我国智能运维行业市场现状及竞争分析华为、浪潮云、联想等厂商占据较大市场

2023-04-21 10:35

手机浏览

一、智能运维优势明显，可解决传统技术系统运维模式面临的难题

智能运维是指通过机器学习等人工智能算法，自动地从海量运维数据中学习并总结规则，并作出决策的运维方式。

根据观研报告网发布的《中国智能运维行业发展现状分析与投资趋势预测报告（2023-2030年）》显示，早期的IT运维工作大部分是由运维人员手工完成，这种运维模式不仅低效，也消耗了大量的人力资源。利用工具来实现大规模和批量化的自动化IT运维，能极大地减少了人力成本，降低了操作风险，提高了运维效率。但是自动化运维的本质依然是人与自动化工具相结合的运维模式，受限于人类自身的生理极限以及认识的局限，无法持续地面向大规模、高复杂性的系统提供高质量的运维服务。

智能运维最早由Gartner提出，它是将人工智能科技融入运维系统中，以大数据和机器学习为基础，从多种数据源中采集海量数据（包括日志、业务数据、系统数据等）进行实时或离线分析，通过主动性、人性化和动态可视化，增强传统运维的能力。智能运维能快速分析处理海量数据，并得出有效的运维决策，执行自动化脚本以实现对系统的整体运维，能有效运维大规模系统，解决传统技术系统运维模式的面临的难题。当前主流运维技术已从自动化运维向智能运维发展。

资料来源：观研天下整理

手工运维、自动运维、智能运维模式对比

维度	手工运维	自动化运维	智能运维
运维效率	受限于人为因素，运维效率较低	部分操作自动化后.运维效率较高	自动分析处理事件.将多种自动化工具实现联动，运维效率高
系统可用性	手工运维时处理异常效率低，系统可用性相对较低	得益于自动化工具，异常处理与恢复速度较快，系统可用性相对较高	采用智能分析、预警、决策等手段，异常处理效率高，甚至可规避异常，系统可用性高
系统可靠性	手工运维时系统的可靠性较低	将重复性操作实现为自动化工具，采用自动化运维时系统可靠性较高	结合自动化工具.并采眵种策略使用工具.可靠性高
学习成本	需掌握多个系统的运维知识利和操作指令，学习难度高、成本高	需对自动化工具有一定掌握，学习难度较高、成本较高	故障分析、预警及异常处理可由智能运维自动实现，学习难度低、成本低
建设与使用成本	建设运维的工具成本低。可采用系统自带的运维命令，但对复杂系统的运维需投入大量的人力,人力成本高	建设自动化运维的成本较高.投入运维的人力成本则相对较低	建设智能运维的成本较高，投入运维的人力成本低
应用范围	运维基础手段，应用广泛，但不适用于分布式、大规模系统运维	在互联网企业金融行业得到广泛应用，适用于集群系统、服务器数量一般的分布式系统运维	新技术，目前有部分金融企业互联网企业开展研究与实践，适用于大规模分布式系统运维

资料来源：观研天下整理

二、智能运维国内外关注度持续提高

当前智能运维研究与应用在国内外各行业中都属于起步阶段，但在高利润、低成本的驱动下，智能运维已经成为科研机构研究的热点。如卡内基梅隆大学与Netflix公司合作，在网络视频运维领域提出并应用多种人工智能方法：利用不同数据分析及统计分析方法，灵活使用可视化、相关分析、信息熵增益等工具，将杂乱无章数据转化为直观清晰信息，从而分析海量数据背后视频体验不佳的规律和瓶颈。

随着金融、运营商、政府、互联网、制造、能源等下游市场需求增长，国内对智能运维关注度也不断提升。如南京大学周志华教授团队提出的isolation forest孤立森林算法可用于挖掘异常数据，检测和分析异常。清华大学NetMan智能运维实验室则专注于异常检测、分析与预测，提出了多种算法和工具。阿里巴巴研发了智能故障管理平台，以业务为导向，实现了基于机器学习的业务异常检测，准确及时发现故障。

