银行业AIOps应用现状研究

字数 4198阅读 6762评论 8赞 4

内容摘要：

商业银行面临IT运维困难和挑战，AIOps应用能够提高运维效率和质量，降低成本，支持数字化转型。AIOps建设分为三个阶段：准备阶段、面向应用阶段和进一步发展建设阶段。商业银行的AIOps建设主要以监控系统智能化、日志系统标准化、规范化为出发点，逐渐开展智能运维分析场景建设。前期工作包括运维数据治理和业务梳理。

当前摘要为AI生成

## **1、背景**

随着业务创新以及分布式架构、微服务、大数据、人工智能等技术演进，使得银行业IT运维面临软硬件数量激增、应用和架构复杂化、变更频繁、调用链显著增长、运维数据井喷等困难和挑战。
![](/home/attachment/202403/07/1231213_170981034961788.png)

运维技术在各行各业的重要性越来越高，特别在商业银行使用更广、更深，由于商业银行数字化程度越来越高、系统规模越来越大、组件监控粒度越来越细、监控数据量越来越大以及新技术和新组件的不断引入，这些导致运维越来越难做，运维工程师也被海量高速的运维监控数据所淹没。
 
## **2、为什么需要AIOps？**

AIOps是基于海量数据的采集与治理（数据化）、AI算法的深度应用（智能化）和端到端的自动化打造平台化的智能运维目标,实现全景监控与自动化、智能分析与决策、故障自愈与无人值守。AIOps的优势是有利于知识和经验的积累。在智能运维体系中，运维人员在角色转变的同时也实现了技能提升，从最初的人工运维，到部分自动化+数据分析，实现数据驱动的IT运维，最终走向高度数据化、高度AI下的完全自动化+运维专家模式。
 
 随着新质生产力的发展、数字化转型的持续推进，现代数字业务需要监控和管理的系统变得更加复杂、更加分散，需要AIOps 工具来实现跨 IT堆栈的持续洞察，同时这种洞察力变得越来越重要。随着商业银行数字化转型的加速，IT系统产生的运维数据量呈现爆炸式增长，传统的运维方式难以应对海量数据的处理和分析，需要AIOps利用人工智能技术对数据进行自动化分析和处理，提高运维效率；现代IT环境由云化、容器化、微服务等多种技术构成，系统复杂性大幅增加，AIOps通过智能算法和机器学习技术，能够更好地识别和管理这种复杂性；AIOps可以自动关联和分析来自不同来源的事件，快速定位故障原因，同时，通过对历史数据的学习，AIOps能够预测系统潜在的问题，实现主动预防；AIOps可以实现故障的自动化响应和处理，减少人工介入，缩短故障恢复时间（MTTR），提高系统的稳定性和可用性。总之，AIOps的引入对于应对当前IT运维挑战、提高运维质量和效率、降低成本以及支持商业银行的数字化战略具有重要性和必要性。
 
## 3、 **同业AIOps建设情况调研**

以下是针对根据已发信息，针对体量巨大的家大型银行AIOPS建设情况进行了信息整理，包括建设背景、平台建设、平台建设、应用场景以及运维生态等，详情如下：
 
|   |   |   |   |   |
| ------------ | ------------ | ------------ | ------------ | ------------ |
|     | 智能运维建设情况 | 运维组件 | 运维数据 | 运维生态 |
| 某大银行1 | 建设背景：2019年起，运营中心践行金融科技战略，以项目群的方式启动了智能运维体系建设，目前主要是在数据中心私有云平台重点投入建设，包括在创新处以及应用处两个部门进行推广。公有云平台目前正在规划智能运维的建设，以龙舟云运维智能化方向为主。平台建设：建设数据平台及算法平台，加强数据采控及集中管理能力，夯实数字化底座。场景建设：以运维数据为基础，实现指标异常检测、日志异常检测、精准告警等基础运维数据分析场景，同时结合业务实现业务健康监测、业务影响分析等综合场景，初步建成了具体感知力、控制力、决策力的企业级智能运维体系。 | 运维组件平台化 集中采控 精细化自动运维场景 | 龙舟运维大数据平台 | 搭平台、做场景 运维工具生态与运维生态并存 |
| 某大银行2 | 建设背景:建设全行统一的“运维数据分析平台”，形成容纳海量运维数据的运维数据集市，解决运维数据存储不集中、数据不规范等问题；构建全行运维数据统一分析平台，推进运维数据应用的深度和广度，实践智能监控、智能运维等AIOps分析场景，为信息系统建设战略提供决策依据，为该行信息化转型提供动力。平台建设：建立统一的运维数据集市，集中采集运维数据入库，对数据模型统一管理，并进行数据的标准化治理。应用分析场景建设：以运维数据为核心，打通一体化生产运维平台体系内的关联系统，如监控平台、操作平台、管理平台、统一门户和配置中心，建设智能分析应用场景，包括异常检测、性能分析、趋势分析、故障诊断以及系统画像等场景。 | 已构建统一采控支撑其运维中台 尝试流计算实现监控性能瓶颈 加速丰富配置消费场景 | 已建立持续运维数据治理策略 | 2018年筹划运维服务一体化能力建设，建立运维场景应用生态 ，2019年10月由科技与产品管理局牵头启动一体化生产运维平台体系建设工程 需求场景化，2020年全年上线了22个大运维场景 通过场景建设，逐步实现“5分钟异常发现、10分钟故障定位、20分钟异常恢复”的目标 |
| 某大银行3 | 建设背景:从智能监控的场景开始探索智能运维体系的建设，从传统数据平台到具备实时处理能力的运维大数据平台转型，拉通融合运维管理工具，从整个智能运维体系的建设上实现平台一体化、数据标准化、场景自主化以及运维智能化。整个运维模式实现了从人工、割裂到智能、自动一体的质的转变。平台建设：数据平台的搭建基于华为大数据平台，先后经历了从偏事后分析、报表分析到可实时处理、实时监控预测的运维大数据建设；同步开展运维数据的治理工作，尤其日志平台进行了非常规范化的治理，实现了跨运维、生产、安全、运营等部门全行级数据服务。场景建设：以监控系统智能化、日志系统标准化、规范化为建设初发点，逐渐开展运维数据中心的智能运维分析场景建设。基于业务运维需求从发现问题、定位问题、解决问题的不同环节全面智能化。目前正在建设可观测的全行一体化智能运维平台。 |     | 已建立运维大数据平台，并完成初步数据治理 | 目前已完成智能运维3.0的建设，正在全面建设可观性的统一智能运维管理平台 |
| 某股份制银行 | 建设背景：智能运维的建设源于信创国产化，最早是为了替换Splunk数据分析平台。从17年开始逐步建立运维大数据平台，实现数据清洗及规范化，提升数据查询及实时数据处理能力，为智能运维打下数据基础。专注业务运营分析，建立业务分析模型，通过关联运维数据，为业务整体运营实现实时的运营决策支持。平台及场景建设：打通20多套运维管理工具，建立运维数据中台，实现日志分析与展现、交易特征分析、系统画像、运维内控分析等场景。20年至今在持续治理运维数据，构建支持多中心运行的数据中台，以应用为核心拉通运维数据关联，实时关注业务运维及健康、同时还进行了运营管理、系统健康状态、业务连续性等场景的建设。 |     |     | 始终关注业务，建立业务全方位画像，运维场景持续优化不断改进 |
 
