Ներածություն

Տեխնոլոգիաների արագ զարգացումը հանգեցրել է ժամանակակից ՏՏ համակարգերի բարդության էքսպոնենտալ աճի: Արդյունքում, ՏՏ թիմերը բախվում են աննախադեպ մարտահրավերների այս համակարգերը կառավարելու և պահպանելու հարցում, ինչը հանգեցնում է ժամանակի ավելացման, արտադրողականության նվազման և գործառնական ծախսերի բարձրացման: Այս մարտահրավերներին դիմակայելու համար ՏՏ օպերացիաների համար արհեստական ինտելեկտի (AIOps) հայեցակարգը ի հայտ է եկել որպես խաղը փոխող: AIOps-ն օգտագործում է մեքենայական ուսուցումը և AI-ն՝ փոխակերպելու DevOps-ի աշխատանքային հոսքերը՝ հնարավորություն տալով ակտիվ ՏՏ կառավարում, կանխատեսող վերլուծություն և ավտոմատացում:

Այս հոդվածում մենք կուսումնասիրենք AIOps-ի ապագան, դրա առավելությունները և իրականացման ռազմավարությունները: Մենք նաև կխորանանք իրական աշխարհի դեպքերի ուսումնասիրությունների մեջ և կտրամադրենք կոդի բարդ բլոկ՝ ցուցադրելու AIOps-ի կիրառումը ՏՏ կառավարման մեջ:

Ի՞նչ է AIOps-ը:

AIOps-ը զարգացող ոլորտ է, որը համատեղում է արհեստական ինտելեկտի (AI) և մեքենայական ուսուցման (ML) հզորությունը ՏՏ գործառնությունների (ITOps) հետ՝ բարելավելու ՏՏ ծառայությունների արդյունավետությունը, արդյունավետությունը և հուսալիությունը: AIOps պլատֆորմները օգտագործում են տվյալների վերլուծություն, կանխատեսող մոդելավորում և ավտոմատացում՝ ՏՏ խնդիրները բացահայտելու և լուծելու համար, նախքան դրանք հիմնական խնդիրներ դառնալը:

AIO-ները կարող են կիրառվել ՏՏ կառավարման տարբեր ոլորտներում, ներառյալ.

Կանխատեսող վերլուծություն. AIOps հարթակները օգտագործում են մեքենայական ուսուցման ալգորիթմներ՝ պատմական տվյալները վերլուծելու և ՏՏ հնարավոր խնդիրները կանխատեսելու համար՝ հնարավորություն տալով ակտիվ սպասարկում և կրճատելով պարապուրդի ժամանակը:
Միջադեպերի կառավարում. AIO-ները կարող են ավտոմատ կերպով հայտնաբերել և լուծել ՏՏ միջադեպերը՝ նվազեցնելով հայտնաբերելու միջին ժամանակը (MTTD) և լուծելու միջին ժամանակը (MTTR):
Ավտոմատացում. AIO-ները կարող են ավտոմատացնել սովորական առաջադրանքները, ինչպիսիք են կոնֆիգուրացիայի կառավարումը, կարկատելու կառավարումը և կրկնօրինակում և վերականգնում:

AIOps-ի առավելությունները

AIOps-ի առավելությունները բազմաթիվ են և նշանակալի.

Բարելավված արդյունավետություն. AIOps-ն ավտոմատացնում է առօրյա առաջադրանքները՝ ազատելով ՏՏ անձնակազմին՝ կենտրոնանալով ռազմավարական նախաձեռնությունների վրա:
Ընդլայնված հուսալիություն. AIOps-ը կանխատեսում և կանխում է ՏՏ խնդիրները՝ նվազեցնելով պարապուրդի ժամանակը և բարելավելով համակարգի ընդհանուր հուսալիությունը:
Ավելացված արտադրողականություն. AIOps-ը ՏՏ թիմերին հնարավորություն է տալիս արագ արձագանքել միջադեպերին՝ նվազեցնելով հայտնաբերելու միջին ժամանակը (MTTD) և լուծելու միջին ժամանակը (MTTR):
Ավելի լավ որոշումներ կայացնել. AIOps-ը ՏՏ թիմերին տրամադրում է իրական ժամանակի պատկերացումներ և կանխատեսող վերլուծություններ՝ հնարավորություն տալով տվյալների վրա հիմնված որոշումներ կայացնել:

Իրականացման ռազմավարություններ

AIO-ների ներդրումը պահանջում է ռազմավարական մոտեցում.

