华为、蚂蚁、字节跳动如何引领智能运维？
©作者|潇潇
来源|神州问学
引言
OpenAI 发布的 ChatGPT 就像是打开了潘多拉的魔盒，释放出了生产环境中的大语言模型（LLMs）。一些新的概念：“大语言模型运维 (LLMOps)”、“智能运维平台(AIOps)”也随之迸发和迭代。与传统运维方法相比，这些新概念在管理和维护AI产品时，更强调了动态模型管理、自动化故障检测和智能化问题解决，不断深刻改变了构建和维护AI应用的方式，推动了运维工具和实践的全面进化。
行业案例
案例1：华为基于大小模型协同的网络智能运维实践
华为搭建了基于大小模型协同的网络智能运维系统，统一自然语言交互界面，用户输入问题，运维工具输出自然语言答案。对于已知的可以用现成能力解决的问题，通过运维专用小模型进行健康度报告、健康度查询、故障闭环推荐等，对于未知问题，调用知识检索能力。
结合大小模型的输出结果，使用大模型的逻辑推理与总结归纳能力，辅助进行多源数据的关联分析，降低运维人员的理解与操作闭环难度。
案例2：蚂蚁可观测Mpilot智能助手实践
蚂蚁将大模型用于可观测平台，重点选取与产品深度融合且高频使用的场景，建设了可观测Mpilot智能助手，通过三个助手Agent提供服务，分别为时序助手、日志助手和告警助手。
• 时序助手：时序助手重点用于监控指标分析，进行业务指标探索，通过定制化SQL模型的方式，允许用户以自然语言的方式快速检索监控内部的数据源；
• 日志助手：日志助手用于解读应用错误日志，并对应用报告给出分析性建设和解决方案；
• 告警助手：告警助手主要用于告警应急处理，以及告警之后的辅助故障面计算、关联告警查询、初步根因定位、应急处置流程查询等场景。
技术核心:
MaaS 函数插件服务: 提供工具，调用简化运维操作。
Ceresdb: 时序存储组件，用于智能告警和故障恢复。
Agent助手和知识库: 提供复杂的数据检索和生成任务的支持。
Mpilot的智能分析与自动化功能，能够迅速识别并解决故障，深入分析时间序列数据来发现性能瓶颈，提出有效的优化策略。根据风险的等级自动化执行任务，提升了运维工作的智能水平和响应速度。
案例3：字节跳动智能运维场景AI Agent实践
字节跳动在智能运维中应用 Agent，利用大模型的规划、反思和工具能力，实现复杂任务的自治完成。
• 问题背景：核心app出现响应迟钝，部分响应时间超过7秒，严重影响用户体验。为快速定位和解决问题，字节跳动智能运维系统依赖Agent进行了系统化的故障排查和定位。
• 异常检测:Agent首先锁定问题时间范围之间，使用指标异常检测、日志异常检测、事件异常检测等工具，发现多个节点在特定时间点的指标发生突变，主机也多次发出告警信号。
• 根因分析：确定异常范围后，Agent通过思维链技术，详细规划可能的故障原因，制定检查步骤，逐一验证可能的故障点，最终确定主机的宕机是导致app响应迟钝的根本原因。
故障总结与反思:Agent通过RAG机制总结故障原因，并通过反思优化排查流程，生成详细的故障报告，并提出预防建议。
• 结果：Agent快速定位故障原因，解决app的故障问题，大幅提升运维效率，减少了系统停机时间。
一、AI在智能运维中的应用场景
1、RAG知识咨询
在智能运维领域，采用RAG技术构建高效的知识咨询系统。通过结合检索和生成模型，大模型能够从大量运维文档和知识库中提取相关信息，生成实际应用价值的回答。当运维人员遇到系统故障时，RAG知识咨询系统能够迅速检索相关故障案例和解决方案，提供详细的修复步骤和建议。在操作手册与最佳实践方面，大模型可以根据检索和生成技术提供针对特定操作的详细指南，帮助运维人员快速掌握操作和维护技巧。系统还能够实时更新运维知识库，融入最新的技术信息和解决方案，为运维人员提供最新的咨询服务，以应对不断变化的技术环境。
2、Agent应用场景
在运维领域，大模型 Agent 的应用场景涵盖了从日常运维任务到复杂问题处理的多个方面：
自动化故障处理：大模型 Agent 能够通过自动化流程执行故障诊断和处理。它能够实时监控系统状态，当检测到异常时，自动识别故障原因，生成故障排查计划，并根据计划执行相应的操作，如调整配置、重启服务等。通过自我学习和优化，Agent 能够逐渐提高故障处理的准确性和效率。
智能监控和异常检测：大模型Agent 可以对多模态数据进行整合分析，包括系统指标、日志、拓扑数据等。通过异常检测算法，Agent 可以实时发现潜在问题，生成告警并进行初步的异常分析。这种智能监控能力能够大幅度降低人为干预的需求，提升系统的稳定性。
