雲原生時代下，企業的IT運維面臨架構複雜化、業務需求多樣化和運維資料海量化等挑戰，如何能夠實現精準告警、異常智慧診斷、根因定位、異常預測和異常自動修復，已成為企業數字化轉型的急迫需求。

9月26日，阿里巴巴高階技術專家滕聖波在《GOPS全球運維大會》上發表了題為《雲上伺服器無人值守與自助服務實戰》的主題演講，分享了阿里雲彈性計算團隊如何利用人工智慧技術賦能運維自動化，實現雲上伺服器無人值守，幫助使用者降低雲伺服器例項管理的複雜性，來保障例項服務的穩定和高效執行。本文根據滕聖波的演講整理。

 

 

圖：阿里巴巴高階技術專家滕聖波

本文內容架構：
1、雲上伺服器為什麼需要無人值守？
2、阿里雲無人值守的自服務實戰
3、無人值守背後的資料和AI

1、雲上伺服器為什麼需要無人值守？

運維是一種服務，既包含基礎設施軟體服務、也包含人力服務，服務的物件是企業中使用基礎設施的業務團隊，而云計算IaaS是一種運維服務，服務的物件已發展為使用雲服務的開發人員和運維團隊。隨著雲端計算的廣泛落地，大部分企業已經上雲，當前就有100萬多家使用者的業務執行在阿里雲平臺上，阿里雲平臺服務的使用者也越來越多。

隨著平臺使用者規模的擴大，我們發現平臺使用者在ECS例項運維時普遍面臨三個痛點：

（1）背景溝通成本高，為什麼我的例項出問題了？
（2）人工處理需要較長的時間，為什麼這個問題這麼久還沒有解決？
（3）客戶操作不透明，問題看起來修復了，可是剛剛你做了什麼？

為此，我們需要重人力投入在客服人員上讓使用者的問題得以高效解決。為了避免使用者規模擴大帶來的客戶側運維成本的線性上升，我們開始利用人工智慧技術賦能使用者運維管理。在無人零售、無人駕駛成為趨勢的時候，我們認為未來雲上伺服器也將實現無人值守。

事實上，阿里雲彈性計算產品推出十年了，沉澱了眾多ECS例項運維管理經驗和異常“行為”規律。所以依託機器學習的資料驅動，我們通過異常“行為”資料的分析，構建了一套雲上伺服器的無人值守架構，並推出了一系列自助服務，實現了ECS例項的自診斷、自修復、自優化、自運維，幫助使用者降低ECS例項管理的複雜性，從而來保障例項服務的穩定和高效執行。

2、無人值守的自服務實戰

 

雲端計算IaaS的運維工作可以拆分為服務側運維和客戶側運維，服務側運維是雲平臺的運維工作，通常對使用者不可見的，主要涉及基礎設施、基礎產品和上層管控三個層面，包括機房、物理裝置的運維工作、資源虛擬化、資源排程、熱遷移等工作。隨著使用者規模的擴大，這些運維工作會越來越複雜。而使用者側運維工作，是對使用者自己可見的，主要是使用者對ECS例項的修改操作和自動化工作，包括擴容、重啟、監控、客服服務、工單反應、資源編排和運維編排等。

我們構建的雲上伺服器的無人值守架構，為阿里雲平臺使用者提供了一系列的自助服務。廣義上看，阿里雲的自助服務囊括了ECS例項本身、例項生命週期管理、系統管理和自動化、市場和生態四個維度，如下圖。

 

 

圖：廣義上的自助服務

狹義上來說，阿里雲自助服務為使用者實現了ECS例項的診斷、修復和推薦的功能。當天，阿里雲自助服務已提供例項診斷工具、例項優化推薦、自動修復工具、最佳模板推薦和ECS事件自動化等一系列自助服務工具，覆蓋了80% ECS常見問題，將問題解決的平均週期從幾小時縮短至分鐘級，整個過程無需客服人工參與，無隱私洩漏風險，做到了雲上伺服器的無人值守。未來隨著AI+資料的不斷驅動，ECS例項的診斷和修復將會越來越精準。

ECS例項的智慧診斷

根據平臺的資料統計，使用者在使用ECS例項時主要面臨四大類問題：
（1）例項無法遠端訪問
（2）例項無法啟動/停止
（3）例項效能異常
（4）磁碟擴容未生效

所以，在智慧診斷的能力上，我們覆蓋了ECS系統服務、磁碟健康服務、網路健康服務和Guest OS系統配置等維度，使用者一鍵即可完成例項的智慧健康診斷。

ECS例項的自動化修復

在智慧診斷完成後，我們還會為使用者提供ECS例項自動化修復方案，在前者定位問題所在之後，自動化修復能夠在1-3分鐘內解決問題，主要完成ECS系統服務修復、網路問題修復和磁碟修復。

僅僅實現自動化修復是不夠的，我們認為自動化修復還應該是透明合規的。我們通過運維編排服務OOS提供自動化引擎，通過雲助手命令提供GuestOS內的執行能力，運維編排服務OOS+雲助手命令共同幫助使用者完成自動化修復；同時，我們開源了運維編排服務OOS+雲助手命令的程式碼，做到一切修復邏輯對使用者可見；一切修復操作還可以通過ECS例項的映象、快照和資料備份實現回滾；通過阿里雲RAM角色控制實現一切許可權可控，通過阿里雲操作審計ActionTrail實現一切記錄可審計，做到了真正的透明合規。

3、無人值守背後的AI與資料能力

讓我們實現智慧診斷和自動化修復的，是冰山下強大的技術支撐——AI+資料。依託底層的資料中臺，我們完成了包括物理機資料、虛擬化資料、網路資料、控制面資料和GuestOS內資料等資料的採集、清洗、分析和模型的構建；加上AI演算法的不斷調優，我們搭建了使用者畫像、決策樹、預測和推薦模型等，從而保證異常診斷和自動修復越加的精準和高效。

 

當前，在整體的ECS自助服務架構中，主要依靠管控監控中心實時監測日誌服務、中介軟體監控、API請求監控以及控制檯監控和自助診斷的資料，通過機器學習引擎實現問題預警和處理，進而驅動運維編排服務OOS實現自動化修復問題。

 

通過這套AI驅動的自服務架構，當前阿里雲ECS實時記憶體異常感知準確率在70%以上，實施預測鏈路延時則控制在100s以內；另外融合專家經驗、案例庫和知識庫，我們構建了一個強大的診斷決策樹，為加快問題的定位和修復提供了強有力的依據。

近兩年，阿里雲彈性計算團隊持續不斷地投入構建異常行為資料集，未來計劃將其演進成為阿里巴巴集團在異常預測上的“ImageNet 資料集”並進行開源，希望能為異常預測在業內的發展貢獻更大的價值。

 

原文連結
本文為阿里雲原創內容，未經允許不得轉載。