运维数据：建设与落地AIOps的基石( 三 ) 关于AIOps

(5)容量规划预测：为保证业务的正常运营，企业需要对容量进行合理的评估。过多的预留容量会造成浪费、增加企业成本;而过少的容量则可能带来故障、造成业务损失。而随着IT架构的广泛云化，容量评估也不仅仅是对硬件需求的预测，更有可能是为优化业务运行成本而进行的服务平台选择的关键。利用智能运维中的解决方案，通过分析业务量、业务性能以及资源的占用情况的历史数据，并结合业务量预测数据来建立容量规划模型，从而在保证业务性能最优的同时帮助企业节省运营成本。

(6)业务与性能关联分析：应用故障以及性能问题发生时，往往会影响用户体验进而对业务造成影响，在智能运维方案里，通过建立业务关键指标与性能之间的关系模型，从海量的历史数据中分析性能与业务之间的非线性、多因素关系，从事后的影响评估、事前的What-if预测分析等多方面来考虑性能问题对业务的影响。比如通过分析IT性能提升与降低对业务好坏的量化影响来快速发现业务与IT性能之间的量化关系，分析IT性能对业务的影响程度。

(7)告警压缩：企业各种监控工具会产生海量的告警信息，这些告警信息中可能存在大量的冗余告警甚至形成告警风暴，对运维人员产生极大干扰。传统运维平台无法对告警风暴进行有效处理，而在智能运维中，我们针对短时、大量、甚至是持续的冗余告警，可以通过相似度、相关性判断对这些冗余告警进行合并，从而为运维人员提供有效的告警信息，大幅降低运维工作难度、提升运维KPI 。

(8)智能化故障处理：传统运维管理中对故障的处理非常依赖运维人员的经验，但人的经验无法覆盖所有故障范围，运维人员经验不足可能造成运维效率低下或者产生错误决策。而在智能运维中，将API接入的实时监测结果或预测结果引入决策知识库(智慧大脑)智能生成决策建议，并根据实际结果及趋势判断采用的处理策略，可以是人工处理或者自动处理。故障智能处理可以减少问题排查的时间、大幅提高问题解决的效率，提升企业运维标准化程度。

总结和展望

运维数据作为AIOps的最基础构成，无疑起到了基石的作用。企业在实施AIOps时，必须从最开始就注重运维数据，建设数字化运维数据体系，践行数据文化与应用模式，面向业务与用户体验不断迭代与优化，才能把AIOps战略落到实处。