數據中心技術包括云計算、內部部署技術和IT管理方法的組合而成。IT運營團隊正在努力適應這一新現實，并應對其帶來的日益復雜的問題。人們可以從新聞報道中了解到，越來越多的停電和停機事件使銀行和金融服務癱瘓、強迫機場停止運營、影響了醫療的可用性。因此AIOps的出現，解決了這些問題，那么AIOps發展趨勢如何？

　　第一個趨勢就是AIOps落地的多樣化，這個結論是基于我通過多種渠道采集到的信息。我們自己有一個公眾號“智能運維前沿”，馬上要突破10000個用戶了；我們還有一個超過千人AIOps群，已經成功舉辦了兩屆AIOps 挑戰賽，我一年中會到幾十家各行各業機構去進行現場交流。從上述多種渠道采集到的信息清楚表明：現在開始落地AIOps的，除了互聯網公司、銀行以外，證券、保險，電力、運營商、工業制造、國家機關、自動駕駛公司也都在嘗試AIOps落地。

第二個趨勢是AIOps產業生態化。各個行業都在試圖嘗試落地AIOps，給AIOps方向提供了一個很好的產業基礎。“產、學、研、用”各方也都在積極跟進，形成了一個AIOps生態系統。在這個生態系統里，專業的人負責專業的事，有越來越多的學術機構從事AIOps原理研究；由機構用戶負責提出實際需求，由有預研能力的廠商把AIOps原理上的突破變成實際落地效果；有負責數據采集、接入、存儲等的廠商，還有負責集成、交付、維保等的廠商。也就是說，“學、研、產、用”幾方專業分工，通力協作。AIOps產業生態化在AIOps落地過程中是一個重要的里程碑，會大力推動AIOps的更快落地。

第三個趨勢是AIOps數據多樣化。數據中心的系統物理架構和軟件架構都非常龐大復雜。因此我們必須采集、治理、融合多種運維數據源、從中提取對運維最有用的信息，幫助我們了解數據中心最新最全的運行狀態, 從而為AIOps的眾多場景服務。因此我們說AIOps數據多樣化是必然趨勢。

　　第四個趨勢是AIOps場景多樣化。下面羅列了一些我們與合作伙伴合作、交流時遇到的具體場景。我們分成幾個大場景：即異常發現、事件發現、事件分析、系統畫像、圖譜豐富等。每一個大場景會包含很多的具體場景，比如“事件分析”大場景就包括“異常機器定位”、“交易鏈條定位”、“多維度異常定位”等多種類型的事件分析。也就是說，當用戶認識到AIOps能實際幫助到運維的時候，會自發與生態系統中的伙伴共同找到越發多樣化的AIOps場景。

第五個趨勢是AIOps場景精細化。異常檢測（也就是通過分析監控數據自動發現運維故障）就包含單指標異常檢測、多指標異常檢測、多維度異常檢測、日志異常檢測等等。而單指標異常檢測在檢測業務、機器、網絡、數據庫、存儲系統、批處理的異常時，其場景和檢測側重點會有所不同，因此需要針對精細化的具體場景進行AIOps異常檢測算法的適當調整或適配。

為了避免AIOps場景多樣化和精細化導致的落地工作量增加，我們必須把各類場景用到的AIOps算法共性部分抽象提煉出來作為公用模塊，為多個場景服務。如下圖所示，從日志數據測量出的指標數據的異常檢測，就可以復用單指標異常檢測這一算法模塊，并且這一算法模塊已經服務化，即可以通過API直接調用。所以我們說的第六個趨勢就是AIOps算法服務化，提升了效率，讓整體服務得更好。

在AIOps場景多樣化、場景精細化、算法服務化的前提下，第七個趨勢，即AIOps技術平臺化也就水到渠成了。AIOps技術平臺化打穿多個場景、多個數據源、多個算法。如下圖所示，上面輸入的是各種運維監控數據，輸出的就是我們所需要的各種運維智能，中間是各種服務化的AIOps算法。不管具體的某個運維場景有什么樣的特點，我們都可以通過整體平臺進行自由組合和編排，從而高效落地該運維場景，避免傳統方法的重復低效落地。

這也就引出了第八個趨勢：AIOps新算法落地加速化。

以往一個新算法研制出來后，需要大量的工程工作配合才能讓新算法產生實際效果。有了平臺化之后，只需要通過編排把該新算法、新算法所需數據、已有工程工作“串”在一起，就能夠快速落地。比如做了一個0day攻擊檢測算法ZeroWall，我們在一家具體機構進行嘗試的時候，一周內捕獲28種0day攻擊，每天捕獲上萬條0day攻擊，每天誤報數0到6個。如果按照以往方法，我們要花大量的時間去做ZeroWall的落地工作，而有了AIOps平臺化， ZeroWall的落地工作就快了很多。

在過去半年期間，各個行業的合作伙伴都提出了AIOps成熟度評估標準化的需求，而銀保監會、證監會、人行、工信部相關領導也都表示會支持。這個事情我也已經著手聯合各方開始做，預計一兩年的時間才能做出一個切實可行的標準。

AIOps發展趨勢如何通過上述介紹，相信大家已經知曉，想了解更多關于AIOps的信息，請繼續關注中培偉業。