AIOps болашағы: АТ-ны проактивті басқару үшін AI интеграциясы

Кіріспе

Технологияның жылдам эволюциясы заманауи АТ жүйелерінің күрделілігінің экспоненциалды өсуіне әкелді. Нәтижесінде, АТ командалары осы жүйелерді басқару және қызмет көрсетуде бұрын-соңды болмаған қиындықтарға тап болып, тоқтау уақытының артуына, өнімділіктің төмендеуіне және операциялық шығындардың жоғарылауына әкеліп соқтырады. Осы қиындықтарды шешу үшін IT операцияларына арналған жасанды интеллект (AIOps) тұжырымдамасы ойынды өзгертуші ретінде пайда болды. AIOps DevOps жұмыс процестерін түрлендіру үшін машиналық оқыту мен AI қолданады, бұл белсенді АТ басқаруға, болжамды талдауға және автоматтандыруға мүмкіндік береді.

Бұл мақалада біз AIOps болашағын, оның артықшылықтарын және іске асыру стратегияларын зерттейміз. Біз сондай-ақ нақты жағдайды зерттейтін боламыз және АТ басқаруда AIOps қолдануын көрсету үшін күрделі код блогын ұсынамыз.

AIOps дегеніміз не?

AIOps – АТ қызметтерінің тиімділігін, тиімділігін және сенімділігін арттыру үшін жасанды интеллект (AI) және машиналық оқыту (ML) күшін АТ операцияларымен (ITOps) біріктіретін дамып келе жатқан сала. AIOps платформалары деректер талдауын, болжамды модельдеуді және автоматтандыруды АТ мәселелерін негізгі мәселелерге айналмас бұрын анықтау және шешу үшін пайдаланады.

AIOps АТ-менеджменттің әртүрлі салаларында қолданылуы мүмкін, соның ішінде:

Болжамдық талдау: AIOps платформалары тарихи деректерді талдау және ықтимал АТ мәселелерін болжау үшін машиналық оқыту алгоритмдерін пайдаланады, бұл проактивті техникалық қызмет көрсетуге мүмкіндік береді және бос уақытты қысқартады.
Оқиғаларды басқару: AIOps АТ инциденттерін автоматты түрде анықтап, шеше алады, бұл анықтаудың орташа уақытын (MTTD) және шешудің орташа уақытын (MTTR) азайтады.
Автоматтандыру: AIOps конфигурацияны басқару, патчтарды басқару, сақтық көшірме жасау және қалпына келтіру сияқты күнделікті тапсырмаларды автоматтандыруы мүмкін.

AIOps артықшылықтары

AIOps артықшылықтары көп және маңызды:

Жақсартылған тиімділік: AIOps күнделікті тапсырмаларды автоматтандырады, бұл АТ қызметкерлерін стратегиялық бастамаларға назар аударуға босатады.
Жақсартылған сенімділік: AIOps АТ мәселелерін болжайды және алдын алады, тоқтау уақытын азайтады және жалпы жүйе сенімділігін арттырады.
Өнімділікті арттыру: AIOps АТ топтарына инциденттерге жылдам әрекет етуге мүмкіндік береді, анықтаудың орташа уақытын (MTTD) және шешудің орташа уақытын (MTTR) азайтады.
Жақсырақ шешім қабылдау: AIOps АТ командаларына нақты уақыттағы түсініктер мен болжамды аналитикамен қамтамасыз етіп, деректерге негізделген шешім қабылдауға мүмкіндік береді.

Іске асыру стратегиялары

AIOps енгізу стратегиялық көзқарасты талап етеді:

Деректерді жинау: журналдарды, көрсеткіштерді және конфигурация файлдарын қоса, әртүрлі көздерден АТ деректерін жинаңыз.
Деректерді біріктіру: әртүрлі көздерден алынған деректерді бір платформаға біріктіру.
Machine Learning: деректерді талдау және ықтимал АТ мәселелерін болжау үшін машиналық оқыту алгоритмдерін қолданыңыз.
Автоматтандыру: Кәдімгі тапсырмалар мен жұмыс процестерін автоматтандыру.
Мониторинг және кері байланыс: AIOps өнімділігін үздіксіз бақылап, дәлдік пен тиімділікті арттыру үшін кері байланыс беріңіз.

