11月16日，OFweek第七屆人工智能產業大會暨行業年度頒獎典禮在深圳舉辦。深信服AIOps技術憑借在人工智能領域的實力和優勢，獲得維科杯 · OFweek 2022 人工智能行業“技術突破獎”。當天，深信服高級研發技術專家易佳受邀出席大會，發表《桌面云場景下的AIOps技術實踐》的演講，介紹了桌面云運維遇到的挑戰，以及如何利用AIOps簡化桌面云運維等內容。
↑ 人工智能產業大會現場
桌面云運維面臨諸多挑戰
近年來，由于疫情多發等原因，桌面云已經成為企業數字辦公的首選方案，但在實際使用過程中，也面臨第三方軟件兼容性、藍屏、木馬、應用卡慢、響應延遲等問題，這些問題的背后暴露出來的可能是私有云資源不足、硬件故障難以定位、網絡故障等深層次問題。
↑ 桌面云運維的挑戰
為此，深信服提出了AIOps 智能運維一體化技術方案。該方案通過采集桌面云的日志、鏈路和指標數據，執行故障預測、異常檢測、關聯推理等算法，為用戶提供智能分析服務。
“AIOps的數據采集引擎基于Golang實現了插件化探針，支持采集Windows、Linux、Docker等多類指標數據，可以跨平臺、多應用地進行動態采集，也支持Prometheus協議和導出，在數據采集上實現了高效和可擴展。”易佳補充。
歷經三次迭代，打造更優運維體驗
易佳介紹，隨著用戶訴求和用戶體量的的不斷變化，深信服AIOps數據模型與AI框架演進了三個版本。
第一個版本適用于小規模用戶，是一套輕量級監控分析系統，支持時序數據、告警數據、統計分析和容器化部署，也支持主機、虛擬機數據采集做簡單AI分析，但是DB/存儲與業務耦合嚴重，算法效果難保障，難以支撐大規模虛擬機接入。
第二個版本是輕量級AIOps引擎，支持OpenAPI和數據統一調度，引入緩存機制，實現了存算分離。但OpenAPI、Requests Handler和Prometheus容易遇到瓶頸，導致體驗欠佳。
從第三個版本開始，深信服打造了全棧的AIOps引擎。在該版本中，面對數據上報的性能瓶頸問題，抽象數據接口，實現Requests Handler負載均衡;其次是設計了投遞分級，內存磁盤雙對列的模式，為低優先級數據設立單獨通路，可以優先保障高優先級數據入庫;同時，設計了多級分表，優化了數據結構，這樣可以保留橫向擴展能力。
另外，為了平衡實時性與準確度，減少重復數據，AIOps可以按采集指標區分不同采集周期，例如設定10s采集一次CPU，20s采集一次memory;服務器型號、磁盤大小等靜態數據盡量只采集一次。
最后，針對多維異構數據進行了冷熱分層處理，冷數據存檔供AI離線分析和模型訓練，熱數據實時監控和展示。
在AI算法方面，易佳介紹，“桌面云AIOps算法包括基于bagging策略的分段線性回歸算法、基于網格搜索的縮擴容模型、基于資源約束算法和貪心策略的虛擬機新增模型、基于時間序列特征提取和隨機森林的閑置資源識別模型等”，基于這些算法，最終形成了包含AIOps算法、AI調度決策、OpenAPI、數據管理、服務化等功能在內的AIOps基礎結構。
AIOps 實踐與落地效果
易佳表示，AIOps可以快速識別出卡慢故障等異常問題。通過引入50多個規則、采集800多個維度數據，實現20多個機器學習算法，診斷出30+核心卡慢場景。AIOps的監測分析能力已經能夠全方位地支撐大盤、集群、主機、虛擬機、網絡、存儲、應用軟件全棧監控與分析。
在算法效果上，桌面云卡慢/故障異常檢測準確率達到87%。實施卡慢緩解建議后，約有47%的問題能夠得到明顯緩解，AIOps的智能診斷能力，可以覆蓋桌面云65%的已知資源卡慢問題。
易佳最后總結，AIOps未來會增加更多的反饋和模型的自更新機制，實現多業務場景的覆蓋。同時，基于業務畫像和運維知識圖譜，實現精細化故障診斷，打造讓用戶滿意的產品體驗。
