隨著互聯(lián)網(wǎng)、5G、IoT等技術(shù)的飛速發(fā)展，全球大型數(shù)據(jù)中心數(shù)量將以3.6％的復(fù)合年增長率增長，數(shù)據(jù)中心規(guī)模不斷擴(kuò)大，數(shù)據(jù)中心服務(wù)器規(guī)模已經(jīng)達(dá)到10萬級，這不僅需要更多的運(yùn)維工程師，給企業(yè)增加運(yùn)維成本，同時給運(yùn)維工程師也帶來了極大的難度和挑戰(zhàn)：如何及時發(fā)現(xiàn)異常設(shè)備？異常根因是什么？故障是否能自愈？是否能預(yù)測故障？性能趨勢是什么？如何決策？

運(yùn)維發(fā)展歷程：人肉運(yùn)維、自動化運(yùn)維和

早期的運(yùn)維工作，大部分是由運(yùn)維工程師手工完成，這被稱作人肉運(yùn)維。服務(wù)器運(yùn)行狀態(tài)，全靠運(yùn)維工程師每日肉眼查看，進(jìn)行問題定位與解決。自動化運(yùn)維應(yīng)運(yùn)而生，大大提升了發(fā)現(xiàn)異常設(shè)備的效率，降低了運(yùn)維成本。但是，面對故障根因、故障預(yù)測、性能趨勢和控制決策，自動化運(yùn)維力不從心。

Gartner在2016時提出了智能運(yùn)維（Artificial Intelligence for IT Operations）的概念，并預(yù)測到2020年，智能運(yùn)維的采用率將高達(dá)50%。從服務(wù)器運(yùn)維的角度來分析服務(wù)器智能運(yùn)維，目標(biāo)就是通過對帶外信息（配置信息、狀態(tài)信息、性能信息、日志等）和帶內(nèi)信息（配置參數(shù)、性能信息、日志信息）進(jìn)行采集，通過機(jī)器學(xué)習(xí)的方式來解決運(yùn)維問題，提高系統(tǒng)預(yù)警能力和穩(wěn)定性，降低運(yùn)維成本，提高運(yùn)維效率。

異常快速檢測，問題準(zhǔn)確告警

在服務(wù)器運(yùn)維中，異常檢測是根本，常見的有三大監(jiān)控數(shù)據(jù)：狀態(tài)指標(biāo)、性能指標(biāo)和日志數(shù)據(jù)，狀態(tài)指標(biāo)一般誤報率較少，而傳統(tǒng)性能指標(biāo)的設(shè)置閾值，常常某一時刻產(chǎn)生噪點(diǎn)數(shù)據(jù)而產(chǎn)生誤報；對于周期性變化的數(shù)據(jù)又無法進(jìn)行動態(tài)調(diào)整，也常常產(chǎn)生誤報，大大降低了告警的準(zhǔn)確性。日志一般是半結(jié)構(gòu)化數(shù)據(jù)，根據(jù)日志級別產(chǎn)生告警，其準(zhǔn)確性極差，并且只能檢測到已知和確定模式的異常。

浪潮服務(wù)器智能運(yùn)維采用無閾值告警，無需人為設(shè)置閾值，通過對時序數(shù)據(jù)進(jìn)行去噪、升維、方差等處理后，經(jīng)過神經(jīng)網(wǎng)絡(luò)、LSTM、隨機(jī)森林等算法進(jìn)行動態(tài)的學(xué)習(xí)，達(dá)到對監(jiān)控的性能指標(biāo)，自動、實(shí)時、準(zhǔn)確的識別出異常數(shù)據(jù)。對于日志的處理，通過對單條日志的語義識別和日志文件的時序識別方式，經(jīng)過自然語言、專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)等算法進(jìn)行訓(xùn)練或者維護(hù)，從而不斷完善，達(dá)到日志異常的準(zhǔn)確檢測。

故障智能處理，輕松運(yùn)維so easy

智能故障診斷是建立在異常檢測之上，有了準(zhǔn)確的異常檢測，通過綜合各個異常指標(biāo)進(jìn)行數(shù)據(jù)的融合、過濾、權(quán)重等處理，使用神經(jīng)網(wǎng)絡(luò)、SVM、隨機(jī)森林等智能算法，尋找問題根因，給出問題解決方案，使得運(yùn)維工程師能夠分鐘級解決問題。

