DevOps 的未來

DevOps 和雲技術正在逼近極限

正規化轉變往往會產生意想不到的後果，這些後果可能需要數年才能被完全消化。 雲端計算就是一個很好的例子。 雲端計算迎來了靈活的基礎設施和低資本要求的時代，由於資源只是一個API呼叫，工程師們無需等待部署。 然而，這一切只是開始。

敏捷的公司利用雲來打破開發和運維之間的隔閡，並採用敏捷方法以縮短開發週期，從而創造戰略優勢。 他們將應用程式生命週期中的工程師團隊分工從之前的開發和測試變為部署和運維， 並建立了需要一系列新技能的職位。這些公司使用 CI/CD 和 DevOps 進一步推動自動化流水線， 以實現更快的交付。

這樣有隱患嗎？去問你的 DevOps 團隊

DevOps 團隊的任務是維護一個工具鏈，以便自動交付新程式碼，按需擴充套件，以及五個 9 的正常執行時間。 在空閒時間，他們致力於提高效能和控制成本。 對於大的應用程式，可以有數千個虛擬機器或容器，每個虛擬機器或容器都有一堆軟體， 還有負載平衡器和自動擴容等雲服務，所有這些都必須進行配置和維護。 這一切都在不斷髮展中。

我之前瞭解過的一個大型獨角獸公司擁有數百名開發人員，每天更新程式碼超過 100 次， 雲上有超過 4000 臺虛擬機器，每月收集數 PB 的資料。 而他們的 DevOps 團隊只有十幾個人手，直到去年才有 VP。 對他們來說，這是一個艱鉅且繁重的任務。

應付這無數的挑戰已經超出了人類的能力範圍。
幸好，AIOps 正在成為一種解決方案。

AIOps 一詞是由  ， 他將其解釋為：

---

AIOps 結合了大資料，機器學習和視覺化技術，透過更強的洞察力來最佳化 IT 運維。 IT 的領導者應該開始部署 AIOps，以最佳化當前的效能分析， 並在未來兩到五年內將使用範圍擴充套件到 IT 服務管理和自動化。

雖然 Gartner 創造了這個術語，但以我拙見，這還沒達到標準。 他的定義以迴圈中的人為中心，以他的描述 AIOps 基本上是一種高階的大資料分析。 要解決 DevOps 困境，我們要定一個更高的目標。

那麼，AIOps 應該是什麼？

我們先從它不應該是什麼開始：一個對現有的運維繫統的修飾，軟體供應商將"以 AI 驅動"作為賣點。 這種情況已經發生了，當新的技術威脅到現有利益時，往往會發生這種情況。 僅僅向已有工具新增一個 API 是不夠的，如果決策需要人為干預，那就不能算是 AIOps。

這是一些 AIOps 的關鍵要求：

• AIOps 系統從你的資料中學習並適應應用程式的工作模式
  • 這意味著它不會每次都做同樣的事情
• AIOps 系統無需人工干預即可制定和實施決策
  • 你可以讓人參與迴圈，直到你完全信任這個系統
• AIOps 系統能持續執行
  • 它能成為你的交付中的標準單元

向 AIOps 的過渡正處於起步階段，但它的熱度正在上升，而且已經有了成功案例。 風險投資正在下注，大小軟體供應商都正在為市場帶來新的解決方案。 從幾年前的日誌分析系統開始，自動化根本原因分析再到故障預測的出現。 入侵檢測系統現在可以從異常流量中學習，有些甚至可以跨公司。 最近，預測自動擴容系統首次亮相。 Optune 和 Opsani 的 AI 系統能夠判斷虛擬機器型別、例項和應用程式引數， 並使用客戶現有的 DevOps 工具鏈和監控系統將它們部署到測試或生產環境中。

DevOps 正在取代傳統的 IT 部門，它的名稱被改變，角色職能也發生了變化， 但 IT 部門要解決的挑戰並沒有消失，它們的規模被乘以了微服務架構的固有規模。 因此，我們需要為這些挑戰設計新的系統，AIOps 必須在未來幾年內發展， 超越 Gartner 的願景，使 DevOps 能夠應對發展的規模和速度。

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》

《》