隨著互聯網、5G、IoT等技術的飛速發展，全球大型數據中心數量將以3.6%的復合年增長率增長，數據中心規模不斷擴大，數據中心服務器規模已經達到10萬級，這不僅需要更多的運維工程師，給企業增加運維成本，同時給運維工程師也帶來了極大的難度和挑戰：如何及時發現異常設備?異常根因是什么?故障是否能自愈?是否能預測故障?性能趨勢是什么?如何決策?

運維發展歷程：人肉運維、自動化運維和智能運維

解放運維工程師 你需要服務器智能運維

早期的運維工作，大部分是由運維工程師手工完成，這被稱作人肉運維。服務器運行狀態，全靠運維工程師每日肉眼查看，進行問題定位與解決。自動化運維應運而生，大大提升了發現異常設備的效率，降低了運維成本。但是，面對故障根因、故障預測、性能趨勢和控制決策，自動化運維力不從心。

Gartner在2016時提出了智能運維(Artificial Intelligence for IT Operations)的概念，并預測到2020年，智能運維的采用率將高達50%。從服務器運維的角度來分析服務器智能運維，目標就是通過對帶外信息(配置信息、狀態信息、性能信息、日志等)和帶內信息(配置參數、性能信息、日志信息)進行采集，通過機器學習的方式來解決運維問題，提高系統預警能力和穩定性，降低運維成本，提高運維效率。

異?？焖贆z測，問題準確告警

在服務器運維中，異常檢測是根本，常見的有三大監控數據：狀態指標、性能指標和日志數據，狀態指標一般誤報率較少，而傳統性能指標的設置閾值，常常某一時刻產生噪點數據而產生誤報;對于周期性變化的數據又無法進行動態調整，也常常產生誤報，大大降低了告警的準確性。日志一般是半結構化數據，根據日志級別產生告警，其準確性極差，并且只能檢測到已知和確定模式的異常。

浪潮服務器智能運維采用無閾值告警，無需人為設置閾值，通過對時序數據進行去噪、升維、方差等處理后，經過神經網絡、LSTM、隨機森林等算法進行動態的學習，達到對監控的性能指標，自動、實時、準確的識別出異常數據。對于日志的處理，通過對單條日志的語義識別和日志文件的時序識別方式，經過自然語言、專家系統、神經網絡、深度學習等算法進行訓練或者維護，從而不斷完善，達到日志異常的準確檢測。

故障智能處理，輕松運維so easy

智能故障診斷是建立在異常檢測之上，有了準確的異常檢測，通過綜合各個異常指標進行數據的融合、過濾、權重等處理，使用神經網絡、SVM、隨機森林等智能算法，尋找問題根因，給出問題解決方案，使得運維工程師能夠分鐘級解決問題。

智能故障預測是對設備某一部件的性能數據和狀態的動態檢測，對原始數據進行數據挖掘，尋找特征數據建立數學模型，使用神經網絡、SVM等智能算法進行在線/離線訓練，形成預測模型。在部件發生故障前，感知故障，從而避免業務宕機，提高系統穩定性。

智能故障自愈是指故障確認后或者預測到故障時，無需人為干預，能夠通過重啟、配置或者一定的流程，使得系統能夠恢復正常。故障自愈，需要維護一定的規則或者對故障進行標記，經過神經網絡、SVM等算法進行訓練，形成自愈模型，實現系統的故障自愈。

智能決策，感知未來發展

浪潮服務器智能運維工具可對服務器的性能數據進行預測，經過ARIMA、最小二乘法、指數平滑、LSTM等智能算法，能夠感知系統在未來幾個小時、幾天或者一年的數據的走勢、增長量或者周期性變化等，不僅為人工預測或者智能決策提供基礎數據，還能夠為業務系統提供優化建議。

浪潮服務器智能決策是建立在異常檢測、故障診斷、故障預測、性能預測等之上，通過建立數據模型，經過神經網絡、深度學習、專家系統等智能算法的不斷學習，形成決策模型，無需人為干預，對服務器的配置參數進行智能調整，版本基線的升級/回退等決策，從而達到系統性能最優、異常最少、功耗最低等效果。

例如監控服務器運行的性能，在業務少的時候，可以將服務器功耗降低，在集群方式下，甚至可以進行服務器關機操作，在業務量大的時候，將服務器性能調整至最優等智能決策。在整機柜/機房中，功耗的管理，當服務器都處于滿載時，服務器的功耗是否超越了整個機房或者機柜的最大功耗，超越之后如何進行智能決策等。

智能推薦，發掘無限價值

智能推薦是對平臺大量數據的統計、計算、分析和挖掘等處理，建立數據模型，通過神經網絡、深度學習、最小二乘法、SVM等智能算法，建立推薦模型，實現對整個數據中心進行分析和預測，來指導客戶決策服務器下架、備件量、擴容量、縮容量、采購廠商等。例如某一型號服務器的故障率過高，維護費用相應增高，建議下架，又由于業務的增長，需要采購新的服務器，通過智能算法評估采購量，進行推薦。

目前，浪潮依托自身技術優勢，已自主研發了一系列自動化、智能化服務器管理軟件集，從服務器上架、配置、部署、監控、故障分析等實現了全生命周期運維管理。其中ISPIM(浪潮物理基礎設施管理平臺)突破了大規模基礎設施智能管理平臺的分布式網格架構、高性能數據采集框架及智能分析系統、無狀態管理技術，實現大規模服務器的全生命周期的智能管理。