随着AI、大数据技术在IT运维领域的落地，AIOps成为传统运维厂商、新兴APM/NPM厂商和云服务商追捧的焦点，越来越多的用户开始了解、尝试和应用AIOps。但是，由于不同厂商的AIOps发展路径和自身产品技术实力的不同，对于AIOps的定义和宣传有很大的差异，而用户面对嘈杂的市场声音往往就像雾里看花，显得无所适从。
美国著名IT研究机构Enterprise Management Associates(EMA)副总裁Dennis Drogseth在《AIOps IT Analytics at the Crossroads》网络研讨会上，同样被欧美用户多次问及AIOps和传统监控工具之间界限的问题，特别是AIOps和APM产品的功能差异，如：它们到底有何不同?如果已经有了APM，还需要AIOps吗?企业为什么要同时购买APM和AIOps产品?
根据Gartner在2019年7月发布的IT性能分析技术成熟度曲线显示，AIOps正在从科技诞生的促动期 (Technology Trigger)进入过高期望的峰值(Peak of Inflated Expectations)，而APM/NPM等技术已经进入稳步爬升的光明期 (Slope of Enlightenment)，为什么还会出现AIOps和APM/NPM概念混淆?这里既有两种产品相互交叉造成的误解的因素，也有市场炒作和竞争的原因。Dennis Drogseth将在本文中为我们理清AIOps和APM的异同。
APM和AIOps的本质区别
APM的本质是监控工具。顾名思义，Application Performance Monitoring(Gartner对APM的定义)主要关注应用程序的性能，包括一些应用程序/基础架构的相互依赖性(应用拓扑)。诚然，随着APM逐渐向智能化发展，越来越多的APM产品开始在某种程度上提供故障预测能力，让APM和AIOps的边界变得有些模糊，但在更广泛的IT运维管理与分析场景中，APM的重点仍是监控，同时也是AIOps平台的最重要数据来源。
AIOps是覆盖全部7层IT技术栈的平台解决方案。AIOps作为一种运维策略，可以与企业现有的ITOM工具、基础设施监控(ITIM)、网络性能监控(NPM)、应用性能监控(APM)和数字性能监控(DPM)工具进行整合，同时AIOps的数据源还包括了IoT、配置数据、日志文件，甚至电子表格等文档信息。
此外，从大数据分析到故障预测，AIOps解决方案可利用超过13种不同的分析探索方法，用于规范和if / then风格的机器学习。EMA研究表明，目前市场上流行的AIOps平台，有超过50%能接入23种以上不同监测系统和ITOM工具。最重要的是，AIOps解决方案能够支持变更管理、容量预测、安全及SecOps、成本优化、云迁移以及DevOps和终端用户体验分析，这些是远远超出APM能力范围的。
因此，我们能够得出一个基本结论：AIOps是一种涵盖了APM、网络管理、系统管理、数据库管理和多云管理的统一管控技术，能够关联整合和主动分析来自不同数据源的数据。AIOps比APM在范围、用例和价值上更广泛，本质上与EMA定义的高级自动化分析(AIA)的目标是一致的。
APM和AIOps的几点相似之处
但是，如果我们把AIOps看做可以替换APM/NPM/DPM的监控工具，同样有失偏颇。事实上，APM的应用为AIOps能力的完善提供了巨大帮助。Dennis Drogseth总结出以下四个方面：
APM通过基础设施依赖性进行应用程序管理的价值越来越高，因此APM也就成为自上而下评估服务管理和服务交付有效性的重要依据。
APM的核心能力之一是发现应用/基础架构拓扑，而应用发现和依赖关系映射(ADTD)提供了更多动态功能，这些功能同样是AIOps解决方案的基础，可以直接集成或借助APM的发现功能进行实现。
APM越来越关注终端用户体验管理(DEM)，这也是追求与业务价值保持一致的AIOps解决方案不断增强的能力之一。
业务绩效指标是选择APM解决方案的重要依据，这同样是用户选择AIOps解决方案的关键参数。当然AIOps平台拥有更全面的基础指标数据，可以更加全面的评估业务价值，分析容量、成本、安全/合规性问题和其他指标。
AIOps如何实现IT统一管控
AIOps作为一种覆盖全部技术栈的统一管控技术，能够帮助企业内部所有与IT相关部门进行变革，而不仅局限于运维部门。EMA连续两年的研究显示，AIOps能够在所有造成数据孤岛的IT工具整合中发挥巨大价值。此外，AIOps与IT服务管理(ITSM)的集成也至关重要，因为这样才能帮助开发、安全团队和运营部门更有效地协同工作。
但是，企业内部应该正确认知AIOps并就起目标和价值达成共识，才能实现IT的统一管控。而要发挥统一平台的最大价值，需要把AIOps的领导力、创造力和灵活性应用在IT思维和工作方式中。与CMDB/CMS计划并行，AIOps计划需要各部门主动共享数据，探索新的流程效率水平，同时提高自动化水平。此外，AIOps需要更具凝聚力和更积极主动的心态，去探索遇到的新问题。当然，最佳实践仍然适用于AIOps，与数字化转型计划保持一致，这些计划为IT转型提供了额外的砝码和价值。
虽然我们常常在市场上听到关于AIOps的错误概念，或从字面上把AIOps误解为Ops专用的运维工具平台，但希望大家通过本文清楚认识到：AIOps是激发所有IT系统价值的基础。由于AIOps在产品设计和价值输出是非常多样化的，所以它不仅是一个市场概念，更是一个创新的IT环境。因此，我们需要根据现阶段的IT成熟度和业务需求，按照优先级选择适合的场景、用例，逐步推进AIOps的落地。
作者：Dennis Drogseth
免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。
