大数据定义智能运维_汤滨_9787111641308

无数据，不AI。
而没有统一完整的基础数据资源平台管理，AIOps也无从谈起。
基础运维数据资源平台是AIOps的数据基石，也是未来支撑企业数据战略的两大数据平台之一。
构建数据平台需要数据治理工作的保驾护航。然而在运维数据治理领域开展数据治理工作尚属空白，缺乏理论体系支撑和值得借鉴的成功经验。
本书在分析运维数据治理与传统数据治理的差异化特点基础上，对于数据治理的DAMA理论体系在运维数据管理领域实现了在广义元数据管理、广义数据标准、广义数据模型等理论突破，创造性的提出运维数据模型建设，为运维数据治理构建了体系化理论并提供了具有方法论支撑的完整蓝图。
同时，就运维数据平台建设本书也分享了基于数据模型实体库的概要设计，以数据湖为基础，包含运维数据中台建设的架构规划。
本书还在工业运维领域略作延展，分析工业运维数据模型的差异化特点，就包括数字孪生、时空数据等关键工业技术为核心的物理融合技术做了介绍，提出了开展智能工业运维的必要内容。

中国著名的科幻小说《三体》中有一个来自理工男作者极为天才大胆且具有颠覆性的设想，叫做：降维攻击。
我们可以学习这种思维的方式来对今天的运维成本中心予以升维定位。我们认为，未来的运维中心将会成为企业的基础资源管理中心、基础能力中心和基础创新中心。
之所以有这样的定位，是因为未来企业的所有数据资源将集中在业务数据平台和基础数据平台两大核心平台之上，企业所有的能力，所有的创新，都需要这两大平台的支撑。而这样的升维定位也为企业运维数据资产化和运维数字化转型明确了方向。
有了这样的定位，读者就会明白未来的AIOps一定是平台化的，是具有科学方法论的，也是在全局基础数据资源统一管理基础上的创新和发展。这其实与近期提出的Dataops概念异曲同工。同时，读者也就一定理解本书所定义的AIOps与目前业界各运维工具类厂商的根本不同。工具类的运维软件厂商就某些业务场景开展数据分析其实是算法运维(Algorithmic IT Operations)的范畴，AIOps应该具有体系化的理论依据与平台化的整体构思。
只有平台才能发挥数据整合的威力与能量，而数据的整合当然需要治理先行。在传统业务数据平台领域有太多由于没有开展数据治理造成种种问题的前车之鉴值得运维数据平台建设予以借鉴。
然而在构思运维数据治理体系的时候我们也曾经有很多困惑。传统比较成熟的数据治理的方法或最佳实践在运维领域很难得以照搬套用，比如运维数据领域就无法直接从结构化数据库中获取全量元数据，似乎在套用业务数据治理理论时总是有很多不同之处。一直到我们提出了广义元数据管理、广义数据标准和广义数据模型后这些问题才迎刃而解，并由此顺藤摸瓜般总结出运维数据治理的差异化需求和特点。这是我写这本书的过程中最大的收获。由此我们提出了业界第一版的运维概念模型，也分析出数据湖技术更为符合运维数据平台的特点和需求。
本书力求通过创新的思考帮助用户厘清思路，发现问题，确立方向，找到那条数字化转型可行的路。在书中我们有三大预言，希望与读者一起去见证未来。
本书最后一章对于工业运维略作延展，因为今天正在火热的智能制造、工业4.0同样需要智能工业运维的保驾护航。工业运维与IT运维同样具有极大的差异化，所以书中对包括数字孪生技术和时空数据技术在内的物理融合模型（CPS）做了介绍和说明。我们认为工业运维不是简单的搭建了一个云平台，通过数据接口接通了很多生产线的实时物联网数据，然后开展了若干统计与可视化，就可以称为工业运维。智慧的工业运维同样需要在数据融合的基础上通过治理实现数据资源体系化的梳理，然后结合实际环境结合具体业务场景和业务需求开展AI分析并支撑快速决策。
我们认为工业运维可以借鉴AIOps的理论与方法，结合工业运维需求予以分析和开展。今天由IT（信息技术）、CT（通信技术）和OT（运营技术）的融合已经没有技术障碍，这为在工业运维领域通过AI技术实现自动化智能化奠定了坚实的技术基础。我们相信，未来的智能工业运维一定将是蓬勃的发展前景。
最后，感谢在本书的完成过程中给予我指导和建议的所有的朋友和老师，感谢大家的支持，本书的成果离不开你们的帮助，这里一并致谢！由于是全新领域的构思，相信书中一定有很多纰漏瑕疵之处，我希望得到业界同仁的批评指正，与大家共同创新，共同探讨运维发展之路！

汤滨
2019年夏北京

你还可能感兴趣

我要评论