AIOps工具高效实用技巧

关于开源工具与专有工具的争论早已不是什么新鲜事。但在AIOps工具方面，还有其他一些特殊的因素需要考量。

AIOps工具市场不仅特别复杂，而且相关工具总是有着很多独特的性质，例如需要访问敏感数据，往往进一步影响到采购方在评估方面的具体判断。

在深入探讨开源与专有问题之前，我们首先需要明确定义何谓AIOps工具。以此为基础，我们再比较两类工具，尝试解释企业应当结合哪些因素在开源与专有AIOps方案之间做出抉择。

作为一个流行词汇，不同的人往往对AIOps有着不同的定义与理解。在本文中，我们将AIOps定义为使用人工智能(AI)或机器学习的一切IT工具或服务。很明显，这是一种相当宽泛的定义方法;也有部分供应商及分析师认为，工具必须要用到复杂的AI与机器学习算法，才有资格被列入AIOps阵营。

但是，随着AIOps市场的迅速发展，我们倒不妨把标准放宽一点。某些工具虽然未被明确划定为AIOps平台，但采购方很可能就是想把它当成AIOps工具来使用。对于这类情况，坚持狭义AIOps定义显然不利于做出确切的判断。

开源AIOps工具

就目前来看，只有少部分开源项目将自身标榜为AIOps。但不少开源平台提供的某些功能完全符合AIOps的理念。例如，使用数据分析(在一定程度上)实现工作流程编排自动化的Kubernetes正是AIOps平台的重要特征。Nagios及Zabbix等开源监控平台也能够提供相当一部分AIOps基本分析功能。此外，各类开源编程语言模块或框架，如PyTorch与TensorFlow也有助于实现AIOps功能，而这些显然不算是完整的AIOps平台。

从各个角度来看，支持开源AIOps工具的观点与支持整个开源生态的思路基本相同 ——与专有替代方案相比，开源AIOps工具往往成本更低、更易于修改或自定义，同时也降低了供应商及平台锁定的风险。

除此之外，评估开源AIOps工具时还应关注一些特殊的注意事项。首先，到目前为止还没有出现任何端到端开源AIOps平台。换句话说，没有哪种单一的开源平台能够直接为企业提供简化IT运营的全部必要AIOps功能。相反，我们需要将多种不同开源工具整合起来，每款工具只能提供一部分AIOps功能。要使用这些开源工具并充分发挥AIOps的优势，IT运营团队需要面对大量工具选项，自然也就得耗费大量精力。

除此之外，AIOps工具在本质上需要访问到大量数据，其中一部分数据可能相当敏感，或者可能被攻击者用于发动入侵乃至破坏。这意味着使用专有的AIOps工具，买方必须信任卖方，允许后者成为在客户系统及环境中提取并分析数据的称职管家。此外，合规性问题也很重要，目前不少法律已经对供应商工具将用户数据移动至自有基础设施内以进行处理或存储的场景做出约束。

如果平台需要借助外部基础设施进行数据处理，那么开源AIOps工具也会受到同样的影响。但大多数开源工具主要运行在用户的自有数据中心内，或者至少是在用户控制的公有云基础设施之上运行，因此带来的合规性或数据隐私问题一般更少。毕竟每个人都可以观察开源工具的源代码，借此确定项目对用户信息的处理方式，借此提升数据管理流程的透明度与可信度。

（编辑：好传媒网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!