AIOps 中的可观测性是什么（AIOps 可观测性）？

AIOps 是应用 AI 功能（如自然语言处理和机器学习模型）来实现 IT 服务管理和运维工作流自动化。可观测性是仅基于对系统外部输出（特别是其遥测数据）的了解来理解复杂系统内部状态或状况的能力。结合这些实践，为在复杂的多云 IT 环境中进行优化、故障排除和自动化提供了强大的工具。

AIOps 可观测性利用 AI 和 ML 技术分析系统的日志、指标和追踪，并执行包括以下的操作：

• 异常检测，即算法分析大量数据以确定系统性能基线并识别偏差。
  
  
• 根本原因分析 (RCA)，它超越关联性，识别关于系统问题的可操作洞察。
  
  
• 预测性分析，有助于预测未来的系统工作负载并相应地进行资源扩缩。

为了结合 AIOps 和可观测性，大多数组织使用内置 AI 功能的可观测性平台。现代可观测性平台 通常包含生成式 AI 功能，例如可以回答有关网络状态问题的文本界面，或内置在平台仪表板中的实时数据可视化工具。IT 团队可以使用这些生成式 AI 工具——以及可观测性平台自身由 AI 驱动的自动修复工具——来预测停机时间、提高运营效率和改善应用程序性能。

以下是一个如何在可观测性中使用 AIOps 解决方案的示例。假设一个可观测性平台发现了关于应用程序变慢的突发警报与核心路由器延迟之间的关联。

该平台可以利用既定的网络行为基线，识别延迟之前发生的异常活动——例如，对该路由器配置的未经计划的更改。然后，它可以执行自动化的根本原因分析，确定更改的方式、时间和地点。之后，该平台可以查阅预先批准的工作流来应用修复（例如将路由器固件回滚到先前版本）。最后，它可以向 IT 团队呈现一份事件报告，帮助防止进一步的中断。

生成式 AI、混合云运维和可观测性紧密交织。研究公司 Gartner¹ 在 2025 年的一份报告中¹将可观测性描述为生成式 AI 驱动的 CloudOps（云运维）的一项关键功能。根据标普全球市场财智 2025 年的一份报告² ，71% 使用可观测性解决方案的组织正在使用其 AI 功能，较 2024 年增长了 26%。

AIOps 可观测性通过收集传统的可观测性数据（如日志、追踪和指标）来工作。然后，它利用 AI 和机器学习对这些数据执行核心的可观测性功能——例如根本原因分析和异常检测——并建立自动化工作流以帮助优化 IT 基础架构。

AIOps 可观测性依赖于可观测性的三个传统支柱：日志、追踪和指标。

• 日志是应用程序事件的细粒度、带时间戳、完整且不可变的记录。
  
  
• 追踪记录每个用户请求的端到端旅程，从用户界面开始，贯穿整个架构，再返回用户。
  
  
• 指标是衡量应用程序和系统随时间变化的基本度量，例如 CPU  使用率和延迟测量值。 

使用强大的人工智能和机器学习能力是 AIOps 可观测性区别于传统可观测性的关键。AIOps 可观测性需要使用这些工具来执行根本原因分析、异常检测和预测性分析等功能。

根本原因分析是一种质量管理流程，组织通过该流程在问题、事件或事故发生后探寻其根源。这种分析通常通过因果 AI 得到增强，因果 AI 能够通过整合可观测性数据来识别问题的根本原因。然后，它可以展示某些实体是如何以及为何被识别为问题可能原因的，从而使 IT 专业人员能够识别并修复它们。

异常检测是指识别偏离通常、标准或预期状态的数据点，这些数据点因此与数据集中的其余数据不一致。AI 和 ML 的功能可以利用可观测性工具收集的遥测数据来标记偏离基线的点，从而自动识别数据集中正常行为的意外变化。这些偏离有助于检测应用程序性能、网络安全和电子商务平台等方面的问题。

预测性分析是利用历史数据结合统计建模、数据挖掘技术和机器学习来预测未来结果的实践。在 AIOps 可观测性的背景下，AI 模型可以利用遥测数据预测未来工作负载，并相应地扩缩网络资源，从而减少延迟并改善用户体验。

