矛盾是事物發展的源泉和動力。運維中的矛盾無處不在，既有來自業務與技術的矛盾，也有來自開發和運維的矛盾，還有來自數據中心內部的矛盾，解決這些矛盾只能靠發展。
一、安全生產
數據中心的主要職責是安全生產，圍繞著安全生產有三個目標：
2.1高可用架構：高可用的IT基礎設施可以確保應用系統的可用性與連續性，包括：應用集群、系統熱遷、數據庫集群、存儲複製、物理備份等。
2.2高效運維：圍繞著高可用架構，進行一些列高效運維工作，包括：資源供給、應用部署、日常變更、故障處理、數據治理等。
2.3 節約成本：在滿足高可用和高效的前提下，儘量節約成本，包括資源優化、性能優化、以及減少成本不敏感的資源浪費。
二、高效運維
主要涉及如下四個方面工作：
2.1資源供給：之前是針對每次資源申請，運維人員都得把機器上架、系統安裝、存儲配置、網絡配置等一系列流程跑一遍，涉及各個專業的人工協同，小企業人少，一個兩個人搞定一切，大企業專業分工明確，這些工作需要多人協同，效率無法保證。現在是通過雲計算來提升效率，主要是池化和自動化，池化是指提前準備一批資源，避免每申請一次就得準備一次，自動化是指通過自動化的流程去串接各個專業條線，避免溝通成本和低效的手工操作，提高了效率和人員安全。
2.2應用部署：之前是開發完交付給測試、測試完組織投產、投產完開展運維，不同階段的人員相互割裂，應用發佈部署效率低。現在通過DevOps提高效率，DevOps強調持續CI/CD，通過CI實現開發到測試的持續集成測試，通過CD實現開發到運維的持續系統部署，通過CD實現技術到業務的持續價值交付。
2.3變更管理：之前是人工配合一些工具腳本，無系統化思維能力，往往只見樹木不見森林。現在是通過雲提升系統外變更效率，通過自動化工具（例如Puppet和Ansible）提高系統內變更效率。
2.4故障處理：之前是接到監控告警，各專業分析根源，執行應急預案，但是存在很多問題，例如：缺乏故障預測、誤報漏報、分析慢、無法自愈。現在是通過AIOps解決，實現故障預測、故障檢測、根因分析、故障自愈，儘量減少人工參與。
三、智能運維（AIOps）
IT運維經歷了三個階段，即人工運維、自動化運維、智能運維（AIOps）。人工運維是指人工配合腳本。自動化運維是指系統工具的自動化，決策在人，執行在機器。智能化運維是指決策的自動化，決策在機器，執行也在機器。決策在於推理，推理依賴於規則，現階段，規則是可編程的稱為自動化，規則是可學習的稱為智能化。
3.1 AIOps定義：AIOps是指基於已有的運維數據（訪問關係、監控告警、日誌），採用數據分析和機器學習方法，提高運維決策能力，解決自動化運維無法解決的問題，進一步提高運維效率。AIOps的價值不僅在於提供智能運維決策，也在於實施過程中，對已有的基礎架構、應用關係、監控告警、日誌數據等進行梳理，實現真正的精細化運維。當然，AI算法的侷限性、場景的多樣性、數據的複雜性，決定了AIOps是人力密集性、過程的曲折性，也決定了AIOps不能解決全部問題，需要人機協同和知識圖譜，才能發揮AIOps最大價值。
3.2 數字化運維：信息化是把手工流程變成線上流程，數字化是把物理對象抽象為數字對象，通過大數據分析和機器學習算法挖掘數據的價值。大數據主要通過大量多樣數據的分析，挖掘數據的價值，會使用到一些機器學習算法，機器學習主要強調決策的自動化，依賴的基礎也是數據，可以說，大數據分析基礎，AI是目標態。AIOps是運維數字化的直接體現。
3.3 AIOps場景：一是質量方向，主要是異常處理，包括異常預測、異常檢測、根因分析、故障自愈等。二是效率方向：主要是預測，包括批量預測、容量預測、交易量預測等。三是成本方向，包括資源優化、性能優化等。
