首先我表达个人观点,运维数据统一治理并非自动化的先行条件,需要先把运维数据概念的定义以及自动化运维的覆盖范围厘清。我更倾向于配置管理是自动化运维的先决条件。先说说对运维数据的理解,我所认为有几类,一类是描述生
机器学习的基础是数据,数据的完整性、可靠性、及时性都是需要关注的问题,也就是数据治理,这是任一个基于数据的应用都需要做的,而且可借鉴的经验相对少。二是数据标签的准确性,数据都存在各种特征点,如何做好特征标记,是让机
应用的代码级问题在生产上主要关注的是发现,题主也提到了探针,这是一种很好的方式。还有一些开发规范的约束,日志的集中分析、交易报文的分析都可以作为代码问题发现的一种手段,更好的利用运行数据,做一些监控部署,同时利用
智能化运维狭义上解释是运维的智能化,现阶段运维过程中很多重复性工作可以用机器替代手工,也即日常所说的自动化运维,是需要人一个个场景去自动化,智能化是在自动化基础上更进一步,有些场景可以利用人工智能技术来解决人力
传统企业在自动化运维实施过程中都会面临一些历史包袱问题,个人建议标准化必须做,在自动化实施前应设立一些原则,如标准化、参数化、脚本化等,并制定一些规范,以指导实施。具体在实施过程中可以遵循系统新建、重大改造时必
自动化平台的建设和使用的安全问题一直是一个焦点话题。平台有自身可靠性问题和外部使用风险控制问题。使用风险控制可以有以下几个措施:在平台建设中要考虑权限控制,严格控制平台使用人员的各类权限,功能使用权限、数据
在我的理解运维工作量大更适合于自动化来解决。ai是解决分析决策效率问题,自动化是解决操作效率问题。aiops应该基于数据,发掘数据,发掘数据价值。手眼心脑,数据是心脏供血,监控是眼发现问题,ai是脑分析决策发指令,自动化是
从我们目前的实施应用情况来看,自动化运维工作在基础平台搭建完成后,更多的是脚本开发能力,从初期来看需要关注各类脚本的编写能力。同时,自动化运维后需要运维人员对方案制定与评估更为审慎,那么对业务系统架构与关联分析
个人浅见,技术发展过程中必然会有一些先驱探索,智能运维、自动化运维、传统运维之间并无很明显的界限划分。就我们情况而言,自动化运维并未发展到完全成熟的阶段,也已经在监控领域探索一些智能化的衍进,比如对于海量告警的
个人建议专业的人做专业的事,能够各个专业领域通达兼济是难得的。从传统企业来说,自动化运维的建设需要一个团队或者多个团队协作,而且也应该将各方面力量拉拢一起做这件事。从自己熟悉的专业领域做起,了解日常工作中重复
关于TWT使用指南社区专家合作厂商入驻社区企业招聘投诉建议版权与免责声明联系我们 © 2024 talkwithtrend — talk with trend,talk with technologist京ICP备09031017号-30