近日，QCon全球軟體開發大會在廣州舉辦。深信服創新研究院高階技術專家易佳在現場帶來《深信服桌面雲AIOps智慧運維一體化方案演進》的主題演講。

![](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/2382ba8312c043f8b2c68c92a1f1720e~tplv-k3u1fbpfcp-zoom-1.image)

本次演講重點分享了深信服在桌面雲場景下AIOps的相關實戰經驗，以下是他的演講內容摘要。

**一、深信服桌面雲簡介**

桌面雲，即虛擬桌面架構（Virtual Desktop Infrastucture），俗稱虛擬雲桌面（VDI）。VDI的核心是雲桌面的計算儲存網路在伺服器端完成，透過專有協議連線雲桌面。易佳介紹，深信服桌面雲具有移動性強、不受地域限制、集中管控、安全度高等特點。

**二、挑戰與方案設計**

隨著桌面雲運維遇到第三方軟體相容性、藍色畫面、木馬等挑戰，企業需要快速定位問題所在，如應用卡慢、響應延遲等，以及企業可能遇到私有云資源不足、硬體故障、網路等深層挑戰，為此，深信服提出了桌面雲智慧運維一體化技術方案。

![](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/b474588f80a04a6c9ea61ea2cb8bf6da~tplv-k3u1fbpfcp-zoom-1.image)

該方案包括資料服務和智慧分析服務兩大核心部分。其中，資料來源主要為Logs、Traces和Metrics，表示桌面雲的日誌、鏈路和指標資料。
 
所有資料經由資料匯流排流入資料分析引擎，統一儲存於InfluxDB、MongoDB等資料庫，結合OpenAPI，供上層排程、分析和業務應用。

![](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/3c2c4e03ed6941619679accd97fda852~tplv-k3u1fbpfcp-zoom-1.image)

排程器部分，包括策略下發器、動作與建議編排、平臺自身健康監測等；
 
演算法分析部分，包含特徵工程、訓練與模型調優，常用演算法如故障預測、異常檢測、關聯推理等；
業務系統部分，包括閒置虛擬機器識別、虛擬機器擴容縮容建議等，如果出現故障，對故障進行溯源和故障分析。
 
這裡資料採集引擎使用的是Sangfor AIOps Agent，借鑑了telegraf、datadog等開源agent的思想，實現了基於Golang的外掛化採集引擎，支援採集Windows、Linux等多類不同維度的指標資料，供給AIOps分析。
 
隨著使用者訴求和使用者體量的的不斷變化，AIOps資料模型與AI框架演進了三個版本。

![](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/5ddb75c5c8694b759f4af717e85877af~tplv-k3u1fbpfcp-zoom-1.image)

第一個版本主要是一套輕量級監控分析系統，支援時序資料、告警資料、統計分析和容器化部署；支援主機、虛擬機器資料採集做簡單AI分析，適用於小規模使用者。
 
第二個演進的版本是一個輕量級AIOps引擎，支援OpenAPI和資料統一排程。同時也在這個版本引入快取機制，實現了存算分離。同時，更多的AI演算法也得到了支援。
 
從第三個版本開始，實現了一套桌面雲全棧AIOps引擎。在該版本中，面對資料上報的效能瓶頸問題，抽象了資料介面，實現負載均衡。

![](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/45393dbcfbc849348c4e0898d0145bf5~tplv-k3u1fbpfcp-zoom-1.image)

其次是設計了投遞分級，記憶體磁碟雙對列。對於優先順序比較高的實際資料、實際體驗影響比較關鍵的指標，優先保障入庫。

![](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/af0077431dfa4b2ebd953f13916b31b3~tplv-k3u1fbpfcp-zoom-1.image)

同時，也做了多級分表，最佳化了資料結構。保留橫向擴充套件能力，按叢集分庫分表。減少非必要的tag入庫，如ip和hostname，只在tag中保留一個。

![](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/86fb5147a2124d928367f6fd539a1eae~tplv-k3u1fbpfcp-zoom-1.image)

為了平衡實時性與準確度，減少重複資料，可以按採集指標區分不同採集週期，如CPU設定為10s採集一次，memory設定為20s採集一次；靜態資料儘量只採集一次，如伺服器型號、磁碟大小；加入了時間視窗內資料去重，如程式資訊等；根據指標量與繁忙程度，動態調整採集週期。

最後，針對多維異構資料進行了冷熱分層處理，冷資料存檔供AI離線分析和模型訓練，熱資料實時監控和展示。

**三、演算法設計**

深信服桌面雲AIOps引擎提供業務自適應的AI排程，包括統一資料管理、統一模型管理和統一平臺策略。

![](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/ee3c5a85ac2a4eb5829e598a57102e11~tplv-k3u1fbpfcp-zoom-1.image)

