产品经理对智能运维的认知

上一篇分享了对于时序预测的认知，时序领域另外一个重要的应用，就是在运维领域比较常见也是近年来比较火的概念「智能运维」，常用的技术是异常检测。本篇以异常检测场景切入，谈谈对智能运维的的认知。

异常检测的价值

在上家公司时，数据分析基本功能做到一定程度后，公司希望做更多智能化的功能作为卖点，异常检测场景是除了预测外，另外一个呼声比较高的能力。当时作为数据分析工具，很多客户会把一些关键业务指标监测起来，当超过一定阈值时，能够发到邮箱报警，便于及时发现业务问题，降低损失。

其实大部分运维场景，都会对关键指标进行监控，以便能够及时发现问题，避免造成客户或用户使用障碍和业务损失。但不同运维场景，所需监测的指标和标准完全不同，这就导致运维人员会花费大量时间手写代码规则，但仍无法很好解决业务监控的问题。

更进一步，即便运维规则写的很好，运维人员往往也会提心吊胆生怕会随时有报警，需要时刻准备处理问题。以前就有负责推荐系统的朋友，经常担心自己的服务挂掉，而影响休息。因此除了及时发现问题外，如果能提前在问题出现前就解决问题，就是更佳的解决方案了。

智能运维解法

近年来比较火的智能运维概念，为以上问题提供了部分的解法。采用机器学习的异常检测方法，能够将异常点、异常集合、异常周期很好识别出来，而这些通常人为定义规则是比较难的。再结合根因下钻算法，通过下钻搜索的方法，将造成异常的主要原因自动查找出来，大大降低了运维排查问题的时间。再通过数据积累，根据一些数据特征输入，对某些异常做预测，达到防患于未然的效果，即预测性维护。

智能运维的理念，对业务正常运行产生多方面的价值。首先，解放了运维人员，通过算法自动找出异常和原因，省去了运维人员大量写规则和排查原因的时间；其次，降低了业务直接损失，及时发现甚至提早发现问题，能够有效降低业务损失，例如运营商、互联网、电力，问题如果能及时或提前发现，就能保证服务联系性和稳定性，用户满意度就有保证；最后，降低了维修成本，及时发现或提早发现问题，维修人员和维修设备就可以提前准备，提前做相关物料的调度，避免带来额外的货运或库存成本。

以上，不难发现，智能运维的理念，实际是能够实现运维领域的全方位降本增效。

智能运维落地

在上家公司落地异常检测问题时，遇到客户异常检测需求不复杂，且对异常阈值定义不同，很难通过一套通用算法解决所有问题。因此必要的手工配置虽然不那么智能，但对于落地却有其重要。

对于不同行业或场景落地智能运维需要考虑：充足的数据、足够的业务输入、高准确率与高时效性。

充足的数据既是指构建智能模型有足够的数据量，也是指能够将具有相关和因果关系的数据，尽量的提供出来。在实际生产过程中，做到这一点并不容易。因为大量的数据，就意味着大量的异常，而如果存在大量异常，大部分情况应该是产品生产不合格。相关和因果关系的数据，也往往属于可遇而不可求，在上智能运维算法前，大量的场景并没有收集数据，或者即便收集了数据，数据质量也不高，无法支撑作为智能运维的输入。

足够的业务输入，是指需要业务上对异常情况和导致异常的原因尽可能的做输出。不同行业不同场景，甚至同一场景不同指标对异常的定义，往往不同。这就需要有相当的异常检测业务知识输入，以便于了解如何构建异常检测模型和对异常情况进行分类。拿电商GMV举例，一年不同时间点GMV都不同，有没有搞促销GMV范围也会不同，因此很难通过构建简单的模型定义异常，而是需要不断有业务上的输入，更新异常检测的判断标准。

做智能运维本质上希望降本增效，以更低成本，达到更好的运维效果，使运维全链路更加高效和低成本。如果不能及时高效的检测出异常，那智能运维存在的基本价值就没有了。同样地，如果非异常报错或异常不报错频繁发生，也达不到降本增效的效果。高准确率是与高时效性伴随而生的刚需。