云原生時代，企業(yè)IT運維面臨架構(gòu)復(fù)雜、業(yè)務(wù)需求多樣化、運維數(shù)據(jù)海量等挑戰(zhàn)。已成為企業(yè)數(shù)字化轉(zhuǎn)型的迫切需求。

9月26日，阿里巴巴高級技術(shù)專家滕勝波在“GOPS全球運維大會”上發(fā)表了題為“云服務(wù)器無人值守與自助服務(wù)”的主題演講，分享了阿里云彈性計算團隊如何利用人工智能。智能技術(shù)實現(xiàn)自動化運維，實現(xiàn)云端服務(wù)器無人值守，幫助用戶降低云服務(wù)器實例管理復(fù)雜度，保障實例服務(wù)穩(wěn)定高效運行。本文是根據(jù)滕勝波的講話改編的。

本文內(nèi)容結(jié)構(gòu)：

1、為什么云服務(wù)器需要無人值守？

2、阿里巴巴云無人值守自助實戰(zhàn)

3、無人值守背后的數(shù)據(jù)和AI

1、為什么云服務(wù)器需要無人值守？

運維是一種服務(wù)，既包括基礎(chǔ)設(shè)施軟件服務(wù)，也包括人工服務(wù)。服務(wù)的對象是企業(yè)中使用基礎(chǔ)設(shè)施的業(yè)務(wù)團隊，而云計算IaaS是一種運維服務(wù)，而服務(wù)的對象已經(jīng)開發(fā)為使用云服務(wù)的開發(fā)人員和運營團隊。隨著云計算的廣泛實施，大多數(shù)企業(yè)已經(jīng)遷移到云端。目前，有超過100萬用戶的業(yè)務(wù)在阿里云平臺上運行，阿里云平臺服務(wù)的用戶也越來越多。

隨著平臺用戶的擴大，我們發(fā)現(xiàn)平臺用戶在運維ECS實例時普遍面臨三個痛點：

（1）后臺通信成本高，為什么我的實例有問題？

（2）手工處理時間長，為什么這個問題這么久沒有解決？

（3）客戶端操作不透明，問題好像解決了，但是你剛剛做了什么？

為此，我們需要在客服人員上投入巨資，讓用戶的問題得到高效的解決。為了避免用戶規(guī)模擴大帶來的客戶端運維成本線性增加，我們開始使用人工智能技術(shù)賦能用戶運維管理。當(dāng)無人零售、無人駕駛成為趨勢時，我們相信未來云端服務(wù)器也將無人值守。

事實上，阿里云彈性計算產(chǎn)品推出十年，積累了很多ECS實例運維管理經(jīng)驗和異常“行為”規(guī)則。因此，依托機器學(xué)習(xí)的數(shù)據(jù)驅(qū)動特性，我們通過對異?！靶袨椤睌?shù)據(jù)的分析，為云端服務(wù)器搭建無人值守架構(gòu)，推出一系列自助服務(wù)，實現(xiàn)自診斷、自愈合、自優(yōu)化和自運維幫助用戶降低ECS實例管理的復(fù)雜度，從而保證實例服務(wù)的穩(wěn)定高效運行。

2、無人值守自助實戰(zhàn)

云計算IaaS的運維可以分為服務(wù)端運維和客戶端運維。服務(wù)端運維是云平臺的運維工作，通常用戶看不到，主要涉及基礎(chǔ)設(shè)施、基礎(chǔ)產(chǎn)品和上層管控。三個層次，包括機房和物理設(shè)備的運維、資源虛擬化、資源調(diào)度、熱遷移。隨著用戶規(guī)模的擴大，這些運維任務(wù)會越來越復(fù)雜。用戶側(cè)運維工作對用戶是可見的，主要是用戶對ECS實例的修改和自動化，包括擴容、重啟、監(jiān)控、客服、

我們搭建的云服務(wù)器無人值守架構(gòu)，為阿里云平臺用戶提供了一系列的自助服務(wù)。從廣義上講，阿里云的自助服務(wù)包括四個維度：ECS實例本身、實例生命周期管理、系統(tǒng)管理與自動化、市場與生態(tài)，如下圖所示。

圖：廣義的自助服務(wù)

