前言：
嗨，今天是大年三十，大家是不是已经在家坐享团圆之乐了？还是说在奔向团圆的路上呢？不论如何，小编先祝大家新年如意安康，平安顺遂~
熟悉我们的朋友肯定都知道，关于《老杨说运维》这个系列，去年已经更新了好多期了，后台也收到了不少朋友的认可还有真诚建议。所以即便是大年三十，小编依旧有动力继续为大家更新。
此次给大家分享的主题为《AIOps如何助力实现全面可观测性》，将分两期呈现，希望能给各位带去一点思想火花。
一、AIops发展中存在的问题
随着数字化经济的飞速发展，企业数字化转型已经成为了必然趋势。从传统运维向智能运维（AIOps）建设发展的过程中仍存在诸多挑战。
从业务层面的表象上，比如监控的误报漏报多、趋势预测能力缺失、综合根因定界及定位分析的手段少、规划资源使用的方法少等等；
从运维系统的状况进行深层挖掘，又能发现运维数据数量庞大、类别繁多且分散，加之新旧格式的碰撞以及业务视角的断层，使得数据治理难、运营分析难。
除此以外，在数字化转型的过程中，运维双态（即敏态与稳态）共存的情况给企业的数字化业务也带来了极大的挑战。
二、AIops发展的市场背景
管理学大师彼得·德鲁克曾说过：“如果你不能度量它，你就无法管理它。”换在智能运维的管理决策中来讲就是想要做好管理，就要先对它进行度量，而这就是Gartner早先提出可观测性的概念。
Gartner在今年的报告中提到，可观测性正逐渐成为企业智能运维中的高优先级项目，之所以出现这样的情况，是由于企业的业务发展中具有很多不可预测的情况发生，这就要求企业数字化能力中要着重加强自动检测、可观测性和可修复性。可观测性作为之中极为关键的一环，正以其能大幅提高运维事务处理效率的优势，在逐步替代传统的监控仪表。Gartner预测未来的2-5年，可观测性将进入成熟期。届时，智能运维的整体水平将会得到变革性的提升。
三、什么是可观测性
从字面上来讲，可观测性即是通过检查其输出来衡量系统内部状态的能⼒。这种能力的雏形是在企业的数字化转型过程中，早先被看重的数据可视化能力，即通过决策大屏让数据通过视觉的形式呈现出来，比如图表、图形、地图等等，让运维人员更容易的理解数据、统计数据以及运用数据，进而更加准确有效的传达与沟通信息。
而可观测性，并不只是单纯的可视化，它是基于可视化的本质能力上，将三大支柱数据（指标、日志、追踪）关联并融合，使得业务决策有据可循、日志记录和解释更具根源性的分析，交易在业务组件中的流动过程更加清晰可见。同时，经过对CMDB的梳理可得到第四种支柱数据（资源拓补）。最终，这四种支柱数据共同形成以业务为顶，自上而下的观测模型。
四、可观测性能带来的价值
日益增长的业务价值关注度，让单纯的可见性必须向以数据为驱动的洞察能力升级，这个过程中可观测性的价值就会逐步体现。
（一）将数据转化为答案
在决策层面从业务视角出发观测全局状况，进而利用可人工干预的算法模型对告警进行收敛，对历史数据进行分析，聚焦定位根因来源，结合AI的短期趋势预测，再利用资源规划功能，获取对未来趋势的预判结果，实现主动的数据预测。
（二）数据处理过程更灵活
集合数据任务的编排和调试能力、可交互的检测模型调优及管理、场景化的编排引擎，使数据白盒化的接入、处理、输出，完成任务的诊断。并且能够及时反馈异常检测的结果，精细化调整日志的检测模式。最后形成多种运维场景下定制化的可观测编排引擎，灵活搭配业务场景实现数据的全面处理。
（三）实现跨团队协作的高效性
通过统一的观测视角，能够建立与运维业务相关的规则引擎，完成基于组织架构的权限配置，根据团队分工进行任务分派，形成有策略、按需求的协同协作体系，保持业务运营的高效性。
（四）实时大规模的观测
通过流批一体的高性能计算引擎以及集群化和多中心的部署，加之对异常检测模型的实时更新和训练，稳定且高效的适应多中心等复杂环境。在大规模的业务数据进入时，能够有效做出应对操作。
*本文部分内容来源于“双态IT联盟”
擎创科技，Gartner连续推荐的AIOps领域标杆供应商。公司致力于协助企业客户提升对运维数据的洞见能力，优化运维效率，充分体现科技运维对业务运营的影响力。
行业龙头客户的共同选择
更多运维思路与案例持续更新中，敬请期待
随手点关注，更新不迷路
