即刻#每日一书#
5.30 智能运维：从0搭建大规模分布式AIOps系统
智能运维：从0搭建大规模分布式AIOps系统
先解释一下AIOps的概念。2013年，Gartner提出了一个新的概念，ITOA(IT Operations Analyics)中文叫IT运营分析，后面2016年升级为AIOps(Algorithmic IT Operations)，这里强调的是算法，非特指人工智能。到了2017年Gartner最后变更为AIOps(Artificial Intelligence for IT Operations)，这样现在智能运维的概念才算固定下来。
本书主要介绍微博AIOps的落地经验，先从运维发展史开始介绍，到智能运维基础设施，介绍大数据平台的建设，到后面专门介绍模型算法，最后介绍了智能运维的相关落地架构。
这本书看下来，整体的结构处理得不算好。前面几章像是官方文档，介绍了太多的开源工具，但是又没有深入，如果通过案例来讲这些开源工具比较好。对算法的介绍也处于非常初级的阶段，没有任何论文的东西，都只是简单的介绍一些算法概念，怎么用的，需要什么数据，什么效果，怎么上线的，整个pipeline也没有说清楚。
此书偏向于了解概念，也偏向于方案的选取，没有什么深度的探讨，这也可能是定位问题。
观点
AIOps确实是趋势，但是真正落地还是挺难的。这个是大公司才需要的技能，在云原生大行其道的今天，中小企业没有直接打造智能运维的必要，后面也是各种云厂商的产品竞争。
运维行业的AI落地，我觉得有一些优势。第一，有大量的数据。首先运维行业的数据量是非常大的，每天产生的日志数据，监控的数据非常多，各家的大数据平台每天的处理量都是巨量的。数据的获取，在大公司现在并不算难，难的是数据清洗。
第二，大公司有机器学习平台。要应用落地的话，需要场景比较垂直，数据量要大，还需要机器学习平台来支撑整个训练过程。
有个数据，有了想法，后面来做想做的事情也简单很多，包括各种数据的挖掘。
这里面除了智能运维外，还可以挖掘到很多其他的东西，比如安全日志挖掘，入侵检测等都属于这上面的应用。
关键是智能运维属于DevOps上的后期应用，后面落地还得先把DevOps做好。
此书2019年读完的，到2022年，其实AIOps也没还怎么落地。注意这里的AIOps和MLOps 不是一个东西。
5.30 智能运维：从0搭建大规模分布式AIOps系统
智能运维：从0搭建大规模分布式AIOps系统
先解释一下AIOps的概念。2013年，Gartner提出了一个新的概念，ITOA(IT Operations Analyics)中文叫IT运营分析，后面2016年升级为AIOps(Algorithmic IT Operations)，这里强调的是算法，非特指人工智能。到了2017年Gartner最后变更为AIOps(Artificial Intelligence for IT Operations)，这样现在智能运维的概念才算固定下来。
本书主要介绍微博AIOps的落地经验，先从运维发展史开始介绍，到智能运维基础设施，介绍大数据平台的建设，到后面专门介绍模型算法，最后介绍了智能运维的相关落地架构。
这本书看下来，整体的结构处理得不算好。前面几章像是官方文档，介绍了太多的开源工具，但是又没有深入，如果通过案例来讲这些开源工具比较好。对算法的介绍也处于非常初级的阶段，没有任何论文的东西，都只是简单的介绍一些算法概念，怎么用的，需要什么数据，什么效果，怎么上线的，整个pipeline也没有说清楚。
此书偏向于了解概念，也偏向于方案的选取，没有什么深度的探讨，这也可能是定位问题。
观点
AIOps确实是趋势，但是真正落地还是挺难的。这个是大公司才需要的技能，在云原生大行其道的今天，中小企业没有直接打造智能运维的必要，后面也是各种云厂商的产品竞争。
运维行业的AI落地，我觉得有一些优势。第一，有大量的数据。首先运维行业的数据量是非常大的，每天产生的日志数据，监控的数据非常多，各家的大数据平台每天的处理量都是巨量的。数据的获取，在大公司现在并不算难，难的是数据清洗。
第二，大公司有机器学习平台。要应用落地的话，需要场景比较垂直，数据量要大，还需要机器学习平台来支撑整个训练过程。
有个数据，有了想法，后面来做想做的事情也简单很多，包括各种数据的挖掘。
这里面除了智能运维外，还可以挖掘到很多其他的东西，比如安全日志挖掘，入侵检测等都属于这上面的应用。
关键是智能运维属于DevOps上的后期应用，后面落地还得先把DevOps做好。
此书2019年读完的，到2022年，其实AIOps也没还怎么落地。注意这里的AIOps和MLOps 不是一个东西。