昨晚跟浙江移動曉徵總暢談很久，從狹義aiops做根因分析引出，聊了aiops的作用，跟sre的關係，實踐的總結，有很多共鳴，也碰撞出很多有意思的觀點。
結合曉徵總整理的，和我記錄的，形成一篇文章，算是拋磚引玉，在aiops經歷了幾年實踐的基礎上，再次**下aiops這個話題。
以下是正文：
和兄弟們和以及江湖上的專家研討了一番，居然哭笑不得地得出乙個初步結論，拋拋磚：狹義上的aiops存在嚴重泡沫。
幾個觀點：
第
一、靠aiops做根因定位靠不靠譜？
ai無論基於機器學習還是深度學習，都依賴於大量的資料。但運維場景往往需要從一次故障中汲取改進的力量，而這個是典型的小資料量建模，需要大量的常識、經驗，需要用到歸納和演繹能力，而這些恰恰是人類的優勢，現階段的ai還難以支撐。
所以，實踐中，在故障時，再依賴什麼aiops做根因定位，實踐中沒有成功過。原因也不難理解，因為每次故障的原因，都會跟之前不同，讓ai去識別乙個從來沒見過的故障，也基本不太可能。
舉個例子，如果讓ai從中識別出乙隻貓？但是你從來沒有給ai演算法足夠的貓的樣本去學習，怎麼能讓ai知道什麼是貓？
故障時的原因也是如此，如果遇到乙個從來沒觸發過的因素，這時靠ai在這麼複雜的體系裡去識別這個因素就是根因，基本不太可能。
可行思路是什麼呢？通過ai快速識別出區域性最小粒度的故障，比如磁碟故障，cpu高，程序響應異常等，或網元粒度的故障，比如資料庫異常、伺服器異常、dns異常等；
然後咋做呢？目標是不定位，不處理，要讓軟體自身具備自癒能力，也就是反脆弱的能力，切換、限流、熔斷，確保最快的速度隔離掉這些區域性問題。
注意這一點需要站在客戶感知視角，從應用到基礎平台南北向端到端協同，來確定最佳隔離方案，單獨站在網元視角來做，有效果，但一定不徹底。
這也是我常說的，雲化實現了架構分層解藕，康威推進了組織內聚自治，但沒有端到端的協同機制（架構設計上，故障響應上），這些組織將迅速從屠龍勇士蛻變成惡龍。
第
二、狹義ai效果最好的是感知，是**
運維中的關鍵一環（**值密度）是故障應急，這個階段又分為感知（眼）、分析（腦）和處理（手）三步。現階段狹義ai效果最好的是感知（**本質上屬於感知plus）。
分析這一步遇到了二十年沒突破的cmdb哲學問題，我們已經基本放棄了，同時也已經有其他路子可以替代，實操效果還不錯，但主要還是用到廣義ai（人類主導的基於規則的建模）而不是狹義ai。
第三階段主要是sre的**作用，ai基本用不上。此外，運維數位化、智慧型化、研發化轉型的基礎-資料匯通+能力融通+組織拉通，也同樣是依賴於人的因素啊。
第三、aiops、devops和sre是什麼關係？
ai是眼睛，發現問題，通過sre的ops手段、提供架構上的逃生通道，通過sre的dev手段，讓線上**真正解決問題。
浙江移動提出的aiopsdev就是這個思路，通過ai發現問題，用sre作為dev的手段提供**化的自動化和反脆弱的能力，依靠sre作為ops的經驗和知識創造逃生通道、設定執行規則。
其實我在17年的時候也同樣表達過類似的思路，當時是思考aiops的意義是什麼。當時還寫過一篇文章《ai時代，我們離aiops還有多遠？》，大家有興趣可以看一下。
裡面的這張圖基本表達了aiops和sre的關係，只不過經過業界這三年的實踐，跟曉徵總**下來，中間的rca根因分析這一步，其實是沒有什麼意義的，應該從第一階段可以直接到第三階段。
第四，運維真的會被機器或ai替代嗎？
這種說法，純屬扯淡。江湖上沸沸揚揚人心惶惶的說法什麼運維團隊的人要被機器替代了，什麼運維人員都被砍掉了，什麼阿里雲運維人員只有幾十人啊，人均運維網元數怎麼怎麼高啊。
一部分是真的，被機器替代了一些人，但主要替代的是純簡單可重複操作的人，但大部分是扯淡，因為大量的工作仍然依賴於有經驗的人！
只是這些人不是傳統操作人員，而是具備軟體工程思維、數智化思維、熟悉技術棧、懂得程式設計能力的新型運維sre。其實根據我這邊的實操看，相當部分的傳統二線轉型sre是有可能的。
所以也不必過分擔心什麼運維人員被機器替代的問題。此外，有網際網路公司疑似銷售人員過度宣傳的因素，這些人應該不是真正搞技術的，真正懂技術懂運維轉型的網際網路專家一般還是有節操的，不會胡說八道。
實際上運維轉型以後，看你什麼口徑了，實際上整體大運維人數上公升是常態，但一方面配比變了，有研發和架構能力的人員比例大增強，操作類人員比例下降。
一方面人均戰鬥力大大提公升了是肯定的，雲化以後單網元不穩定了，網元層次多了數量多了複雜度高了，所以以前是拼人肉，現在是拼經驗拼算力拼資料拼**拼機制，單兵戰力當然大大提公升了。
看看美軍就知道了，軍隊數位化，步兵特戰化，看著前面沒幾個兵，問題是看不見的那些人都是作戰體系一環啊，同時戰力大幅提公升。
複雜運維場景下,如何實現分鐘級的故障根因定位
熊亞軍開篇 在超級網際網路公司，隨著伺服器規模都早早邁過 10 萬台量級，加之業務模式的多樣性和 it 架構的雲化遷移，其 it 運維團隊面臨的挑戰與日俱增，常規的系統和經驗都需要不斷迭代更新。首先我們先來看看超級網際網路公司的業務架構示例圖 在超級網際網路公司中，通常不同的層次都由不同的團隊來負責...
常見NuPlayer錯誤log根因
遇到情況是由於 audiooutput getposition 返回err導致 當 nuplayerdecoder 接收到底層codec解碼的第一幀有效資料時，會通知nuplayerrender去open audiosink 才會去new 其 mtrack。故nuplayerdecoder 接收的第...
定位amdu無法使用的根因並解決
環境 oel 5.7 oracle 10g amdu x86 64 現象 我的兩套實驗環境，一套單例項，一套rac，作業系統都是oel 5.7，資料庫都是oracle 10g，上傳同樣的amdu介質。乙個正常，乙個報錯 報錯環境 oracle rac1 server lib amdu amdu sy...