 根据以上四家银行智能运维建设的思路及路线，总结一下 智能运维建设大体可分三个阶段 ： 第一阶段为准备阶段，完成平台搭建、数据治理等基础工作；第二阶段面向应用，梳理业务场景，分析哪些场景可以自动化、如何与算法相结合等 ； 第三阶段是进一步的发展建设，能够实现智能决策和故障自愈。
 
## **4、AIOps应用综述**

1）自动化运维
 
 以变更为例，端到端自动化运维流程包括：屏蔽告警->关闭中间件->下发升级文件->备份数据库->升级中间件->开启中间件->更新CMDB->告警屏蔽解除。自动化运维
 在提高运维效率、减轻运维人员工作量的同时也带来自动化工具失效的风险，需要制定相应的应对策略。
 
 2）基于算法的智能运维
![](/home/attachment/202403/07/1231213_170981037125438.png)

智能运维基于平台化理念，将智能运维算法服务嵌入PaaS，对外以容器的方式支撑上层的不同场景应用，底层为数据交互层，通过机器学习和模型训练进行参数调优。最终呈现的场景是，不同的应用对应不同的容器，算法、参数等打包在容器中。交易期间和非交易期间采取不同的运维方案，进行周期性检测。这种算法的好处是即便数据缺失不全，也可以基于海量历史数据进行训练和回归，从而有效捕捉故障点。在单指标异常检测的实例中，通常有两种情况，一种是对系统进行压力测试，引发系统流量突增；另一种是因系统故障引发的流量陡增或陡降，通过智能算法对系统的流量相关指标分析可以快速、准确判断出导致指标异常的原因并捕捉故障点。
 
 3） 基于CMDB的智能运维管理
 
 CMDB主要功能包括收集信息、分析问题、解决问题。
 
 A、收集信息：通过CMDB运维管理平台收集相关信息，包括服务器、应用程序、网络设备等的配置信息、性能指标、日志等。这些信息可以帮助您更好地了解问题的根源。
 B、分析问题：根据收集到的信息进行分析，找出可能的原因和解决方案。例如，如果发现某个服务器的CPU使用率过高，可能是由于某个应用程序占用了大量的资源导致的。此时可以尝试优化该应用程序或者调整服务器的配置来解决问题。
 C、解决问题：根据分析结果采取相应的措施来解决问题。例如，可以对应用程序进行优化或者调整服务器的配置来解决问题。
 D、此外CMDB还可以用于应用系统的配置管理，存储与管理IT架构中设备的各种配置信息，通过识别、控制、维护，检查各种IT资源，从而高效控制与管理不断变化的IT基础架 构与IT服务，并为其它流程，例如事故管理、问题管理、变更管理、发布管理等流程。
 
## **5、综述**

综上所述，目前商业银行的AIOps建设基本是以监控系统智能化、日志系统标准化、规范化为建设出发点，逐渐开展运维数据中心的智能运维分析场景建设。建设智能分析应用场景，包括异常检测、性能分析、趋势分析、故障诊断以及系统画像等场景。 AIOps建设的前期工作主要是运维 数据治理、业务梳理 ， 数据治理解决数据标准化、准确性的问题；业务梳理是实现业务全流程监控，问题智能定位、诊断的前提 。 另外，商业银行大部分 正在建设可观测的全行一体化智能运维平台。

银行智能运维平台智能化运维 CMDB 数据分析

著作权归作者所有

如果觉得我的文章对您有用，请点赞。您的支持将鼓励我继续创作！

添加新评论8 条评论

smtpclient

系统架构师金电集团
2024-05-07 10:26

早期运维基本都是基于监控告警系统和CMDB系统完成的，相对比较简单直接，但人力投入较大，不知道现在的运维架构发展成什么样了。实现运维数据与算法相结合，做到运维自动化、智能化，应该是运维数字化的发展方向，再高一层的智能决策和故障自愈，估计还需要很长时间的探索。目前有什么好的维数据的智能化分析、智能化决策的算法或解决方案，可以分享学习。