雲原生時代下，企業運維面臨架構複雜化、業務需求多樣化和運維資料海量等挑戰，如何能夠實現精準告警、異常智慧型診斷、根因定位、異常**和異常自動修復，已成為企業數位化轉型的急迫需求。
9月26日，阿里巴巴高階技術專家滕聖波在《gops全球運維大會》上發表了題為《雲上伺服器無人值守與自助服務實戰》的主題演講，分享了阿里雲彈性計算團隊如何利用人工智慧技術賦能運維自動化，實現雲上伺服器無人值守，幫助使用者降低雲伺服器例項管理的複雜性，來保障例項服務的穩定和高效執行。本文根據滕聖波的演講整理。
圖：阿里巴巴高階技術專家滕聖波
01
為什麼需要無人值守
運維是一種服務，既包含基礎設施軟體服務、也包含人力服務，服務的物件是企業中使用基礎設施的業務團隊，而雲計算iaas是一種運維服務，服務的物件已發展為使用雲服務的開發人員和運維團隊。隨著雲計算的廣泛落地，大部分企業開始上雲，當前就有100萬多家使用者的業務執行在阿里雲平台上，阿里雲平台服務的使用者也越來越多。
隨著平台使用者規模的擴大，我們發現平台使用者在ecs例項運維時普遍面臨三個痛點：
為了問題的高效解決，我們需要重人力投入在客服人員方面。為了避免使用者規模擴大帶來的客戶側運維成本的線性上公升，我們開始利用人工智慧技術賦能使用者運維管理。在無人零售、無人駕駛成為趨勢的時候，我們認為未來雲上伺服器也將實現無人值守。
事實上，阿里雲彈性計算產品推出十年，沉澱了眾多ecs例項運維管理經驗和異常「行為」規律。所以依託機器學習的資料驅動，我們通過異常「行為」資料的分析，構建了一套雲上伺服器的無人值守架構，並推出了一系列自助服務，實現了ecs例項的自診斷、自修復、自優化、自運維，幫助使用者降低ecs例項管理的複雜性，從而來保障例項服務的穩定和高效執行。
02
無人值守的自服務實戰
雲計算iaas的運維工作可以拆分為服務側運維和客戶側運維，服務側運維是雲平台的運維工作，通常對使用者不可見的。主要涉及基礎設施、基礎產品和上層管控三個層面，包括機房、物理裝置的運維工作、資源虛擬化、資源排程、熱遷移等工作。隨著使用者規模的擴大，這些運維工作會越來越複雜。而使用者側運維工作，是對使用者自己可見的。主要是使用者對ecs例項的修改操作和自動化工作，包括擴容、重啟、監控、客服服務、工單反應、資源編排和運維編排等。
我們構建的雲伺服器的無人值守架構，為阿里雲平台使用者提供了一系列的自助服務。廣義上看，阿里雲的自助服務囊括了ecs例項本身、例項生命週期管理、系統管理和自動化、市場和生態四個維度，如下圖。
圖：廣義上的自助服務
狹義上來說，阿里雲自助服務為使用者實現了ecs例項的診斷、修復和推薦的功能。當天，阿里雲自主服務已通過例項診斷工具、例項優化推薦、自動修復工具、最佳模板推薦和ecs事件自動化等一系列自助服務工具，覆蓋了80% ecs常見問題，將問題解決的平均週期從幾小時縮短至分鐘級，整個過程無需客服人工參與，無私隱洩漏風險，做到了雲上伺服器的無人值守。未來隨著ai+資料的不斷驅動，ecs例項的診斷和修復將會越來越精準。
例項的智慧型診斷
根據平台的資料統計，使用者在使用ecs例項時主要面臨四大類問題：
所以，在智慧型診斷的能力上，我們覆蓋了ecs系統服務、磁碟健康服務、網路健康服務和guest os系統配置等維度，使用者一鍵即可完成例項的智慧型健康診斷。
ecs例項的自動化修復
在智慧型診斷完成後，我們還會為使用者提供ecs例項自動化修復方案，在前者定位問題所在之後，自動化修復能夠在1-3分鐘解決問題，主要完成ecs系統服務修復、網路問題修復和磁碟修復。
僅僅實現自動化修復是不夠的，我們認為自動化修復還應該是透明合規的。我們通過運維編排服務oos提供自動化引擎，通過雲助手命令提供guestos內的執行能力，運維編排服務oos+雲助手命令共同幫助使用者完成自動化修復；同時，我們開源了運維編排服務oos+雲助手命令的**，做到一切修復邏輯對使用者可見；一切修復操作還可以通過ecs例項的映象、快照和資料備份實現回滾；通過阿里雲ram角色控制實現一切許可權可控，通過阿里雲操作審計actiontrail實現一切記錄可審計，做到了真正的透明合規。
03
無人值守背後的ai資料力量
讓我們實現智慧型診斷和自動化修復的，是冰山下強大的技術支撐——ai+資料。依託底層的資料中臺，我們完成了，包括物理機資料、虛擬化資料、網路資料、控制面資料和guestos內資料等資料的採集、清洗、分析和模型的構建；加上ai演算法的不斷調優，我們搭建了使用者畫像、決策樹、**和推薦模型等，從而保證異常診斷和自動修復越加精準和高效。
當前，在整體的ecs自助服務架構中，主要依靠管控監控中心實時監測日誌服務、中介軟體監控、api請求監控以及控制台監控和自助診斷的資料，通過機器學習引擎實現問題預警和處理，進而驅動運維編排服務oos實現自動化修復問題。
通過這套ai驅動的自服務架構，當前ecs實時記憶體異常感知準確率在70%以上，實施**鏈路延時則控制在100s以內；另外融合專家經驗、案例庫和知識庫，我們構建了乙個強大的診斷決策樹，為加快問題的定位和修復提供了強有力的依據。
近兩年，阿里雲彈性計算團隊持續不斷地投入構建異常行為資料集，未來計畫將其演進成為阿里巴巴集團在異常**上的「imagenet 資料集」並進行開源，希望能為異常**在業內的發展貢獻更大的價值。
關注百曉生，笑談雲計算
運維大殺器來了，未來雲上伺服器或將實現無人值守
雲原生時代下，企業的it運維面臨架構複雜化 業務需求多樣化和運維資料海量化等挑戰，如何能夠實現精準告警 異常智慧型診斷 根因定位 異常 和異常自動修復，已成為企業數位化轉型的急迫需求。9月26日，阿里巴巴高階技術專家滕聖波在 gops全球運維大會 上發表了題為 雲上伺服器無人值守與自助服務實戰 的主...
伺服器運維
運維 網際網路運維，通常屬於技術部門，與研發 測試 系統管理同為網際網路產品技術支撐的4大部門，這個劃分在國內和國外以及大小公司間都會多少有一些不同。產品的整個生命週期裡運維的職責重要而廣泛，但運維工程師們的職責不僅限於這部分工作，還需要總結工作中遇到的問題，抽取出相關的技術方向 研發相關的工具和平...
雲伺服器基礎運維與管理
課程介紹 clouder aca專項技能認證 雲伺服器管理運維 如何實現1 3 5 100種可能性？通過學習你可以掌握如何快速地開通一台雲伺服器，並通過管理控制台方便地進行伺服器的管理 伺服器配置的變更和公升級 資料的備份，並保證其可以正常運轉並按業務需求隨時進行配置的變更。開始學習 雲伺服器基礎運...