云原生時(shí)代下，企業(yè)的IT運(yùn)維面臨架構(gòu)復(fù)雜化、業(yè)務(wù)需求多樣化和運(yùn)維數(shù)據(jù)海量化等挑戰(zhàn)，如何能夠?qū)崿F(xiàn)精準(zhǔn)告警、異常智能診斷、根因定位、異常預(yù)測和異常自動(dòng)修復(fù)，已成為企業(yè)數(shù)字化轉(zhuǎn)型的急迫需求。

9月26日，阿里巴巴高級技術(shù)專家滕圣波在《GOPS全球運(yùn)維大會》上發(fā)表了題為《云上服務(wù)器無人值守與自助服務(wù)實(shí)戰(zhàn)》的主題演講，分享了阿里云彈性計(jì)算團(tuán)隊(duì)如何利用人工智能技術(shù)賦能運(yùn)維自動(dòng)化，實(shí)現(xiàn)云上服務(wù)器無人值守，幫助用戶降低云服務(wù)器實(shí)例管理的復(fù)雜性，來保障實(shí)例服務(wù)的穩(wěn)定和高效運(yùn)行。本文根據(jù)滕圣波的演講整理。

?

?

圖：阿里巴巴高級技術(shù)專家滕圣波

本文內(nèi)容架構(gòu)：
1、云上服務(wù)器為什么需要無人值守？
2、阿里云無人值守的自服務(wù)實(shí)戰(zhàn)
3、無人值守背后的數(shù)據(jù)和AI

1、云上服務(wù)器為什么需要無人值守？

運(yùn)維是一種服務(wù)，既包含基礎(chǔ)設(shè)施軟件服務(wù)、也包含人力服務(wù)，服務(wù)的對象是企業(yè)中使用基礎(chǔ)設(shè)施的業(yè)務(wù)團(tuán)隊(duì)，而云計(jì)算IaaS是一種運(yùn)維服務(wù)，服務(wù)的對象已發(fā)展為使用云服務(wù)的開發(fā)人員和運(yùn)維團(tuán)隊(duì)。隨著云計(jì)算的廣泛落地，大部分企業(yè)已經(jīng)上云，當(dāng)前就有100萬多家用戶的業(yè)務(wù)運(yùn)行在阿里云平臺上，阿里云平臺服務(wù)的用戶也越來越多。

隨著平臺用戶規(guī)模的擴(kuò)大，我們發(fā)現(xiàn)平臺用戶在ECS實(shí)例運(yùn)維時(shí)普遍面臨三個(gè)痛點(diǎn)：

（1）背景溝通成本高，為什么我的實(shí)例出問題了？
（2）人工處理需要較長的時(shí)間，為什么這個(gè)問題這么久還沒有解決？
（3）客戶操作不透明，問題看起來修復(fù)了，可是剛剛你做了什么？

為此，我們需要重人力投入在客服人員上讓用戶的問題得以高效解決。為了避免用戶規(guī)模擴(kuò)大帶來的客戶側(cè)運(yùn)維成本的線性上升，我們開始利用人工智能技術(shù)賦能用戶運(yùn)維管理。在無人零售、無人駕駛成為趨勢的時(shí)候，我們認(rèn)為未來云上服務(wù)器也將實(shí)現(xiàn)無人值守。

事實(shí)上，阿里云彈性計(jì)算產(chǎn)品推出十年了，沉淀了眾多ECS實(shí)例運(yùn)維管理經(jīng)驗(yàn)和異常“行為”規(guī)律。所以依托機(jī)器學(xué)習(xí)的數(shù)據(jù)驅(qū)動(dòng)，我們通過異常“行為”數(shù)據(jù)的分析，構(gòu)建了一套云上服務(wù)器的無人值守架構(gòu)，并推出了一系列自助服務(wù)，實(shí)現(xiàn)了ECS實(shí)例的自診斷、自修復(fù)、自優(yōu)化、自運(yùn)維，幫助用戶降低ECS實(shí)例管理的復(fù)雜性，從而來保障實(shí)例服務(wù)的穩(wěn)定和高效運(yùn)行。

2、無人值守的自服務(wù)實(shí)戰(zhàn)

?

云計(jì)算IaaS的運(yùn)維工作可以拆分為服務(wù)側(cè)運(yùn)維和客戶側(cè)運(yùn)維，服務(wù)側(cè)運(yùn)維是云平臺的運(yùn)維工作，通常對用戶不可見的，主要涉及基礎(chǔ)設(shè)施、基礎(chǔ)產(chǎn)品和上層管控三個(gè)層面，包括機(jī)房、物理設(shè)備的運(yùn)維工作、資源虛擬化、資源調(diào)度、熱遷移等工作。隨著用戶規(guī)模的擴(kuò)大，這些運(yùn)維工作會越來越復(fù)雜。而用戶側(cè)運(yùn)維工作，是對用戶自己可見的，主要是用戶對ECS實(shí)例的修改操作和自動(dòng)化工作，包括擴(kuò)容、重啟、監(jiān)控、客服服務(wù)、工單反應(yīng)、資源編排和運(yùn)維編排等。

我們構(gòu)建的云上服務(wù)器的無人值守架構(gòu)，為阿里云平臺用戶提供了一系列的自助服務(wù)。廣義上看，阿里云的自助服務(wù)囊括了ECS實(shí)例本身、實(shí)例生命周期管理、系統(tǒng)管理和自動(dòng)化、市場和生態(tài)四個(gè)維度，如下圖。

?

?

