障。其中除了對(duì)于各個(gè)通訊服務(wù)和agent模型的健康度檢查，還有用戶問(wèn)答反饋到大模型的自回饋機(jī)制。
這五個(gè)中心共同組成了智能運(yùn)維機(jī)器人的整個(gè)內(nèi)部服務(wù)框架，各個(gè)中心通過(guò)開發(fā)協(xié)議相互獨(dú)立并相互配合。
圖3 功能模塊設(shè)計(jì)圖
三、應(yīng)用場(chǎng)景及效果
G行智能運(yùn)維機(jī)器人貫穿運(yùn)維全流程，在事前主要是日常巡檢工作，包括交易業(yè)務(wù)指標(biāo)、CUP和內(nèi)存等性能指標(biāo)的趨勢(shì)分析，容量指標(biāo)、報(bào)警信息、異常檢測(cè)信息的查詢等,還有對(duì)日常行為的合規(guī)檢查，保證日常操作和流程的符合行內(nèi)制度要求和滿足監(jiān)管要求，以及變更風(fēng)險(xiǎn)評(píng)估等；在事中主要是事件的快速定位和解決問(wèn)題，需要快速的獲取應(yīng)用系統(tǒng)的交易、性能、日志、報(bào)警信息等各項(xiàng)內(nèi)容，然后整合分析，進(jìn)行問(wèn)題定位，并出具合適的解決方案進(jìn)行問(wèn)題修復(fù)；在事后主要對(duì)事件進(jìn)行復(fù)盤，包括事件描述、影響分析、處置操作、后續(xù)優(yōu)化工作等內(nèi)容。
如圖4，通過(guò)匯總整合用戶需求，同時(shí)結(jié)合智能運(yùn)維機(jī)器人的能力，把用戶需求場(chǎng)景設(shè)計(jì)為運(yùn)維巡檢報(bào)告、運(yùn)維異常分析、運(yùn)維事件處置、運(yùn)維信息查詢4個(gè)運(yùn)維應(yīng)用場(chǎng)景，并結(jié)合知識(shí)問(wèn)答、日常聊天、生活工具共7大場(chǎng)景。
圖4 應(yīng)用場(chǎng)景設(shè)計(jì)圖
下面將在運(yùn)維信息查詢、巡檢報(bào)告生成、異常分析、行內(nèi)知識(shí)問(wèn)答四個(gè)方面對(duì)典型場(chǎng)景舉例展示實(shí)現(xiàn)效果。
運(yùn)維信息查詢
在整個(gè)運(yùn)維過(guò)程中，查詢類場(chǎng)景貫徹整個(gè)環(huán)節(jié)，主要分為三類：
- 狀態(tài)類信息查詢：應(yīng)用系統(tǒng)交易狀態(tài)、系統(tǒng)資源使用狀態(tài)、系統(tǒng)端口運(yùn)行狀態(tài)、批量運(yùn)行狀態(tài)、變更詳情等；
- 配置類信息查詢：管理角色配置信息、系統(tǒng)硬件配置信息、系統(tǒng)軟件配置信息；
- 告警類信息查詢：告警信息查詢、關(guān)聯(lián)系統(tǒng)告警、歷史告警對(duì)比。
這些信息分布在不同的系統(tǒng)中，如配置管理系統(tǒng)、批量管理系統(tǒng)、容量管理系統(tǒng)等，當(dāng)前用戶需要登錄不同的系統(tǒng)進(jìn)行操作和查詢，智能運(yùn)維機(jī)器人則可以通過(guò)統(tǒng)一的入口直接查詢，效果案例見圖5。
圖5 運(yùn)維信息查詢效果圖
巡檢報(bào)告生成
用戶會(huì)定期或者隨時(shí)對(duì)系統(tǒng)整體狀態(tài)、日常巡檢內(nèi)容、特定的運(yùn)維信息等生成一些報(bào)告，用于系統(tǒng)巡檢、事件分析、監(jiān)管報(bào)送等，這些報(bào)告主要有系統(tǒng)交易分析報(bào)告、系統(tǒng)巡檢日?qǐng)?bào)、容量周報(bào)、SDP分析報(bào)告、變更風(fēng)險(xiǎn)評(píng)估報(bào)告等。
這些報(bào)告的生成以往需要登錄不同系統(tǒng)，輸入不同的參數(shù)信息進(jìn)行查詢、生成，現(xiàn)在用戶可以通過(guò)智能運(yùn)維機(jī)器人輸入一句描述，后臺(tái)就能夠解析獲取到參數(shù)去查詢、生成報(bào)告。根據(jù)交易數(shù)據(jù)生成的業(yè)務(wù)影響分析報(bào)告如圖6。
