KGOPS助推智能运维发展-邢怀康

智能运维现状与挑战

• 现状：现有的智能运维解决方式包括AI方法、数据场景目标指标异常检测、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、微服务故障定位等。
• 存在的问题：缺乏多维度数据视角，CI准确性不足（低于95%），重模型轻数据，数据质量不高。

智能运维实践

• 数据的重要性：数据是智能运维的核心，业务规则与经验用数据表达，算法模型是最强大的大脑。
• 数据占比：数据占50%，业务规则占20%，算法模型占25%，KGOPS智能检核占20%。

智能运维体系与发展路线

• 发展路线：从自动化、集中化、数字化到智能化，全自动化运维，基于AI的推理与决策提升，以业务价值为导向。
• 建设路线：智能运维数据基座、智能算法、KGOPS智能检核、KGOPS智能关联、运维数据服务数字门户。

KGOPS产品介绍

• 产品定位：基于人工智能和大数据技术构建的智能运维工具，解决运维数据集中化、数字化、智能化的问题。
• 主要应用场景：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数据基座效果

• 收益：自动发现数据关联，降低数据噪音，算法识别相似节点，新增通用关联图谱查询接口。
• 功能模块：智能关联、自动发现数据异常、智能检核、图谱可视化、统一视图工作台。

KGOPS智能化场景预期效果

• 基线比对：提升基线数据准确性，简化基线排查工作。
• 故障根因定位：智能推荐变更影响范围及对象，提高故障定位精度。
• 变更影响分析：智能推荐变更影响范围及影响程度，降低变更风险。
• 智能告警压制：提升告警信息准确性，减少告警风暴。
• 网络拓扑分析：提升网络故障定位速度。

告警抑制案例

• 背景：应用系统运行质量监控，大量告警数据导致运维困难。
• 步骤：分类模型压缩告警，聚类模型进一步压缩。
• 效果：压缩比达到5%，假阴性样本为0。

AIOPS的场景讨论和共建

• 分类任务：包括故障预防、软件缺陷预测、硬件故障预测、系统故障预测、异常检测、故障定位等。
• AI方法：涵盖线性拟合、树模型、支持向量机、马尔科夫模型、神经网络等多种方法。

Zabbix开源社区支持体系

• 支持体系：从入门到精通，提供在线课程、认证培训、方案咨询、实施和订阅等服务。
• 价格：不同需求有不同的价格选项，适合不同规模的企业。

以上是对研报主要内容和关键数据的总结。