Нақты әлемдегі жағдайлық зерттеулер

Бірнеше ұйымдар АТ-менеджментінің жұмыс процестерін түрлендіру үшін AIOps сәтті енгізді:

Verizon: Verizon желі сенімділігін арттыру және тоқтап қалу уақытын азайту үшін AIOps енгізді. Платформа желі мәселелерін болжау және алдын алу үшін машиналық оқытуды қолданды, нәтижесінде тоқтау уақыты 30% қысқарды.
AT&T: AT&T оқиғаны басқаруды жақсарту және анықтаудың орташа уақытын (MTTD) және шешудің орташа уақытын (MTTR) азайту үшін AIOps енгізді. Платформа АТ инциденттерін анықтау және шешу үшін автоматтандыруды қолданды, нәтижесінде MTTD 40% және MTTR 50% қысқарды.
Microsoft: Microsoft болжамды талдау мен автоматтандыруды жақсарту үшін AIOps енгізді. Платформа проактивті техникалық қызмет көрсетуге және бос уақытты азайтуға мүмкіндік беретін ықтимал АТ мәселелерін болжау үшін машиналық оқытуды пайдаланды.

Код блогы: Python тіліндегі AIOps мысалы

Міне, Python тіліндегі күрделі код блогы, ол АТ басқаруда AIOps қолдануын көрсетеді:

пандаларды pd ретінде импорттау
sklearn.ensemble ішінен RandomForestClassifier импорттау
sklearn.model_selection импорттау train_test_split
sklearn.metrics импорттау accuracy_score

# Деректерді жүктеңіз
деректер = pd.read_csv('it_data.csv')

# Деректерді алдын ала өңдеу
X = data.drop(['оқиға'], ось=1)
y = деректер['оқиға']

# Деректерді оқу және сынақ жиындарына бөліңіз
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0,2, кездейсоқ_күй=42)

# Кездейсоқ орман классификаторын жаттықтырыңыз
rfc = RandomForestClassifier(n_estimators=100, random_state=42)
rfc.fit(X_train, y_train)

# Болжамдар жасаңыз
y_pred = rfc.predict(X_test)

# Үлгіні бағалау
дәлдік = дәлдік_балл(y_test, y_pred)
басып шығару(f'Дәлдік: {дәлдік:.2f}')

# Ықтимал АТ мәселелерін болжау үшін үлгіні пайдаланыңыз
new_data = pd.DataFrame({'cpu_usage': [80], 'memory_usage': [90]})
болжау = rfc.predict(жаңа_деректер)
егер болжау[0] == 1:
    print('Ықтимал АТ мәселесі анықталды!')

Бұл код блогы орталық процессор мен жадты пайдалану деректеріне негізделген ықтимал АТ мәселелерін болжау үшін кездейсоқ орман классификаторын пайдаланады. Модель тарихи деректер бойынша оқытылады және жаңа деректерге болжам жасау үшін пайдаланылады.

Көрнекілігі: AIOps платформасының архитектурасы

Міне, AIOps платформасы архитектурасының Chart.js көмегімен визуализациясы:

{
  "type": "дөңгелек диаграмма",
  «деректер»: {
    "labels": ["Деректерді жинау", "Деректерді біріктіру", "Машинаны оқыту", "Автоматтандыру", "Мониторинг және кері байланыс"],
    "деректер жинағы": [
      {
        "label": "AIOps платформасының архитектурасы",
        "деректер": [30, 20, 20, 15, 15],
        "backgroundColor": ["#FF6384", "#36A2EB", "#FFCE56", "#4BC0C0", "#FF99CC"],
        "hoverBackgroundColor": ["#FF99CC", "#36A2EB", "#FFCE56", "#4BC0C0", "#FF99CC"]
      }
    ]
  },
  "опциялар": {
    "атауы": {
      «дисплей»: шын,
      "text": "AIOps платформасының архитектурасы"
    },
    "легенда": {
      «дисплей»: шын
    }
  }
}

Бұл визуализация AIOps платформасы архитектурасының әртүрлі құрамдас бөліктерін көрсетеді, соның ішінде деректер жинау, деректерді біріктіру, машиналық оқыту, автоматтандыру, бақылау және кері байланыс.

Қорытынды

AIOps – АТ командаларының күрделі АТ жүйелерін басқару және қолдау көрсету тәсілін өзгертетін ойын өзгертетін технология. Машиналық оқытуды және AI-ны қолдана отырып, AIOps АТ-ті белсенді басқаруға, болжамды талдауға және автоматтандыруға мүмкіндік береді, бұл тиімділікті арттыруға, сенімділікті арттыруға және өнімділікті арттыруға әкеледі. AIOps енгізу арқылы ұйымдар тоқтап қалу уақытын қысқарта алады, шешім қабылдауды жақсарта алады және нарықта бәсекелестік басымдылыққа ие болады.

Технология дамып келе жатқандықтан, біз АТ-менеджментінде AIOps-тің одан да инновациялық қосымшаларын көреміз деп күтуге болады. АТ жүйелерін басқару тәсілімізде төңкеріс жасайтын әлеуеті бар AIOps - назар аударуға тұрарлық қызықты және тез дамып келе жатқан сала.