什么是 AIOps?
AIOps 将数据分析和机器学习用于 IT 运维,辅助告警降噪、异常检测和根因分析。本文说明核心能力、可观测性基础及自动处置边界。
直接回答:AIOps(Artificial Intelligence for IT Operations,智能运维)是将数据分析、机器学习等技术用于 IT 运维的方法,可以辅助告警降噪、异常检测、故障研判,并在具备授权和验证条件时执行预案。
为什么需要 AIOps
现代系统的运维数据量和依赖关系可能超出人工逐条排查的范围:
- 微服务架构下一次用户请求可能横跨多个服务,故障点可能藏在其中一环
- 在大规模环境中,指标、日志、链路和事件的每日数据量可能达到 TB 级
- 告警风暴:一次底层故障触发成百上千条关联告警,需要进一步区分直接受影响的信号、级联症状和待验证的原因
传统规则式运维(静态阈值 + 人工排查)在大规模环境下可能产生较高维护负担,但明确的容量与可用性规则仍有价值。AIOps 可以辅助整理数据和排查线索,值班人员仍需核实影响、验证原因并决定如何处置。
AIOps 的核心能力
| 能力 | 说明 |
|---|---|
| 数据汇聚 | 接入指标、日志、链路、事件、变更记录等多源运维数据,或在查询时关联 |
| 告警降噪与关联 | 按规则识别重复告警,再根据服务依赖、时间等上下文把可能相关的告警归为待确认的故障线索 |
| 异常检测 | 用历史基线检测偏离,注意周期性和数据缺失。明确的可用性或容量边界仍可用静态阈值 |
| 根因分析 | 结合拓扑、链路与变更记录,提出可验证的原因候选。时间相关性不足以证明因果 |
| 故障预测 | 在历史数据充足、趋势有参考价值时,估算容量耗尽或性能劣化风险 |
| 自动化处置 | 在授权范围内执行经过验证的预案。高影响变更需有人审批,并确认执行结果和回滚条件 |
AIOps 与可观测性的关系
两者是"燃料与引擎"的关系:
- 可观测性是从指标、日志、链路等信号判断系统内部状态的能力。埋点、采集和关联为这种判断提供数据
- AIOps使用这些数据和变更记录、服务依赖等上下文,辅助检测、归并告警和研判
实践中先从一个排查流程把数据对齐,例如统一服务名、环境和时间口径,确保值班人员能查询到相应数据。数据质量不足会限制检测与关联的可靠性,不能用引入 AI 代替数据治理。
实践中可以先从一条可验证的检测规则开始。例如在观测云监控器中,选择已上报的错误指标、设置检测窗口,并把同服务同时间段的日志链接放进事件内容。需要发送通知时,关联告警策略并配置通知对象。重复通知抑制期间仍会记录生成的事件。在测试范围内触发一次已知故障,验证通知送达和查询范围。监控器的「立即触发检测」只验证规则,不发送实际告警。
AIOps 不是什么
- 不是买一个"AI 告警"功能就完事——它依赖长期的数据积累与场景调优
- 不是取代运维工程师——它处理重复性研判,人负责策略与最终决策
- 不是只有大厂才需要——告警降噪、动态阈值这类轻量能力,中小团队也可以先用一个高频场景评估效果
常见问题(FAQ)
Q:AIOps 和传统监控的区别是什么?
A:监控用阈值、查询等规则发现并记录异常。AIOps 可以在其上结合历史数据和服务上下文,辅助识别重复告警、归并相关信号和提出原因候选,原因仍需证据验证。
Q:落地 AIOps 第一步该做什么?
A:先选一个反复出现的问题,确认关键指标、日志和链路能按服务、环境和时间相互对应,并能被相关人员查到,再用已知故障检验检测和归并结果。
Q:AIOps 和现在火热的 LLM/Agent 运维有什么关系?
A:LLM 和 Agent 可以提供自然语言查询、摘要和排查建议。检测与关联仍依赖可用的数据和规则,生成的解释也要回查原始证据。先让 Agent 在所需权限范围内做只读研判,再按已批准的预案逐步扩大权限。
参考资料
资料核对日期为 2026 年 11 月 10 日。观测云功能和配置条件以公开文档为准。