作者：陸興海 彭華盛 編著
來源：大資料DT（ID：hzdashuju）
人們對新事物的認知過程總是螺旋式迭代演進的，對於智慧運維也是如此，智慧運維是運維發展的方向，而且是一個長期的過程—從經驗主義到資料驅動，再回歸到業務驅動的過程。
從2016年對於Gartner的概念的理解，到之後每一年不斷的探索與實踐，到2020年，在筆者參加的智慧運維國家標準編寫組會議上，行業內達成了高度的、更加面向現實的共識：以資料為基礎、以場景為導向、以演算法為支撐，如圖2-1所示。
智慧運維一定來源於非常好的資料基礎，同時，如果沒有明確的業務場景，或者需求，或者功能方面的落腳點，所謂的智慧化就是為了AI而AI，也沒有意義。工程化演算法是要擬合數據的，根據資料和場景需求才能選擇或研發合適的演算法。只有具備上述三個條件，才能真正形成一個工程化落地的智慧運維，如圖2-2所示。
需要著重提及的是，以往很多使用者忽略了作為智慧業務運維“基石”的運維資料的重要性。
為切實落地企業的智慧業務運維規劃，一方面要強調運維資料的基礎作用，另一方面要形成運維資料治理與應用的全域性體系，圍繞規劃、系統與實施三個核心階段工作，面向運維資料的全生命週期與業務導向結果，從資料的整體規劃、運維資料來源、資料採集、資料的計算與處理、指標管理體系的規劃與實施、專業運維資料庫的建立、資料的典型應用場景等多角度進行思考。
但需要正視的是我們對運維資料的認識及應用還處於皮毛階段，雖有理念但缺乏必要的、可執行的方法。隨著運維資料平臺的建設，將極有可能出現當前大資料領域出現的資料孤島、資料不可用、資料質量不高、融合應用難、有資料不會用等諸多問題。上述問題，在當前運維領域資源投入不足時顯得尤其重要。
借鑑大資料領域資料治理的經驗，反思運維資料平臺建設應該關注的問題，減少不必要的坑，做好運維資料治理，讓運維資料更好用、用得更好，完善運維數字化工作空間。
在運維領域，運維資料分佈在大量的機器、軟體和“監管控析”工具上，除了上面大資料領域提到的資料孤島、質量不高、資料不可知、資料服務不夠的痛點外，運維資料還有以下突出痛點：
從組織的定位看，運維屬於企業後臺中的後臺部門，所做的事甚至都很難讓IT條線的產品、專案、開發明白系統架構越來越複雜、迭代頻率越來越高、外部環境越來越嚴峻等需要持續性的運維投入，更不要說讓IT條線以外的部門理解你在做的事，在運維的資源投入通常是不夠的。
所以，運維資料體系建設要強調投入產出比，在有限的資源投入下，收穫更多的資料價值。
運維資料主要包括監控、日誌、效能、配置、流程、應用執行資料。除了統一監控報警、配置、機器日誌、ITIL裡的幾大流程的資料格式有相關標準，其他資料存在格式眾多、非結構化、即時性要求高、海量資料、採集方式複雜等特點，可以說運維源資料天生就是非標準的，要在“資源投入不夠”的背景下，採用業務大資料的運作模式比較困難。
雖然行業也提出了ITOA、DataOps、AIOps等運維資料分析應用的思路，但是缺少一些成熟、全面的資料建模、分析、應用的方法，主流的運維資料方案目前主要圍繞監控和應急領域探索。
如“資源投入不夠”這點提到的背景，因為投入不足，很難吸引到足夠的人才投入到運維資料分析領域。
通俗一點來說，就是運維資料分析要借鑑當前傳統大資料領域資料治理的經驗，提高投入產出比，少走彎路，少跳坑。
本文摘編自《運維資料治理：構築智慧運維的基石》（ISBN：978-7-111-70475-1），經出版方授權釋出。
推薦語：一本書講透“運維資料治理”系統地介紹了資料治理的知識體系和底層邏輯，還提煉了智慧資料運維體系建設的實踐路徑。
關於作者：陸興海，雲智慧（北京）科技有限公司副總裁，目前負責諮詢業務。具備十多年網際網路、資訊化以及運維相關領域的產品規劃、設計與研發經驗，是國內IT相關服務領域最早的實踐者和專家之一，同時也是智慧運維國標編寫組核心成員。
彭華盛，超過10年的金融領域運維工作，期間負責參與金融企業運維組織、流程、工具的建設，包括重大業務系統專案與資料中心工程性專案的實施、資料中心標準化工作流程構建、運維工具體系的規劃與研發、數字化轉型研究與實施等相關工作，對金融領域的運維有較全面的理解，探索推進數字化技術與運營轉型雙輪驅動的協同模式。
▲什麼是資料中臺？跟資料倉庫、資料湖、BI和大資料比有什麼區別？
讀書 | 書單 | 乾貨|講明白|神操作 | 手把手
大資料 | 雲計算 | 資料庫 | Python | 爬蟲 | 視覺化
AI | 人工智慧 | 機器學習 | 深度學習 | NLP
5G|中臺 | 使用者畫像| 數學 | 演算法 | 數字孿生