圖：廣義上的自助服務(wù)

狹義上來說，阿里云自助服務(wù)為用戶實(shí)現(xiàn)了ECS實(shí)例的診斷、修復(fù)和推薦的功能。當(dāng)天，阿里云自助服務(wù)已提供實(shí)例診斷工具、實(shí)例優(yōu)化推薦、自動(dòng)修復(fù)工具、最佳模板推薦和ECS事件自動(dòng)化等一系列自助服務(wù)工具，覆蓋了80% ECS常見問題，將問題解決的平均周期從幾小時(shí)縮短至分鐘級，整個(gè)過程無需客服人工參與，無隱私泄漏風(fēng)險(xiǎn)，做到了云上服務(wù)器的無人值守。未來隨著AI+數(shù)據(jù)的不斷驅(qū)動(dòng)，ECS實(shí)例的診斷和修復(fù)將會越來越精準(zhǔn)。

ECS實(shí)例的智能診斷

根據(jù)平臺的數(shù)據(jù)統(tǒng)計(jì)，用戶在使用ECS實(shí)例時(shí)主要面臨四大類問題：
（1）實(shí)例無法遠(yuǎn)程訪問
（2）實(shí)例無法啟動(dòng)/停止
（3）實(shí)例性能異常
（4）磁盤擴(kuò)容未生效

所以，在智能診斷的能力上，我們覆蓋了ECS系統(tǒng)服務(wù)、磁盤健康服務(wù)、網(wǎng)絡(luò)健康服務(wù)和Guest OS系統(tǒng)配置等維度，用戶一鍵即可完成實(shí)例的智能健康診斷。

ECS實(shí)例的自動(dòng)化修復(fù)

在智能診斷完成后，我們還會為用戶提供ECS實(shí)例自動(dòng)化修復(fù)方案，在前者定位問題所在之后，自動(dòng)化修復(fù)能夠在1-3分鐘內(nèi)解決問題，主要完成ECS系統(tǒng)服務(wù)修復(fù)、網(wǎng)絡(luò)問題修復(fù)和磁盤修復(fù)。

僅僅實(shí)現(xiàn)自動(dòng)化修復(fù)是不夠的，我們認(rèn)為自動(dòng)化修復(fù)還應(yīng)該是透明合規(guī)的。我們通過運(yùn)維編排服務(wù)OOS提供自動(dòng)化引擎，通過云助手命令提供GuestOS內(nèi)的執(zhí)行能力，運(yùn)維編排服務(wù)OOS+云助手命令共同幫助用戶完成自動(dòng)化修復(fù)；同時(shí)，我們開源了運(yùn)維編排服務(wù)OOS+云助手命令的代碼，做到一切修復(fù)邏輯對用戶可見；一切修復(fù)操作還可以通過ECS實(shí)例的鏡像、快照和數(shù)據(jù)備份實(shí)現(xiàn)回滾；通過阿里云RAM角色控制實(shí)現(xiàn)一切權(quán)限可控，通過阿里云操作審計(jì)ActionTrail實(shí)現(xiàn)一切記錄可審計(jì)，做到了真正的透明合規(guī)。

3、無人值守背后的AI與數(shù)據(jù)能力

讓我們實(shí)現(xiàn)智能診斷和自動(dòng)化修復(fù)的，是冰山下強(qiáng)大的技術(shù)支撐——AI+數(shù)據(jù)。依托底層的數(shù)據(jù)中臺，我們完成了包括物理機(jī)數(shù)據(jù)、虛擬化數(shù)據(jù)、網(wǎng)絡(luò)數(shù)據(jù)、控制面數(shù)據(jù)和GuestOS內(nèi)數(shù)據(jù)等數(shù)據(jù)的采集、清洗、分析和模型的構(gòu)建；加上AI算法的不斷調(diào)優(yōu)，我們搭建了用戶畫像、決策樹、預(yù)測和推薦模型等，從而保證異常診斷和自動(dòng)修復(fù)越加的精準(zhǔn)和高效。

?

當(dāng)前，在整體的ECS自助服務(wù)架構(gòu)中，主要依靠管控監(jiān)控中心實(shí)時(shí)監(jiān)測日志服務(wù)、中間件監(jiān)控、API請求監(jiān)控以及控制臺監(jiān)控和自助診斷的數(shù)據(jù)，通過機(jī)器學(xué)習(xí)引擎實(shí)現(xiàn)問題預(yù)警和處理，進(jìn)而驅(qū)動(dòng)運(yùn)維編排服務(wù)OOS實(shí)現(xiàn)自動(dòng)化修復(fù)問題。

?

通過這套AI驅(qū)動(dòng)的自服務(wù)架構(gòu)，當(dāng)前阿里云ECS實(shí)時(shí)內(nèi)存異常感知準(zhǔn)確率在70%以上，實(shí)施預(yù)測鏈路延時(shí)則控制在100s以內(nèi)；另外融合專家經(jīng)驗(yàn)、案例庫和知識庫，我們構(gòu)建了一個(gè)強(qiáng)大的診斷決策樹，為加快問題的定位和修復(fù)提供了強(qiáng)有力的依據(jù)。

近兩年，阿里云彈性計(jì)算團(tuán)隊(duì)持續(xù)不斷地投入構(gòu)建異常行為數(shù)據(jù)集，未來計(jì)劃將其演進(jìn)成為阿里巴巴集團(tuán)在異常預(yù)測上的“ImageNet 數(shù)據(jù)集”并進(jìn)行開源，希望能為異常預(yù)測在業(yè)內(nèi)的發(fā)展貢獻(xiàn)更大的價(jià)值。

?

原文鏈接
本文為阿里云原創(chuàng)內(nèi)容，未經(jīng)允許不得轉(zhuǎn)載。

總結(jié)

以上是生活随笔為你收集整理的130 秒揭秘 EDAS 3.0 如何平滑应对突发流量高峰，为您的业务保驾护航的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。