智能运维发展现状与挑战
当前智能运维主要依赖AI方法，包括异常检测、告警识别、聚类、关联告警压缩、贝叶斯优化、容量预测、日志文本抽取、故障分类、调用链图挖掘等，但存在缺乏多维数据视角、CI准确性不足、重模型轻数据、数据质量不高的问题。
智能运维实践金字塔
智能运维实践的核心是数据，数据质量是关键，业务规则与经验是重要组成部分，算法模型是最强大脑。数据占比50%，数据质量占比25%，业务规则占比20%，算法模型占比5%。
智能运维发展路线
智能运维发展路线为自动化、集中化、数字化、智能化，以业务价值为导向，以知识图谱为核心，提升基于AI的推理与决策能力。
数据中心智能运维建设路线
数据中心智能运维建设路线包括运维数据基座、智能算法、KGOPS智能场景，通过制度、流程、工具的优化，实现运维数据标准化、统一管理、工具集成、数据可视化，最终走向智能运维。初创型、发展型、成长型企业可根据6个月到N个月的时间规划实现全面智能运维。
KGOPS产品介绍
KGOPS是基于人工智能和大数据技术的智能运维工具，专注于解决运维数据集中化、数字化、智能化问题，主要应用场景包括CMDB关系发现与质量检核、应用全景资源画像、变更影响分析、智能监控与告警抑制、故障根因分析定位等。
KGOPS在运维系统中的定位
KGOPS位于运维系统核心，连接硬件、OS、中间件、应用等层，与运维数字门户、IT服务管理、自动化平台、系统监控工具、数据库监控与分析工具、服务支持、服务目录、服务请求管理、知识管理、自助服务、日常运行管理、供应商管理、外包管理、中间件管理、工具巡检工具、数据分析平台等集成，实现数据融合与智能分析。
KGOPS数据基座效果收益
KGOPS数据基座通过智能关联、智能检核、图谱可视化等功能，实现存量数据自动生成关联关系、自动发现数据异常、统一视图查看各类数据，提升数据质量，效果显著。
KGOPS智能化场景预期效果收益
KGOPS智能化场景包括基线比对、故障根因定位、变更影响分析、智能告警压制、网络拓扑分析等，通过提升基线数据准确性、精准定位故障点、智能推荐变更影响范围及程度、提升告警信息准确性、辅助提升网络故障定位速度等，实现运维效率提升。
KGOPS最佳实践
KGOPS最佳实践包括数据治理展示——智能关联，实现各类数据关联，提升关系网络数据治理能力；数据应用示例——应用全景视图，实现故障分析及定位，降低纠错时间；数据应用示例——应用故障根因定位，通过多维立体查找，快速定位故障根因；告警抑制案例，通过组合模型+业务召回规则的方案，对告警数据进行压缩，压缩比达到5%。
AIOPS的场景讨论和共建
AIOPS的场景包括故障预防、故障发掘、根因定位、故障自愈、事故分类、文本分析等，通过分类任务和AI方法，实现智能运维的全面应用。
Zabbix开源社区支持体系
Zabbix开源社区提供全程免费的支持体系，包括每天社群交流、每周每月每年每个LTS全程免费、99元/年/12节干货发文专家答疑在线课、技巧放送峰会等技术交流会、中文使用手册、中文图书、小额众筹等，以及从入门到精通的支持体系，包括在线课程、认证培训、方案咨询、实施和订阅等，满足不同用户的需求。