圖6 業(yè)務(wù)影響分析報(bào)告
異常分析
在系統(tǒng)發(fā)生異常前后，往往需要對(duì)交易、性能、日志、鏈路等內(nèi)容進(jìn)行異常預(yù)測(cè)、實(shí)時(shí)判斷、分析定位等。具體的場(chǎng)景有某系統(tǒng)某時(shí)間的交易異常分析和定位、高斯平臺(tái)離群節(jié)點(diǎn)檢測(cè)和根因分析、日志錯(cuò)誤關(guān)鍵字分析、故障的關(guān)聯(lián)報(bào)警等。智能運(yùn)維機(jī)器人可以獲取不同專業(yè)領(lǐng)域的異常分析數(shù)據(jù)，從而加快異常判斷和定位。
例如，在異常交易分析方面，如圖7，智能運(yùn)維機(jī)器人可以解析用戶問(wèn)題中系統(tǒng)名稱、時(shí)間范圍等信息，后臺(tái)通過(guò)agent自動(dòng)查詢并分析系統(tǒng)在時(shí)間區(qū)間的交易異常情況。
圖7 異常交易分析
在告警分析方面，如圖8，智能運(yùn)維機(jī)器人中的AI告警分析智能體，可以實(shí)時(shí)監(jiān)測(cè)告警信息，并自動(dòng)調(diào)度交易、變更、日志、配置等agent，并通過(guò)大模型的思維鏈為故障排查提供AI建議。
圖8 AI告警分析智能體
行內(nèi)知識(shí)問(wèn)答
運(yùn)維中往往都會(huì)形成自己的知識(shí)庫(kù)，其內(nèi)容包括運(yùn)維制度、知識(shí)庫(kù)、專家經(jīng)驗(yàn)等，用戶在日常工作中會(huì)進(jìn)行查詢。智能運(yùn)維機(jī)器人可以將專家腦海里的知識(shí)、我行專業(yè)文檔里的知識(shí)錄入到知識(shí)庫(kù)管理系統(tǒng)中，然后再通過(guò)知識(shí)問(wèn)答模型進(jìn)行訓(xùn)練學(xué)習(xí)，最終通過(guò)智能運(yùn)維機(jī)器人為用戶提供便捷、專業(yè)的知識(shí)問(wèn)答。場(chǎng)景效果如圖9。
圖9 行內(nèi)知識(shí)問(wèn)答場(chǎng)景
四、風(fēng)險(xiǎn)問(wèn)題及應(yīng)對(duì)措施
智能運(yùn)維機(jī)器人是利用大模型的底座，結(jié)合行內(nèi)的知識(shí)庫(kù)、生產(chǎn)數(shù)據(jù)為用戶提供運(yùn)維領(lǐng)域的各種問(wèn)答服務(wù)。在風(fēng)險(xiǎn)方面主要集中在查詢權(quán)限風(fēng)險(xiǎn)、數(shù)據(jù)集風(fēng)險(xiǎn)、大模型解釋性風(fēng)險(xiǎn)和開源軟件漏洞風(fēng)險(xiǎn)四個(gè)方面。在各個(gè)風(fēng)險(xiǎn)方面，在機(jī)器人建設(shè)的前期會(huì)從大模型的選型、權(quán)限的控制、大模型的應(yīng)用場(chǎng)景、以及軟件評(píng)估方面控制風(fēng)險(xiǎn)。
1、查詢權(quán)限風(fēng)險(xiǎn)
查詢權(quán)限風(fēng)險(xiǎn)主要是指智能運(yùn)維機(jī)器人的應(yīng)用場(chǎng)景數(shù)據(jù)主要來(lái)自于行內(nèi)的生產(chǎn)數(shù)據(jù)以及專業(yè)文檔，在智能運(yùn)維機(jī)器人使用過(guò)程中容易發(fā)生不同用戶檢索到非自我權(quán)限范圍內(nèi)信息的情況。在應(yīng)對(duì)方面，智能運(yùn)維機(jī)器人主要利用資源端的用戶權(quán)限進(jìn)行數(shù)據(jù)控制，同時(shí)在智能運(yùn)維機(jī)器人的推廣方面前期應(yīng)主要集中在行員以及主要的行內(nèi)通訊群。
2、數(shù)據(jù)集風(fēng)險(xiǎn)
