要想成為一名AIOps技術大神，對AIOps成長史必須是要了解的。AIOps最開始并不叫AIOps，從最原始的人工運維開始，這時主要是利用單獨腳本或者一些簡單工具，完成數據中心設備的運維；接著不斷引入一些工具，通過大量運維工具，提高了運維效率；然后是引入了自動化，將工具交給計算機，由計算機按照既定程度來運行，這比人工方式效率提升很多，往往一次要是通過人手工完成可能需要幾個小時，而通過自動化工具和腳本，幾秒鐘就可以完成，這個階段叫做Devops，也是目前最為主流的運維方式；緊接著隨著AI技術的火爆，AIOps開始出現，AIOps是通過機器的自我學習、自行分析決策和自動化去執行腳本。

 

AIOps首先要有AI，這是和以往運維最大的區別，AI就是機器學習，這是一門非常復雜的多門類交叉學科，核心是各種各樣的技術算法，這些算法可以讓機器對輸入的數據進行學習和判斷，最終形成自己的理解，讓機器像人一樣去思考遇到的各種問題。AI技術有很多算法，比如分類算法、線性回歸、邏輯回歸、決策樹、關聯規則、深度學習等等。數據中心每天產生設備日志、故障表項、配置管理等海量數據，這些都是AI學習的基礎數據，這些數據能否學好，AI的算法最為關鍵，已有的AI算法并不適用于所有數據中心，這就需要在AI學習數據中心運維數據的過程中不斷調整算法，所以AIOps大神需要懂AI，最好是AI專業走出的高材生，并愿意走入數據中心運維的崗位中來。數據中心的海量數據各種都有，需要根據不同的數據特征設計算法，達到學習的目的。比如數據中心的所有設備端口流量，通過歷史流量模型，可以預測下一次的流量洪峰到來的時間，以便做好預防和保護工作，還可以根據流量模型的異常變化，提前發現網絡故障，甚至可通過AI自動地化解危險。AIOps大神要懂得如何將這些AI技術運用到數據中心的運維工作中去，并起到作用。

 

光有AI顯然不夠，其次還需要腳本語言。自動化腳本已是數據中心運維不可缺少的重要部分，大量運維的工作都需要通過自動化腳本來監控、操作和變更等，大型數據中心擁有海量設備，單靠人海戰術是行不通的。腳本語言比如Python、SQL、TCL等等，這些語言簡單易懂，好上手，不會寫腳本的運維不算是真正的運維專家，這也是提升運維效率的直接武器，必須要掌握。自動化腳本會被應用到數據中心的各種數據和設備監控中去，有些也可以用于變更操作、網絡切換、信息采集甚至故障定位。現在市場上對Python腳本技術人員缺口很大，這類人員的收入也比較高。AIOps也需要腳本，用腳本來采集信息和執行動作，所以腳本語言必須掌握。

 

不管是AI還是自動化腳本終究都是為運維服務的，最關鍵的還是必須要搞清運維的工作內容，懂得哪些工作適合用AIOps，哪些工作不適合，不能什么工作都寄希望于AI。在做數據中心運維時，要知道各種指標如何去監控，知道異常檢測的方法，知道故障如何去發現，知道性能如何調優等，對數據中心運維的工作了如指掌。數據中心里有很多IT設備，功能各不相同，有搞服務器的，有搞網絡的，還有搞安全的等等，網絡架構各不相同，這些都需要長時間的接觸和沉淀，逐漸找到針對一個數據中心的運維方法。數據中心的運維內容非常龐雜，性能分析、流量監控、設備運行狀態采集、故障感知、變更擴容等等，都是運維的工作內容，在數據中心運維的過程中也輸出了運維的管理理念和技術辦法，部分運維內容還形成了行業標準，運維的工作伴隨著數據中心出現就開始了，儼然已經發展成了一門技術學科。數據中心運維不僅是要確保業務長期平穩運行，還要考慮數據中心的經濟效益，如果數據中心的業務增長，運維支出也隨之增長，那數據中心依然獲得不到利潤增長，這就要對運維內容做深入剖析，AIOps面對的就是這些運維工作，所以要對運維內容研究透，AIOps才能有的放矢。要想成為AIOps大神，提前必須是一位出色的數據中心運維的技術專家。

 

這些年，數據中心規模已經變得非常龐大，承載的業務也越來越多和復雜，這都給運維的工作帶來了巨大挑戰，數據中心運維的工作內容越來越龐雜，也在不斷變化，運維成本和壓力越來越大，只有引入AIOps才有可能緩解，充分釋放人力。看看這兩年全球數據中心運維的技術大會內容，基本上講的都是AIOps，AIOps技術火了，自然對AIOps技術人才需求也多了，趁著AIOps還未普及，趕緊學習，練好AI、腳本和運維三大斧，就離成為AIOps技術大神不遠了。