涉及的演算法包括基於bagging策略的分段線性迴歸演算法、基於網格搜尋的縮擴容模型、基於資源約束演算法和貪心策略的虛擬機器新增模型、基於時間序列特徵提取和隨機森林的閒置資源識別模型等。
 
基於bagging策略的分段線性迴歸演算法，目的是設計一套評分模型來評測當前虛擬機器、主機和叢集的健康程度。
 
基於CPU、記憶體、磁碟、告警等多維度學習，為每個維度建立弱學習器，最後綜合多個弱學習器構建強學習器，計算得出整體的健康評分。
 
該演算法綜合評價多維核心資源消耗資料，以識別整體負載水平，結合專家經驗設定的告警規則以捕捉偶發異常，運用bagging策略進行加權投票計算出機器的最終健康度評分。

![](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/ebdaa7bb392f4c1b84ad4b3e398f8ab4~tplv-k3u1fbpfcp-zoom-1.image)

基於網格搜尋的縮擴容模型在公有云或混合雲場景也比較常見。當虛擬機器CPU和記憶體資源不夠或過剩時，需要做精細化排程，在保證體驗的同時，控制運營成本。
 
該模型基於歷史的CPU和記憶體時序資料來計算有效峰值，根據計算得到的資源有效峰值資料判斷是否命中縮容/擴容策略，若命中則進一步判斷該虛擬機器是否處於懶惰機制保護時間段，判斷透過後基於網格搜尋以及A/B Test方法給出虛擬機器最佳推薦配置。

![](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/e33fcc5d667949d0855206dfba859036~tplv-k3u1fbpfcp-zoom-1.image)

資源約束演算法和貪心策略的虛擬機器新增模型，是基於總體可容納併發和當前併發來設計的，根據併發量來計算整個叢集剩下多少記憶體和vCPU，讀取叢集整體配置情況以及當前虛擬機器併發情況。
 
根據經驗換算公式得到mhz單位的CPU容量剩餘資料與記憶體剩餘資料，捕捉虛擬機器平均vCPU消耗資料後，基於資源約束演算法結合貪心策略，輸出可新增虛擬機器建議和硬體擴容最佳化指引。

![](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/c5961360992146889048e8fc0338d9cb~tplv-k3u1fbpfcp-zoom-1.image)

基於時間序列特徵提取和隨機森林的閒置資源識別模型，結合可擴充套件假設測試的時間序列特徵，擴充虛擬機器特徵維度，訓練隨機森林模型，輸出虛擬機器閒置機率以及處置建議，同時收集使用者反饋迭代最佳化預訓練模型以形成閉環。

![](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/5855e50eddd74c1e8ee64eadecc36fc6~tplv-k3u1fbpfcp-zoom-1.image)

**四、實踐與落地效果**

該方案支撐大盤、叢集、主機、虛擬機器、網路、儲存、應用軟體全棧監控與分析。方案引入50+規則診斷一些核心指標問題，採集超過800維度的資料，適配30+卡慢場景，實現20+機器學習和統計演算法，從而做到識別出常見的異常問題。

![](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/a5c87a09f88542a4818630565b726971~tplv-k3u1fbpfcp-zoom-1.image)

在桌面雲場景下，虛擬機器內第三方程式問題比較多，應用深信服桌面雲AIOps方案之後可以改善很多。
 
針對卡慢問題，深信服桌面雲卡慢/故障異常檢測準確率達到87%。實施卡慢緩解建議後，約有47%的問題能夠得到明顯緩解。
 
執行AIOps最佳化策略後，整體成本平均下降18%左右。同時，AIOps的智慧診斷能力，可以覆蓋桌面雲65%的已知資源卡慢問題。

![](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/fdba73faf5514b759efa13bb4fddc611~tplv-k3u1fbpfcp-zoom-1.image)

此外，深信服桌面雲AIOps也面臨一些挑戰。比如私有云場景下，因網路限制，很難獲取大規模資料持續不斷地進行AI學習，這導致整個AI鏈路過長。其次，使用者的業務場景很多，在醫療、金融等不同場景下，演算法模型如何做到較高的覆蓋率和精準的識別，這也是當前比較棘手的一個問題。

![](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/369affac6ffc4842aa1eaaf7b3734114~tplv-k3u1fbpfcp-zoom-1.image)

深信服桌面雲未來的演進方向，會體現在增加更多的反饋和模型的自更新機制，實現多業務場景的覆蓋。同時，基於業務畫像和運維知識圖譜，實現精細化故障診斷。
 
以上就是關於《深信服桌面雲AIOps智慧運維一體化方案演進》的分享，關注“深信服科技”公眾號，持續獲取更多技術乾貨內容。

深信服桌面雲aDesk如何實現輕鬆運維？這篇技術解析告訴你答案

相關文章