数据来源：观研天下数据中心整理

国内外智能运维研究与应用情况

研究主体	研究情况
卡内基梅隆大学与Netflix公司合作	在网络视频运维领域提出并应用多种人工智能方法：利用不同数据分析及统计分析方法，灵活使用可视化、相关分析、信息熵增益等工具，将杂乱无章数据转化为直观清晰信息，从而分析海量数据背后视频体验不佳的规律和瓶颈。双方共同设计了视频传输智能优化方案，可根据客户的网络状态，动态地优化视频传输；通过决策树模型建立用户参与度的预测模型，指导关键性能指标的优化策略，改善用户的体验质量。
南京大学周志华教授团队	专注于机器学习算法的研究，所提出的isolation forest孤立森林算法可用于挖掘异常数据，检测和分析异常。该方法已经在360公司系统运维中用以实时检测异常，腾讯公司也将其用于检测微信中的异常点击。
清华大学NetMan智能运维实验室	专注于异常检测、分析与预测，提出了多种算法和工具。该团队目前已经和交通银行、阿里巴巴、IBM等多家机构开展合作，实现了产学研相结合。
阿里巴巴	研发了智能故障管理平台，以业务为导向，实现了基于机器学习的业务异常检测，准确及时发现故障。通过时间序列分析和机器学习，对未来一段时间的业务指标趋势进行预测。针对业务异常时间，自动调用各类型AP接口实现一键切换，快速恢复业务异常。并针对业务异常事件自动拆解相关维度，逐层剥离定位故障原因。目前该平台已经在阿里云上成功实践，故障发现准确率、故障发现召回率分别提升到80%和90%，每周节省因为误报而花费的操作时间约为29小时。
百度	实现了基于智能流量调度的单机房故障自愈能力，将止损过程划分为统一的感知、决策、执行三个阶段，通过策略框架支持智能化异常检测、策略编排、流量调度，实现了单机房故障自愈能力。
京东金融	实现了基于网络拓扑的根源告警分析，结合调用链，通过时间相关性、权重、关联规则算法、神经网络算法等，将告警分类筛选，快速找到告警根源，从而缩短故障排查及恢复时间。京东金融还在其云计算数据中心应用了智能巡检机器人，提升了机房及数据中心的巡检效率和智能化管理水平，避免人工的错检和漏检，对巡检数据进行数据化管理和高效利用。
腾讯	在其织云监控平台中建设了基于机器学习的时间序列异常检测方案，在百万条基于时间序列的日志信息中，以少量的时间实现了异常检测。
交通银行	通过数据中心运维大数据平台的建设，将各类日志、告警等运维数据统一集中存储。通过关联分析、建模预测等方式发现日志、告警信息中潜在联系，并建设监控历史数据分析、监控告警智能分析以及日志智能检索分析等大数据运维应用场景，实现了事前智能预警、事后快速定位故障。
中国银行	初步形成了“运维大数据仓库”、“运维数据分析平台”的计算框架，对系统日志、应用日志、监控数据和网络镜像包等全量数据进行集中存放和处理，并在异常检测、故障快速定位、系统容量预估和动态调配等多个场景中应用。
太平洋保险	在智能运维方面实现了告警收敛，将多个告警做汇聚合并和主源分析，还开展了云脑项目以实现业务趋势预测和容量管理功能，还开发点点2.0 APP，实现风险监测和智能交互等功能。
阳光保险	利用大数据和机器学习，实现了智能巡检、报警聚合、故障自愈及故障避免、自动发版与止损等多项功能。招商银行在性能容量评估、故障定位与诊断方面采用智能运维的方案，以应对业务高峰的需求。
上海银行	张江数据中心启用了智能巡检机器人，对设备运行状态、机房环境、机柜微环境实时监测，保证数据中心状态实时可视、可控及数据的准确性。