A.艾拓先锋ITIL CHINA

第17讲:深圳艾拓先锋第四期 ITIL Foundation(Version 5)培训课后系列分享:AIOps 的起点不是根因分析,而是把“该看见的状态”先看见

课堂上展示集中监控平台时,我从服务器往里一层层看:这台主机运行着哪些数据库和应用,容器集群是否健康,计划任务有没有按时执行,关键系统服务是否正常。


这些对象并不像“AI 根因分析”那样吸引人。它们是采集器、状态项、日志、阈值、服务关系和没有立即产生戏剧性结论的看板。可如果这些基础没有建起来,AI 看到的就只是残缺数据,所谓根因分析只能在看得见的小部分中猜。


我在课堂里给出的顺序很清楚:先把 IT 系统的状态数字化,才有实施 AIOps 的前提。


1789695949499989.png



买到了分析能力,不等于拿到了完整现场


传统监控的一个实际困难,是技术层次多、工具分散。网络、服务器、存储、数据库、中间件、容器、应用和业务交易往往各有数据,覆盖程度和采集方式又不一样。一套工具声称可以自动分析,也只能分析它真正获取的那部分。


服务台说 ERP 变慢了,基础设施监控里的 CPU 与内存正常,不能得出“基础设施无关”的完整结论。存储延迟、数据库等待、计划任务堆积、中间件连接池、容器重启和下游接口状态如果没有采集,系统只能说“已监测的两个指标没有异常”。


AI 最容易让人过度信任的地方,是它会把不完整的证据组织成一份非常顺畅的分析。因此,AIOps 的输出要能同时展示它看到了什么、没看到什么、关联依据是什么,而不只是给出一个“最可能根因”。



先定义一项服务应该保持什么状态


ITIL 5 将“运营”活动的目的定义为维护和监测数字化产品及其支持系统,使它们保持最佳性能与可靠性。教材把监测与分析的覆盖范围和有效性列为成功指标,还要求产品与组件按设计运行,并符合连续性、安全、证书和许可等组织承诺。


这意味着监控设计不应从“现有工具能采什么”开始,而要从一项服务的正常状态开始。用户功能正常之外,要继续问:响应时间和处理量应在什么范围,有多少健康节点,备份与复制是否正常,证书与许可还有多久失效,安全控制是否真正处在防护路径上。


每一项状态还要能落到数据源、当前基线、变化阈值和负责人。没有基线,AI 不知道当前数值是异常还是业务高峰;没有责任人,它识别出变化也不知道该交给谁。



状态之间的关系,决定一条告警意味着什么


同一个容器重启,在一个可自动扩容、剩余节点充足的测试服务上,与在一项已接近容量上限的核心服务上,含义不同。一个计划任务失败,如果只是生成可延后的内部报表,与它正在向下游输送计费数据,响应要求也不一样。


这就需要服务、配置项、业务时段和 SLA 之间的关系。课堂中我把 CMDB 和监控列为智能运维的基本前提,正是因为一条技术状态必须能向上回答它在支持什么。否则,平台可以计算异常程度,却无法准确决定哪个异常需要先动手。


ITIL 5 对可观测性的定义,是通过分析度量指标、日志和跟踪等外部输出,理解复杂系统的内部状态。可观测性不是把所有数据都堆进一个大屏,而是让团队能用这些输出回答当前系统处在什么状态、为什么发生变化。



事态、事件和问题不应被 AI 混成一件事


监控发现的状态变化先是事态。这个事态是否表示服务已经中断或质量下降,要根据基线、服务承诺和当前影响判断。成为事件后,目标是尽快恢复。为什么反复发生,或者哪个潜在原因未消除,才进入问题管理。


这个顺序很重要。一项服务正在中断时,AI 可以合并重复告警、关联近期变更、准备诊断路径,却不应为了继续证明某个根因而阻止可靠的恢复动作。服务恢复后,问题管理可以使用更长时间范围的指标和历史事件进行趋势分析。


