大家上午好，很高兴可以在 QCon 稳定性和可观测的场子来分享阿里云可观测 AIOps 的智能监控和诊断实践。

**我是来自阿里云云原生可观测团队的梵登。**目前主要在可观测团队负责可观测 AIOps 产品 Insights 的商业化建设、AIOps 解决方案的研发、大模型在可观测领域的探索等。很幸运的过去几年主导了 ARMS 在《Gartner APM 2022》和《信通院根因分析标准 2023》的测评项目，因此今天也会分享我在测评过程中的一些心得体验。

今天主要会从以下四个方面进行分享。

首先会简单介绍下在可观测体系下，AIOps 的核心能力项有哪些。

第二部分则是今天的重头戏，着重介绍我们在可观测场景定义的 AIOps 场景三板斧：检测、分析、收敛的实践。也会在这一部分分享一些我们对于工程架构、业务架构、算法模型的总结。

第三部分则是通过可观测 AIOps 具体的客户案例，看下企业的痛点和需求是什么。

最后，大家从本次会议的多个分享中也可以发现，很多是有关大模型及其应用。在这样的趋势下，可观测 AIOps 有哪些可以落地的场景和方向。

01

可观测体系下的 AlOps 介绍

Aliware

好的，在开始第一部分分享前，我们也来看下 AIOps 目前被企业挑战的三个灵魂拷问：

AIOps 是否是个摆设？
如何衡量 AIOps 的业务价值？
AIOps 如何落地，落地成本有多大？

我期待今天在分享过程中，能够让大家对灵魂拷问产生一些思考和找到一些答案。

可观测这几年随着云原生的概念普及，被越来越多的人所关注和提及。但其本身并非新概念。最早的可观测概念来源于：控制论书，里面强调：要控制一个系统的前提是对其具有可观测性。

**新一代的可观测产品我们认为，必须以应用为中心，向上关联业务成败与用户体验，向下覆盖基础设施与云服务监控。**其中用户体验重要性凸显，而对于业务的分析、用户行为的分析、以及出现故障下的根因分析能力，需要被重点关注和建设。如何实现这些能力项？我们的回答是 AIOps。

最早的 AIOps 概念来源于 Gartner 在 2016 年发布的报告中首先提出了基于大数据及算法（Algorithmic IT Operations）的 IT 运维概念。随着人工智能的快速兴起，Gartner 在 2017 年将 AIOps 概念从基于大数据及算法，扩充为基于人工智能（Artificial Intelligence for IT Operations，AIOps），认为通过大数据、机器学习及高级分析技术，提供具备主动性、人性化及动态可视化的能力，直接或间接地提升目前传统 IT 运维（监控、自动化、服务台）的能力。因此，在官方定义中，AIOps横跨了监控、ITSM、Ops 三大领域。

当前，AIOps 从 2016 年的兴起，到 2018/2019 年达到期望顶峰，到如今 AIOps 处于达克效应认知曲线中的绝望之谷阶段。

我个人的见解是：