当可观测性与 AIOps、ML 和自动化功能相结合时，IT 团队可以基于系统输出预测问题，并在最少人工干预的情况下解决这些问题。

AIOps 软件可以利用根本原因分析、异常检测、预测性分析以及其他 AI 和 ML 功能来加速故障排除。更快的故障排除有助于通过提高系统性能和事件解决速度来防止未来发生停机。它还可以解放 DevOps 工程师，让他们投入到其他关键任务中。

实施 AIOps 可观测性后，会形成一种有益的“循环”。系统产生的大量遥测数据成为一种资源，IT 专业人员可以在平台自动化功能的帮助下，利用这些数据识别薄弱点并自动制定修复方案。

例如，具有 AIOps 功能的可观测性平台可能通过关联指标注意到，Kubernetes 集群内的 CPU 利用率超过了组织设定的阈值，导致延迟增加。

在识别出问题源于 负载过重的微服务后，AI 可能会建议网络通过增加服务器实例的数量来进行水平扩展。然后，它可以设定一条规则，每当该微服务负载过高时自动执行这些操作，并在流量恢复正常时自动恢复，从而在未来防止瓶颈发生。

AIOps 可观测性可以改善组织的平均修复时间 (MTTR)、DevOps 工作流效率以及安全实践。

AIOps 可观测性可以通过加速根本原因分析来大幅缩短恢复和修复时间。

自动化分析可能是花费数小时对事件进行分类与在问题发生前解决迫在眉睫的问题之间的区别，从而减少停机时间并让 DevOps 团队腾出精力处理其他任务。

AIOps 可观测性通过识别简化和自动化管理任务的机会，可以提高 DevOps 的效率。

例如，假设 AIOps 平台通过根本原因分析发现，在连接的应用程序正常运行之前，需要清除某个缓存。站点可靠性工程师可以利用这一信息创建一个自动化工作流，实时检测该状况，并在缓存达到一定容量时自动清除。该 AIOps 平台还可以生成网络中最有可能发生类似拥塞区域的可视化图。这种可视化可以帮助 DevOps 团队及其他人员在制定组织范围的政策时做出更明智的决策。

一些具有 AI 功能的可观测性平台可以自动执行风险评估、扫描系统或恶意软件，并生成审计追踪和报告。当事件发生时，由 AI 驱动的平台可以利用相关遥测数据，比传统事件响应更快地自动识别攻击向量、评估影响并修复漏洞。

AIOps 还可以通过自动编译和维护详细的系统访问与数据流审计追踪来支持合规性要求。

管理员可以利用通过 AIOps 可观测性收集的遥测数据来抑制过多或不相关的警报、规划组织容量并在性能降级发生之前予以预防。

过多的警报可能导致警报疲劳，即由于大量低优先级、误报或无法操作的警报而造成的精神和操作上的疲惫状态。

由 AI 驱动的可观测性平台可以通过基于机器学习的分类筛选海量警报。这种分类可以通过识别模式、减少重复以及关联相关警报来显著减少人工劳动和错误率，从而减轻人工工作负担。 

容量规划 是一种战略性流程，旨在审查组织满足当前和未来需求所需的生产能力和资源。AIOps 可观测性可以通过将应用程序性能指标和其他遥测数据输入预测算法来改进这一流程。一些支持 AI 的可观测性平台还可以根据网络状况触发工作流来扩展或收缩容量。

AIOps 可观测性有助于防止性能降级，即随着新补丁、应用程序和配置的应用而产生的网络自然熵增。通过处理网络产生的大量数据并建立基线行为，它可以在某项更改可能导致问题时主动提醒 IT 团队。如果获得了相应的预案，它还可以在问题发生前自动采取行动予以阻止。

生成式 AI 功能对 AIOps 和可观测性越来越重要，许多工具都配备了聊天机器人助手，可以直接向工程师提供自然语言反馈和故障排除支持。

考虑到可观测性平台收集的遥测数据的广泛范围，以及平台自身由 AI 驱动的功能，简化的生成式 AI 界面能让站点可靠性工程师快速直接地找到诸如“为什么欧洲用户的服务变慢了？”这类问题的答案。

生成式 AI 功能还有助于为管理员编写简洁的网络事件摘要，并创建关于网络健康状况和事件关联的数据可视化图表。