3.4算法為尊：
現階段的AI得以發展，得益於算力、算法、數據的共同改良，算力是通用的，場景決定數據，數據決定算法。往往不同的場景有不同的數據，即使同一個場景的不同環境也有不同數據，這就決定了數據的適配性、算法的多樣性。
AI算法：機器學習算法，按標註可以分為監督、非監督、半監督、強化；按用途可分為分類、聚類、迴歸、降維；按照方法可分為統計學、傳統機器學習、深度學習等。其中，統計學（例如：正太分佈、均衡分佈）要求數據必須滿足某種分佈，在異常檢測領域用的多，包括運維領域的故障處理、金融領域的反欺詐、工業領域的殘次品檢測。傳統機器學習（例如：kmeans、隨機森林、支持向向量機、貝葉斯、決策樹、馬爾可夫等），雖然對數據要求弱一些，但對場景依賴強，即使是同一個場景的不同環境，也需要不同模型，在數據分析領域用的比較多。深度學習（深層神經網絡，例如：CNN、RNN）對數據要求高，因為更多的數據才能訓練出更深的神經網絡，更深的神經網絡抽象表達能力更好，也就決定了場景適應能力越強，主要是用在圖像技術、語音技術、自然語言處理三個通用技術領域。
AIOps算法：做異常處理時，主要是概率分佈和聚類，分類比較少，因為GT少。做預測時，可以是多維的線性迴歸模型，線性迴歸簡單，但魯棒性差；也可以是基於深度學習的非線性模型，一則對數據要求高，二則需要監督學習；還可以是傳統的貝葉斯模型，但預測效果一般。
3.5方案為王：學術界研究通用問題，尋找更優的算法，工業界除了需要解決通用問題，還需要解決更多的個性化問題。甲方和乙方經常不在一個頻道上，乙方主打算法和產品，甲方確需要解決方案，解決應用場景中的痛點，這中間需要乙方設立解決方案部門，熟悉甲方各種套路。算法的價值在於解決問題，在算法、產品、解決方案、應用場景、產生價值整個週期中，算法僅僅是個開始，研究新算法，解決通用問題，固然很重要，利用已有算法，解決個性化問題，給出完整解決方案，才是關鍵。
3.6非零基構建：AIOps是在現有基礎架構之上構建的智慧大腦，依賴於現有的眼（應用訪問關係、監控告警、日誌）和手（雲和自動化工具）。眼數據主要有：應用訪問關係，基礎架構成熟的企業，積累了應用訪問關係，不成熟的企業，需要藉助AIOps進行梳理；監控數據，包括設備監控數據、網絡監控數據、系統監控數據、平臺監控數據、應用監控數據、業務指標監控數據，這些都是結構化的時序數據；日誌數據，非結構化的數據，每個系統都有自己的日誌數據，不便於統一分析。手主要分為外手和內手，外手主要是在系統在外側操作，可以通過雲平臺（IAAS和PAAS）實現，內手主要通過自動化工具實現，例如無代理的Ansible和有代理的Puppet。AIOps就是基於現有的眼數據，進行分析、推理、決策，然後使用現有的手進行運維。
四、監管之劍
監管要求的安穩態是把雙刃劍，一方面確保了業務的安全穩定運行，另一方面卻阻礙了技術創新。以金融行業為例，強調嚴管控，嚴格遵守ITIL標準流程（發佈管理、配置管理、變更管理、問題管理、事件管理），追求安穩態。然而，技術創新，無論是雲計算、還是DevOps、還是AIOps，都在追求敏捷態，這往往挑戰了監管要求。在監管面前，一切違反監管要求的做法都是一票否決。我們可以在現有的監管框架內尋求折中，例如，在嚴格遵守ITIL的嚴管控流程的同時，把人工流程全部優化為自動化流程，但這會偏離技術創新的原有初衷。解鈴還須繫鈴人，監管需要為技術創新改變。
五、結束語
真理都是簡潔的，但發現真理的過程往往是且複雜且曲折，這也是AI的魅力所在，我們相信，在學術界和工業界的共同努力下，AIOps終將展現出真理的一面。