所谓“智能根因”也要保留程度。它可以是当前最有证据的候选原因,不必在第一次分析时就被写成已确认事实。一次重启后服务恢复,证明了该动作有效,却不自动证明根因就是“服务未重启”。



监控覆盖不是数一数装了多少采集器


我在课堂中提到传统监控覆盖不足,这个“覆盖”不能只按已纳入的主机数量计算。一台主机装了代理,只上报 CPU、内存和磁盘,上面的数据库、计划任务和应用进程仍可能完全不可见。统计表上写着“已监控”,服务出问题时还是要登录主机手工排查。


可以把观测缺口分成几种状态来管理。第一种是根本没有采集,需要新增指标、日志或跟踪。第二种是已经采集,但数据频繁中断、时钟不一致或口径变化,不足以支持分析。第三种是数据可用,却没有关联到配置项和服务,异常发生后不知影响谁。还有一种是看板上已经展示,但没有阈值、负责人和处置规则,于是大家每天都能看见一片红色,却没有人行动。


这几种缺口的处理方式不同。新增采集可能需要脚本和工具,数据不可靠需要修正采集与时间同步,关系缺失要回到配置和架构管理,无人行动则要完善事态规则和责任。如果只为它们统一购买一个 AI 分析模块,原来的缺口仍会原样保留。



从一项关键服务的观测缺口开始


我不建议先定一个宏大的“智能运维成熟度”目标。可以选一项对业务重要、团队又经常排查困难的服务,把它当成第一个完整样本。


先列出该看见的对象和状态,再标出现有采集、无法采集和采集了却无人使用的内容。统一服务和配置标识,给状态设正常基线和负责人。然后确定哪些变化只记录为事态,哪些已经表示服务质量下降,需要自动创建事件。


到这一步,AI 开始真正有用。它可以辅助编写采集脚本、解析日志、将多条事态关联到同一服务,也可以在预授权条件下执行标准诊断或恢复。每增加一项自动动作,都要同时定义失败、停止和人工接管条件。


根因分析可以继续往后做,容量预测、趋势识别和故障自愈也可以逐步加入。但管理者先要问的仍然是:这项服务为什么正常,为什么正在退化,我们手中的数据能否支持这个判断?


集中监控平台上那些容器、计划任务和系统服务的状态,就是答案的原材料。先把原材料采全、标准说清、关系连起来,AIOps 才能从一个会生成结论的工具,变成真正参与运营和支持的工作方式。



关于深圳艾拓先锋


深圳艾拓先锋为 PeopleCert 授权 ATO 认证培训机构,具备 ITIL Foundation(Version 5)官方培训资质。我们深耕 ITIL、IT 服务管理与数字化服务管理,聚焦 ITIL 5 原生 AI 治理、AI 智能体管控与 6C 模型落地,提供体系化企业内训与咨询服务。


本文出自《深圳艾拓先锋第四期 ITIL Foundation(Version 5)培训课后系列分享:长河老师知识要点与实践心得三十六讲》。 如需系统学习融合 AI 治理视角的 ITIL 5 认证培训、企业内训或 IT 服务管理咨询,可访问深圳艾拓先锋官网课程页面,也可前往 PeopleCert 官网

 https://www.peoplecert.org/ways-to-get-certified/ato/shenzhen-aito-xianfeng-enterprise-management-consul-172763核验授权资质。 咨询渠道:400 热线 400-806-0230,微信:18027379316



上一篇:第16讲:深圳艾拓先锋第四期 ITIL Foundation(Version 5)培训课后系列分享:一张事件流程图为什么管不了重大事件、安全事件和复杂故障

下一篇:第18讲:深圳艾拓先锋第四期 ITIL Foundation(Version 5)培训课后系列分享:流程 KPI 都达标,业务成果为什么仍可能不好




返回导读:




← 返回ITIL 5 长河原创文章