预测性维护：通过分析历史数据和实时数据，Agent 可以预测设备或系统的潜在故障。它利用机器学习模型和预测算法，识别故障发生的模式和趋势，提前发出预警，并建议相应的维护措施。这种预测性维护有助于减少突发故障，降低运维成本，并提高系统的可靠性。
操作优化：Agent 能够分析运维流程和操作数据，识别效率低下的环节或优化点。它通过智能分析和优化建议，提高系统和流程的整体效率。例如，Agent 可以优化资源配置、调整负载均衡策略，并通过自动化调整来提升系统性能。
多 Agent 协作：在复杂的运维场景中，多个 Agent 可以协作完成任务。每个 Agent 执行不同的角色和功能，例如一个负责数据监控，一个负责故障诊断，另一个负责修复操作。通过协调和合作，多 Agent 系统能够处理更为复杂的任务，提高整体运维效率。
这些应用场景展示了大模型 Agent 在 AI运维中的广泛应用，涵盖了从自动化处理到智能优化的各个方面。通过有效利用 Agent 的能力，运维团队可以显著提高工作效率，降低故障率，并优化系统性能。
二、AI运维优势与挑战
AI运维的显著优势
AI运维这个概念不可否认是相当美好的，他的优点也显而易见：解放我们的双手和大脑，也就是解放人力，就这一个优点就是非常大的，而且这也应该是AI在绝大多数应用领域的优点。
AI运维面临的主要挑战
技术成熟度不足 尽管AI技术近年来取得了显著进展，但在运维领域的应用仍然处于初级阶段。AI运维依赖于复杂的算法和大规模的数据处理能力，但当前的技术水平可能还无法满足实际运维需求。尤其是在处理异常情况和故障排查时，现有的AI技术往往需要更多的优化和验证，以确保其可靠性和准确性。
数据质量和量的问题 AI运维的核心是数据，尤其是高质量、准确且全面的数据。然而，许多企业在数据收集、处理和存储方面存在问题，导致数据质量参差不齐。数据的不完整性和噪音会直接影响AI模型的表现，使得AI运维系统在实际应用中可能无法做出准确的判断和处理。
成本与投资问题 部署AI运维系统需要投入大量的资金用于硬件、软件、研发和维护。对于许多中小型企业来说，这种高昂的投入可能难以承受。同时，实施AI运维还需要技术人员进行大量的前期准备和系统调试，这些都增加了额外的成本和风险。
人机协作的挑战 在AI运维系统中，尽管AI可以承担许多任务，但完全替代人工运维仍然存在困难。运维工作往往涉及复杂的决策和判断，需要考虑多种因素。AI系统虽然可以处理常规的操作，但对于一些突发的、复杂的或需要高度判断力的问题，仍需依赖于运维人员的经验和智慧。
对现有系统的兼容性 AI运维的实施需要与现有的运维系统和工具进行兼容，但许多现有系统的架构和设计可能不完全支持新的AI技术。这种不兼容性可能导致额外的系统整合工作，增加了实施的复杂度。
三、解决策略与未来展望
解决策略
优化模型性能：提升AI模型的训练数据质量，通过多源数据融合和数据清洗来增强模型的准确性。同时，采用先进的调试技术和优化算法，减少生成内容的偏差。
强化安全措施：实施数据加密和访问控制，确保敏感信息的安全。采用隐私保护技术，如RLHF模型对齐，确保数据在模型生成过程中不被泄露或滥用。
提高用户信任：增强模型的透明度，提供详细的决策过程解释，帮助用户理解和信任模型决策。同时，通过实际应用验证模型的有效性，逐步建立用户信任。
推进自动化：将AI技术与现有IT系统和运维流程集成，实现从故障检测到处理的全链路自动化。引入智能告警、自愈系统和决策支持工具，提升运维的效率和响应速度。
未来展望
技术进步与应用扩展：AI技术将继续演进，提供更高水平的智能化服务，扩展到更多领域如金融风控、智能投顾等。技术的发展将推动运维工作向更高效、更智能的方向迈进。
智能决策与数据驱动：通过全面的数据整合和智能分析，提供更具洞察力的决策支持。利用实时数据的智能预测优化资源配置和运维策略。
用户体验与系统优化：持续优化系统功能和用户界面，提升操作体验和效率。同时，通过技术更新和性能优化，确保系统的稳定性和高效性。
行业合作与标准化：推动AI技术的行业标准化，促进技术的一致性和广泛应用。加强与科研机构、技术公司和行业专家的合作，推动技术创新和应用发展。
四、结论
AI技术在IT运维领域展现了显著的潜力，通过优化模型性能、强化安全措施、提高用户信任和推进自动化，可有效应对当前的运维挑战。未来，随着技术的不断进步和应用场景的扩展，AI将在智能运维中发挥更大作用。