Տվյալների հավաքագրում. հավաքեք ՏՏ տվյալներ տարբեր աղբյուրներից, ներառյալ տեղեկամատյանները, չափումները և կազմաձևման ֆայլերը:
Տվյալների ինտեգրում. ինտեգրել տարբեր աղբյուրներից ստացված տվյալները մեկ հարթակում:
Մեքենայի ուսուցում. Կիրառել մեքենայական ուսուցման ալգորիթմներ՝ տվյալների վերլուծության և ՏՏ հնարավոր խնդիրները կանխատեսելու համար:
Ավտոմատացում. ավտոմատացնել սովորական առաջադրանքները և աշխատանքային հոսքերը:
**Մոնիտորինգ և հետադարձ կապ **. շարունակաբար վերահսկեք AIO-ների աշխատանքը և տրամադրեք հետադարձ կապ՝ ճշգրտությունն ու արդյունավետությունը բարելավելու համար:

Իրական աշխարհի դեպքերի ուսումնասիրություններ

Մի քանի կազմակերպություններ հաջողությամբ իրականացրել են AIOps՝ փոխակերպելու իրենց ՏՏ կառավարման աշխատանքային հոսքերը.

Verizon. Verizon-ը ներդրել է AIOps ցանցի հուսալիությունը բարելավելու և անգործության ժամանակը նվազեցնելու համար: Պլատֆորմն օգտագործել է մեքենայական ուսուցում՝ ցանցի խնդիրները կանխատեսելու և կանխելու համար, ինչի արդյունքում 30%-ով կրճատվել է պարապուրդը:
AT&T. AT&T-ն իրականացրել է AIOps՝ միջադեպերի կառավարումը բարելավելու և հայտնաբերելու միջին ժամանակը (MTTD) և լուծելու միջին ժամանակը (MTTR) նվազեցնելու համար: Պլատֆորմն օգտագործել է ավտոմատացում՝ ՏՏ միջադեպերը հայտնաբերելու և լուծելու համար, ինչը հանգեցրել է MTTD-ի 40%-ով և MTTR-ի 50%-ով կրճատմանը:
Microsoft. Microsoft-ը ներդրել է AIOps կանխատեսող վերլուծությունը և ավտոմատացումը բարելավելու համար: Պլատֆորմն օգտագործել է մեքենայական ուսուցում՝ կանխատեսելու հնարավոր ՏՏ խնդիրները՝ հնարավորություն տալով ակտիվ սպասարկում և կրճատել պարապուրդը:

Կոդի բլոկ՝ AIOps Օրինակ Python-ում

Ահա Python-ում բարդ կոդի բլոկ, որը ցուցադրում է AIOps-ի կիրառումը ՏՏ կառավարման մեջ. «Պիթոն». ներմուծել պանդա որպես pd sklearn.ensemble ներմուծման RandomForestClassifier-ից sklearn.model_selection ներմուծման train_test_split-ից sklearn.metrics ներմուծման accuracy_score-ից

Բեռնել տվյալները

data = pd.read_csv ('it_data.csv')

Տվյալների նախնական մշակում

X = data.drop(['միջադեպ'], առանցք=1) y = տվյալներ['միջադեպ']

Տվյալները բաժանեք վերապատրաստման և թեստավորման հավաքածուների

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

Գնացե՛ք պատահական անտառի դասակարգիչը

rfc = RandomForestClassifier(n_estimators=100, random_state=42) rfc.fit (X_train, y_train)