智能故障預(yù)測是對設(shè)備某一部件的性能數(shù)據(jù)和狀態(tài)的動態(tài)檢測，對原始數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘，尋找特征數(shù)據(jù)建立數(shù)學(xué)模型，使用神經(jīng)網(wǎng)絡(luò)、SVM等智能算法進(jìn)行在線/離線訓(xùn)練，形成預(yù)測模型。在部件發(fā)生故障前，感知故障，從而避免業(yè)務(wù)宕機(jī)，提高系統(tǒng)穩(wěn)定性。

智能故障自愈是指故障確認(rèn)后或者預(yù)測到故障時，無需人為干預(yù)，能夠通過重啟、配置或者一定的流程，使得系統(tǒng)能夠恢復(fù)正常。故障自愈，需要維護(hù)一定的規(guī)則或者對故障進(jìn)行標(biāo)記，經(jīng)過神經(jīng)網(wǎng)絡(luò)、SVM等算法進(jìn)行訓(xùn)練，形成自愈模型，實(shí)現(xiàn)系統(tǒng)的故障自愈。

智能決策，感知未來發(fā)展

浪潮服務(wù)器智能運(yùn)維工具可對服務(wù)器的性能數(shù)據(jù)進(jìn)行預(yù)測，經(jīng)過ARIMA、最小二乘法、指數(shù)平滑、LSTM等智能算法，能夠感知系統(tǒng)在未來幾個小時、幾天或者一年的數(shù)據(jù)的走勢、增長量或者周期性變化等，不僅為人工預(yù)測或者智能決策提供基礎(chǔ)數(shù)據(jù)，還能夠?yàn)闃I(yè)務(wù)系統(tǒng)提供優(yōu)化建議。

浪潮服務(wù)器智能決策是建立在異常檢測、故障診斷、故障預(yù)測、性能預(yù)測等之上，通過建立數(shù)據(jù)模型，經(jīng)過神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)、專家系統(tǒng)等智能算法的不斷學(xué)習(xí)，形成決策模型，無需人為干預(yù)，對服務(wù)器的配置參數(shù)進(jìn)行智能調(diào)整，版本基線的升級/回退等決策，從而達(dá)到系統(tǒng)性能最優(yōu)、異常最少、功耗最低等效果。

例如監(jiān)控服務(wù)器運(yùn)行的性能，在業(yè)務(wù)少的時候，可以將服務(wù)器功耗降低，在集群方式下，甚至可以進(jìn)行服務(wù)器關(guān)機(jī)操作，在業(yè)務(wù)量大的時候，將服務(wù)器性能調(diào)整至最優(yōu)等智能決策。在整機(jī)柜/機(jī)房中，功耗的管理，當(dāng)服務(wù)器都處于滿載時，服務(wù)器的功耗是否超越了整個機(jī)房或者機(jī)柜的最大功耗，超越之后如何進(jìn)行智能決策等。

智能推薦，發(fā)掘無限價值

智能推薦是對平臺大量數(shù)據(jù)的統(tǒng)計、計算、分析和挖掘等處理，建立數(shù)據(jù)模型，通過神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)、最小二乘法、SVM等智能算法，建立推薦模型，實(shí)現(xiàn)對整個數(shù)據(jù)中心進(jìn)行分析和預(yù)測，來指導(dǎo)客戶決策服務(wù)器下架、備件量、擴(kuò)容量、縮容量、采購廠商等。例如某一型號服務(wù)器的故障率過高，維護(hù)費(fèi)用相應(yīng)增高，建議下架，又由于業(yè)務(wù)的增長，需要采購新的服務(wù)器，通過智能算法評估采購量，進(jìn)行推薦。

目前，浪潮依托自身技術(shù)優(yōu)勢，已自主研發(fā)了一系列自動化、智能化服務(wù)器管理軟件集，從服務(wù)器上架、配置、部署、監(jiān)控、故障分析等實(shí)現(xiàn)了全生命周期運(yùn)維管理。其中ISPIM（浪潮物理基礎(chǔ)設(shè)施管理平臺）突破了大規(guī)模基礎(chǔ)設(shè)施智能管理平臺的分布式網(wǎng)格架構(gòu)、高性能數(shù)據(jù)采集框架及智能分析系統(tǒng)、無狀態(tài)管理技術(shù)，實(shí)現(xiàn)大規(guī)模服務(wù)器的全生命周期的智能管理。