狹義的阿里云自助服務(wù)是為用戶實現(xiàn)ECS實例的診斷、修復(fù)、推薦等功能。當(dāng)天，阿里云自助提供了實例診斷工具、實例優(yōu)化推薦、自動修復(fù)工具、最佳模板推薦、ECS事件自動化等一系列自助工具服務(wù)器運維技術(shù)，覆蓋了80%的常見ECS問題，將平均問題解決時間從幾小時縮短到幾分鐘。全程無需客服人員人工參與，不存在隱私泄露風(fēng)險。云上的服務(wù)器是無人值守的。未來服務(wù)器運維技術(shù)，隨著AI+數(shù)據(jù)的不斷驅(qū)動，ECS實例的診斷和修復(fù)會越來越精準(zhǔn)。

ECS實例智能診斷

根據(jù)平臺統(tǒng)計，用戶在使用ECS實例時主要面臨四類問題：

(1）無法遠(yuǎn)程訪問實例

(2）實例無法啟動/停止

(3）實例性能異常

(4）擴盤不生效

因此，在智能診斷能力方面，我們涵蓋了ECS系統(tǒng)服務(wù)、磁盤健康服務(wù)、網(wǎng)絡(luò)健康服務(wù)、Guest OS系統(tǒng)配置等維度。用戶可以一鍵完成實例的智能健康診斷。

ECS實例自動修復(fù)

智能診斷完成后，我們還將為用戶提供ECS實例的自動修復(fù)解決方案。前者定位問題后，自動修復(fù)可在1-3分鐘內(nèi)解決問題，主要完成ECS系統(tǒng)服務(wù)修復(fù)、網(wǎng)絡(luò)問題修復(fù)和磁盤修復(fù)。.

僅僅實施自動化修復(fù)是不夠的，我們認(rèn)為自動化修復(fù)還應(yīng)該是透明和合規(guī)的。我們通過運維編排服務(wù)OOS提供自動化引擎，通過云助手命令提供內(nèi)部執(zhí)行能力。運維編排服務(wù)OOS+云助手命令共同幫助用戶完成自動修復(fù)；同時開源運維編排服務(wù)OOS+云助手命令。代碼，使所有修復(fù)邏輯對用戶可見；所有修復(fù)操作也可以通過ECS實例鏡像、快照、數(shù)據(jù)備份進行回滾；所有權(quán)限都可以通過阿里云RAM角色控制來控制，

3、無人值守背后的AI和數(shù)據(jù)能力

使我們能夠?qū)崿F(xiàn)智能診斷和自動修復(fù)的，是冰山下的強大技術(shù)支撐——AI+數(shù)據(jù)。依托底層數(shù)據(jù)中心，完成了物理機數(shù)據(jù)、虛擬化數(shù)據(jù)、網(wǎng)絡(luò)數(shù)據(jù)、控制面數(shù)據(jù)、內(nèi)部數(shù)據(jù)等數(shù)據(jù)的采集、清洗、分析和模型構(gòu)建；再加上AI算法的不斷優(yōu)化，我們構(gòu)建了用戶畫像、決策樹、預(yù)測推薦模型等，確保異常診斷和自動修復(fù)更加精準(zhǔn)高效。

目前，在整個ECS自助服務(wù)架構(gòu)中，控制監(jiān)控中心主要依靠日志服務(wù)的實時監(jiān)控、中間件監(jiān)控、API請求監(jiān)控、控制臺監(jiān)控和自診斷數(shù)據(jù)，實現(xiàn)問題預(yù)警和通過機器學(xué)習(xí)引擎進行處理，進而驅(qū)動運維編排服務(wù)OOS，實現(xiàn)問題的自動修復(fù)。

通過這種AI驅(qū)動的自助服務(wù)架構(gòu)，目前阿里云ECS實時內(nèi)存異常感知準(zhǔn)確率超過70%，實現(xiàn)預(yù)測鏈路延遲控制在100s以內(nèi)；此外，整合專家經(jīng)驗、案例庫和知識庫，構(gòu)建強大的診斷決策樹，為加快問題定位和修復(fù)提供有力依據(jù)。

近兩年，阿里云彈性計算團隊不斷投入異常行為數(shù)據(jù)集的建設(shè)。未來計劃將其演化為阿里巴巴集團異常預(yù)測的“數(shù)據(jù)集”并開源，希望對行業(yè)異常預(yù)測的發(fā)展有所幫助。貢獻更大的價值。