Կանխատեսումներ արեք

y_pred = rfc.predict(X_test)

Գնահատեք մոդելը

ճշգրտություն = ճշտության_ գնահատական (y_test, y_pred) տպել (f'Ճշգրտություն՝ {ճշգրտություն:.2f}')

Օգտագործեք մոդել՝ ՏՏ հնարավոր խնդիրները կանխատեսելու համար

new_data = pd.DataFrame({'cpu_usage': [80], 'memory_usage': [90]}) կանխատեսում = rfc.predict(new_data) եթե կանխատեսում[0] == 1: տպել («Հայտնաբերվել է ՏՏ հնարավոր խնդիր»)

Այս կոդի բլոկը օգտագործում է պատահական անտառային դասակարգիչ՝ կանխատեսելու հնարավոր ՏՏ խնդիրները՝ հիմնված պրոցեսորի և հիշողության օգտագործման տվյալների վրա: Մոդելը վերապատրաստվում է պատմական տվյալների վրա և օգտագործվում է նոր տվյալների վերաբերյալ կանխատեսումներ անելու համար:

## Վիզուալիզացիա՝ AIOps պլատֆորմի ճարտարապետություն

Ահա AIOps պլատֆորմի ճարտարապետության պատկերացում՝ օգտագործելով Chart.js.
``` գծապատկեր
{
  "type": "pieChart",
  "տվյալներ": {
    «պիտակներ».
    «տվյալների հավաքածուներ»:
      {
        «պիտակ»՝ «AIOps Platform Architecture»,
        «տվյալներ»: [30, 20, 20, 15, 15],
        «backgroundColor»՝ [«#FF6384», «#36A2EB», «#FFCE56», «#4BC0C0», «#FF99CC»],
        «hoverBackgroundColor»՝ [«#FF99CC», «#36A2EB», «#FFCE56», «#4BC0C0», «#FF99CC»]
      }
    ]
  },
  «Ընտրանքներ»: {
    «վերնագիր»: {
      «ցուցադրում»՝ ճշմարիտ,
      "text": "AIOps Platform Architecture"
    },
    "լեգենդ": {
      «ցուցադրում»՝ ճշմարիտ
    }
  }
}

Այս վիզուալիզացիան ցույց է տալիս AIOps պլատֆորմի ճարտարապետության տարբեր բաղադրիչները, ներառյալ տվյալների հավաքագրումը, տվյալների ինտեգրումը, մեքենայական ուսուցումը, ավտոմատացումը և մոնիտորինգն ու հետադարձ կապը:

Եզրակացություն

AIOps-ը խաղը փոխող տեխնոլոգիա է, որը փոխում է ՏՏ թիմերի կառավարման և պահպանման բարդ ՏՏ համակարգերը: Օգտագործելով մեքենայական ուսուցումը և AI-ը՝ AIOps-ը հնարավորություն է տալիս ակտիվ ՏՏ կառավարում, կանխատեսող վերլուծություն և ավտոմատացում՝ հանգեցնելով բարելավված արդյունավետության, ուժեղացված հուսալիության և արտադրողականության բարձրացման: Իրականացնելով AIO-ները՝ կազմակերպությունները կարող են նվազեցնել պարապուրդի ժամանակը, բարելավել որոշումների կայացումը և շուկայում մրցակցային առավելություններ ձեռք բերել:

Քանի որ տեխնոլոգիան շարունակում է զարգանալ, մենք կարող ենք ակնկալել տեսնել AIOps-ի էլ ավելի նորարարական կիրառություններ ՏՏ կառավարման մեջ: ՏՏ համակարգերի կառավարման ձևը հեղափոխելու իր ներուժով AIOps-ը հետաքրքիր և արագ զարգացող ոլորտ է, որին արժե հետևել:

AIOps-ի ապագան. AI-ի ինտեգրում ՏՏ-ի ակտիվ կառավարման համար