从信息化时代开始，企业IT系统就在不断的生产着各种监控数据和业务数据，但信息孤岛的存在和数据处理能力的限制，让无数企业空守宝山而无用。时至今日，虽然横向扩展的分布式架构、通用灵活的云计算系统得到广泛普及，但是IT数据所提供的业务价值不但没有提升，反而因为数据量的指数增长和双模IT(Bimodal IT)，数据竖井(Data Silos)的问题愈发严重。
智能关联分析与上一篇《云智慧AIOps智能运维应用实战之告警抑制》是相辅相成的，告警消息通过有效的关联，获得更高的压缩比;而关联分析所面向的数据不但来自于告警抑制输出的警报，还有日志数据、业务指标数据等，因此部署了告警抑制之后，可通过智能关联分析获得更有价值的数据结果。
智能关联分析的典型应用场景
企业的应用系统架构复杂，技术体系多样，离散地采用了多种监控系统来实现不同的技术栈监控，如基础设施与服务采用开源的Zabbix、第三方的监控宝，网络监控使用Solarwinds软件，应用性能管理采用透视宝等，还有一些业务和性能使用日志分析的手段进行监控。
在常规的运维工作中，由于业务系统的拓扑结构非常复杂，当不同监控系统产生大量监控数据并生成警报时，运维人员很难判断警报的分布范围以及各个警报之间的关系。云智慧AIOps智能运维平台智能关联分析，利用大数据分析和机器学习等人工智能方法，对客户现有的业务、设备、网络拓扑图等信息进行自动梳理，形成业务逻辑拓扑关系图，将杂乱的IT数据和业务数据进行分类，并与拓扑关系图中的节点匹配，帮助运维人员明确故障的根本原因和影响范围，提升运维效率。
智能关联分析的特色和价值
云智慧AIOps智能运维平台的智能关联分析产品对于IT运维管理人员具有以下特色和价值：
离散数据的多维聚合分析，寻找根源问题更加全面
从应用性能管理软件、系统日志、Zabbix等多种监控系统中采集性能数据，在采集过程中实时对指标进行各个维度的标定并建立关联关系，通过关系对各个技术栈进行全局分析，这种方法突破了原有方法分析问题的局限，帮助用户快速诊断出问题并进行修复。
精准定位故障，有助于快速处置
利用云智慧大数据平台PB级数据处理能力，采用机器学习的方法建立多指标关联分析模型，全面而精准地从单一用户视角来追踪故障问题，使用故障根因自动定位技术能够提高故障定位速度，从而提高业务可用性。
不仅基于单纯的时间切片方法构建关系，还利用了应用调用链关系、基于聚类等职能分析算法的自动关系发现与构建算法，从而提升了关系构建的完备性和准确性。
此外，云智慧AIOps智能运维平台智能关联分析，还能以业务链上每个对象的KPI的变化进行监控和关联分析，帮助业务部门掌握业务运行规律，降低业务运营风险。
智能关联分析典型案例
云智慧某大型金融客户的业务生产环境有基础硬件上千台，各个业务系统的依赖与调用关系非常复杂。当出现问题时，往往需要数小时才能对故障进行定位，并且过程中需要协调研发、运维等多个部门的人员来进行，整体效率低。
通过已有的 APM、基础设施监控等监控系统，获取各个业务的内部拓扑关系，然后根据业务链整理出核心业务拓扑图十几个，分别将这些拓扑图导入云智慧AIOps智能运维平台，并为每个拓扑图中的节点设置告警匹配的条件，实现告警消息与业务拓扑的配置。最后，将告警事件匹配到拓扑中，运维人员可以在故障发生时，通过智能关联分析功能，迅速定位根因和故障的影响范围。
在实际的生产过程中，该企业的故障修复时间一般为数小时到1天不等。而使用云智慧AIOps智能运维平台智能关联分析之后，大规模故障的修复时间有效地减少到了一小时以内，完成问题定位、止损以及故障修复的全部工作。
总结
云智慧智能运维AIOps平台智能关联分析，以企业现有IT监控数据、日志数据和业务数据为突破点，通过应用高性能大数据处理和人工智能技术，对业务、应用、设备、网络等信息进行智能化梳理和逻辑关联，建立数据层的拓扑关系，消除IT数据内部和业务数据之间的断层，深入发现IT数据的核心价值，成为企业打破IT系统之间的数据竖井壁垒的最佳选择。
|
