Künstliche Intelligenz für IT -Operationen

Künstliche Intelligenz für IT -Operationen (AIOPS) ist ein Begriff von Gartner im Jahr 2016 als Branchenkategorie für maschinelle Lernanalytics -Technologie, die verbessert IT Operations Analytics.[1] AIOPS[2] ist das Akronym von "Künstliche Intelligenzoperationen".[3][4][5] Zu diesen Betriebsaufgaben gehören unter anderem Automatisierung, Leistungsüberwachung und Ereigniskorrelationen.[6][7]

Es gibt zwei Hauptaspekte einer AIOPS -Plattform: maschinelles Lernen und Große Daten. Um zu sammeln Beobachtungsdaten und Engagement -Daten, die in einer Big -Data -Plattform zu finden sind und eine Abwärtsverschiebung von IT -Daten, ein ganzheitliches maschinelles Lernen und erfordert Analysestrategie wird gegen die kombinierten IT -Daten implementiert.[8]

Das Ziel ist es, die Transformation zu ermöglichen,[9] erhalten kontinuierliche Erkenntnisse, die bieten kontinuierliche Korrekturen und Verbesserungen Via Automation. Deshalb können AIOPs als als angesehen werden CI/CD Für Kern funktioniert es.[10]

Angesichts der inhärenten Natur der IT -Operationen, die eng mit der Cloud -Bereitstellung und der Verwaltung verteilter Anwendungen verbunden ist, hat AIOPS zunehmend zum Koaleszenz von geführt maschinelles Lernen und Cloud -Forschung.[11][12]

Verfahren

Das normalisiert Daten sind geeignet, um durch maschinelles Lernalgorithmen verarbeitet zu werden, um das Rauschen automatisch zu reduzieren und die wahrscheinliche Ursache für Vorfälle zu identifizieren. Die Hauptausgabe einer solchen Stufe ist die Erkennung eines abnormalen Verhaltens von Benutzern, Geräten oder Anwendungen.

Die Rauschreduzierung kann mit verschiedenen Methoden durchgeführt werden, aber die meisten Forschungsergebnisse in der Förderung verweisen auf die folgenden Maßnahmen:

  1. Analyse aller eingehenden Warnungen;
  2. Duplikate entfernen;
  3. Identifizieren Sie die falsch positiven Ergebnisse;
  4. Frühe Anomalie, Fehler- und Versagen (AFF) Erkennung und Analyse.[13]

Anomalieerkennung - Ein weiterer Schritt in einem AIOPS -Prozess basiert auf der Analyse des Verhaltens von Benutzern, Geräten und Anwendungen in der Vergangenheit. Alles, was von dieser Verhaltensgrundlinie abfließt, wird als ungewöhnlich angesehen und als abnormal gekennzeichnet.

Die Bestimmung der Grundursache wird normalerweise durchgeführt, indem eingehende Warnmeldungen durch Algorithmen bestanden werden, die korrelierte Ereignisse sowie Topologieabhängigkeiten berücksichtigen. Die Algorithmen, auf denen KI ihre Funktionen basieren, können direkt beeinflusst werden, im Wesentlichen durch "Training".[14]

Verwenden

Eine sehr wichtige Verwendung von AIOPS-Plattformen bezieht sich auf die Analyse großer und nicht verbundener Datensätze wie den von GitHub veröffentlichten Daten von Johns Hopkins Covid-19.[15] Die Daten in diesem Beispiel werden aus einer großen Anzahl von abgerufen Unormalisierte Datenbanken - aggregierte Daten (10 Quellen), regionale US-Daten (113 Quellen) und Nicht-US-Daten (37 Quellen), die unter Berücksichtigung der erforderlichen Notfallverantwortungszeit durch die herkömmlichen Analysemodelle unbrauchbar sind.

Im Allgemeinen sind die Hauptnutzungsbereiche für AIOPS -Plattformen und -prinzipien[16]

Verweise

  1. ^ Jerry Bowles (28. Januar 2020). "AIOPS und Service Assurance im Zeitalter der digitalen Transformation". Diginomica.
  2. ^ "Algorithmic IT Operations treibt digitales Geschäft an: Gartner - cxotoday.com". Cxotoday.com. Archiviert von das Original am 28. Januar 2018. Abgerufen 28. Januar, 2018.
  3. ^ "Marktführer für AIOPS -Plattformen". Gärtner. Abgerufen 28. Januar, 2018.
  4. ^ "Umfassender Ansatz für künstliche Intelligenz für IT -Operationen Transformation" (PDF). Deloitte. Abgerufen 28. Januar, 2018.
  5. ^ "Itoa zu AIOPS: Die nächste Generation von Netzwerkanalysen". TechTarget. Abgerufen 28. Januar, 2018.
  6. ^ "Eine Einführung in AIOPS". Das Register. Abgerufen 28. Januar, 2018.
  7. ^ "Aiops - die Art von 'ai' mit nichts Künstlichem - Dataconomy". Dataconomy.com. Abgerufen 28. Januar, 2018.
  8. ^ "AIOPS: Verwalten des zweiten Gesetzes von It Ops - Devops.com". Devops.com. 22. September 2017. Abgerufen 24. Januar 2018.
  9. ^ "Was sind AIOPS oder künstliche Intelligenz für IT -Operationen. Top 10 übliche AIOPS -Anwendungsfälle". Archiviert vom Original am 2021-02-12.
  10. ^ Harris, Richard. "Erklären, was AIOPS ist und warum es Entwicklern wichtig ist". AppDevelopmagazine.com. Abgerufen 24. Januar 2018.
  11. ^ Masood, Adnan; Hashmi, Adnan (2019), Masood, Adnan; Hashmi, Adnan (Hrsg.), "AIOPS: Predictive Analytics & maschinelles Lernen in Operationen", Rezepte für kognitive Computing: Lösungen für künstliche Intelligenz unter Verwendung von Microsoft Cognitive Services und TensorFlow, Apress, S. 359–382, doi:10.1007/978-1-4842-4106-6_7, ISBN 978-1-4842-4106-6
  12. ^ Duc, Thang Le; Leiva, Rafael García; Casari, Paolo; Östberg, Per-Olov (September 2019). "Methoden für maschinelles Lernen für eine zuverlässige Ressourcenbereitstellung im Edge-Cloud-Computer: Eine Umfrage". ACM Comput. Überleben. 52 (5): 94: 1–94: 39. doi:10.1145/3341145. ISSN 0360-0300.
  13. ^ Wisc.edu - Internationale Konferenz über serviceorientiertes Computing
  14. ^ Maschinelles Lernen
  15. ^ Importieren von Covid-19-Daten in Elasticsarch
  16. ^ UPC.EDU - Top 10 Trends für künstliche Intelligenz im Jahr 2019