數(shù)據(jù)集風(fēng)險(xiǎn)主要指基礎(chǔ)開源大模型的原始訓(xùn)練數(shù)據(jù)，目前開源的大模型均采用互聯(lián)網(wǎng)中公開的數(shù)據(jù)集進(jìn)行訓(xùn)練，如維基百科、百度百科、新聞網(wǎng)站等，這些數(shù)據(jù)通過(guò)模型訓(xùn)練后可能會(huì)出現(xiàn)宗教、政治、性別等歧視風(fēng)險(xiǎn)。在應(yīng)對(duì)方面，可以從以下四方面進(jìn)行。
1）大模型選型方面，選擇在國(guó)內(nèi)可靠的大模型如DeepSeek等，這些大模型的訓(xùn)練數(shù)據(jù)集多來(lái)自于國(guó)內(nèi)權(quán)威網(wǎng)站并在國(guó)內(nèi)多個(gè)同業(yè)及政府部門引入使用。
2）數(shù)據(jù)集審核。對(duì)大模型的底座數(shù)據(jù)進(jìn)行預(yù)審、檢查和排除不合規(guī)性數(shù)據(jù)。
3）大模型安全測(cè)試。使用大模型評(píng)測(cè)軟件進(jìn)行大模型算法偏見等方面的安全測(cè)試。
4）機(jī)器人輸出的風(fēng)險(xiǎn)過(guò)濾。在智能運(yùn)維機(jī)器人的問(wèn)答返回前面加一個(gè)“風(fēng)險(xiǎn)攔截器”，對(duì)機(jī)器人輸出的內(nèi)容進(jìn)行安全檢測(cè)。
3、大模型解釋性風(fēng)險(xiǎn)
大模型解釋性風(fēng)險(xiǎn)是指大模型是一個(gè)具有多層神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)模型，由于其網(wǎng)絡(luò)層和參數(shù)量非常大，故模型的訓(xùn)練過(guò)程很難進(jìn)行追蹤和解釋，因此就具有可解釋、可控性風(fēng)險(xiǎn)。從風(fēng)險(xiǎn)控制方面可以從兩方面入手。
1）限制基礎(chǔ)大語(yǔ)言模型（LLM）的應(yīng)用主要應(yīng)用于我行運(yùn)維任務(wù)上，采用多agent的模型對(duì)我行的專有數(shù)據(jù)進(jìn)行訓(xùn)練形成一個(gè)個(gè)“專有任務(wù)大模型”，可以進(jìn)行分散風(fēng)險(xiǎn)。
2）各領(lǐng)域?qū)＜姨峁?shù)據(jù)和模型校驗(yàn)功能讓模型更準(zhǔn)確。在大模型選訓(xùn)練和應(yīng)用方面主要采用專家提供的數(shù)據(jù)和樣例進(jìn)行模型訓(xùn)練，并采用強(qiáng)化反饋（RLHF）的方式讓智能運(yùn)維機(jī)器人更加專業(yè)化和持續(xù)學(xué)習(xí)能力。
4、開源軟件漏洞風(fēng)險(xiǎn)
開源軟件漏洞風(fēng)險(xiǎn)是指智能運(yùn)維機(jī)器人會(huì)用到包括大模型等多個(gè)人工智能開源技術(shù)，這些開源軟件在行內(nèi)應(yīng)用將面臨開源軟件引入的各種風(fēng)險(xiǎn)。從風(fēng)險(xiǎn)控制上一方面讓行內(nèi)風(fēng)險(xiǎn)管理和開源軟件管理的專業(yè)人士進(jìn)行評(píng)估并做積極引入，另一方面要經(jīng)常關(guān)注開源軟件的各種版本和漏洞發(fā)布情況，及時(shí)進(jìn)行漏洞修復(fù)和版本升級(jí)。
五、總結(jié)
本文智能運(yùn)維機(jī)器人的探索實(shí)踐是基于我行運(yùn)維算法實(shí)驗(yàn)平臺(tái)進(jìn)行自主研發(fā)的，建設(shè)過(guò)程中涉及NLP、Transformer、大模型等算法模型，是一款以我行即時(shí)通訊平臺(tái)為交互入口、以智能運(yùn)維為業(yè)務(wù)場(chǎng)景、完全自主研發(fā)的智能化運(yùn)維產(chǎn)品。
未來(lái)，隨著大模型能力的迭代與場(chǎng)景的深化，智能運(yùn)維機(jī)器人將在變更風(fēng)險(xiǎn)分析、AI告警分析、故障決策推薦、預(yù)測(cè)性維護(hù)等領(lǐng)域發(fā)揮更大價(jià)值，為銀行業(yè)務(wù)連續(xù)性與安全運(yùn)營(yíng)提供更強(qiáng)支撐，助力運(yùn)維質(zhì)效提升。
