在线教育行业从0到1的AIOps之路

彭小阳

作者：钱宏伟
今天我基于我们公司具体案例来跟大家做一些分享，在提出AIOps概念，到我们做，目前是经历了不到半年的时间，在这个过程当中，我们也做了很多的比较、实践，希望今天的分享可以给各位带来你们更多的参考或者是借鉴的意义。
今天我会讲三个部分的主题：
一是背景和痛点；
二是架构和规划；
三是台站和机遇。

一、背景和痛点

现在运维的问题不是因为没有很好的监控手段，不是因为我们没有很多的监控数据，而是因为我们的这些数据非常的多。数据本身是有很多的维度，维度非常的复杂，也没有做到很好的关联。那我们在做大的生产环境就会有很多的障碍，你会查很多的系统，最终查到问题出在哪里，这是每个运维都会碰到相似的情况。
这个时候就要引出今天的主题—AIOps，是经历三个阶段。
第一阶段是2013年提出的ITOA，是提供服务和各种技术手段收集存储和展示IT的数据。这个部分主要是以人作为出发点来分析；
第二阶段是2016年的时候，提出来AIOps，这个AI不是现在的AI，是基于大数据结合算法来做的AIOps；
第三阶段是2017年提的AIOps，就是现在的时态，就是智能运维的时代。智能运维也是在2017年真正明确大数据、机器学习两大平台。

这边的图就说明它的成熟，我们可以看到机器学习成熟度比AIOps的成熟度高的，某种角度来说，AIOps现在还不是很成熟，这跟AI技术发展也是很有关系的。昨天我参加了一个学习班，有一个非常资深的北大博士生导师就这么讲了，AI技术现在已经有十多几十年的停滞，现状是这样。
现在还没有突破达到新的AI高度。但为什么又要研究？因为这是我们的方向。它能给我们带来什么呢？AIOps是释放运维人员的人力，把我们从复杂、冗余的告警、监控、日志等各种繁琐当中解放出来。
AIOps的核心两大主题我刚刚讲了：一是大数据；二是机器学习。由这两个核心组建构成了AIOps的平台。AIOps它可以带来什么好处呢？可以提高自动化水平、提高服务管理水平、提高监控水平。
它这么好，它是不是完美的？它在干什么？其实它不能干嘛，也不能替代DIOps，只能作为它的补充。我这里不想讲大数据框架，而是数据处理范畴有实施数据和离线数据及各种数据的聚合，在很多的场景中，数据就是我们的AIOps做的第一步，第一件要做的事情就是数据。
这个数据也做了很多的调研，大家都知道大数据平台，要做离线处理也可以有一些技术。在调研的时候，我们就发现大数据对于AIOps非常重要，你要用这个技术，要搭整套大数据稳定，这是非常痛苦的，还要做其他的插件、中间件，非常的累。有没有办法呢？后面我会讲一些办法。
下面我们讲痛点。
先讲一个指标的痛点，每个运维人员都会碰到，就是突发性系统指标突增。我们晚上都会碰到跑批的任务，研发人员可能认为很正常，同样的报警放在白天肯定是有问题的，现在各种报警，产生的报警噪音是非常大。还有无法预测的业务增量，我原来在小红书体会更深，做电商，每天或者是每周都有自己的波谷，特别是大促的时候，这个量就是百倍的增长。

这种报警怎么报？拍脑袋吗？拍脑袋的时代已经过去了。接下来，我们就真的只有依靠AIOps去找，产生我们的机械系统，可以通过不断的学习，对于学习到正常情况剥离，认为它不是有问题，这样就减少漏报和误报的问题。

运营类，我们是在线教育的公司，核心是音视频。上面这张图是花得不能再看了，上课的时候如果出现这种屏，没有任何一个用户可以忍受。下面这个表达的意思是老师坐在这儿，他如果走开了，或者是学生上了一半，小朋友非常淘气跑开了，你怎么定位这堂课的教学质量是好的？老师的等级定位是正确的，学生学到的教学质量分是多少个？这是定不了的。
目前情况下，很多时候都是拍脑袋、打标签。最简单的是，老师上完课之后，老师给孩子打一个分，家长就会看到，家长也会给老师打。这个是人为参与过程当中不完全能表达教学质量的核心问题，很多时候可能是漏打或者是不想打。

二、架构和规划

我稍微的延伸一下，在这个架构的部分做的出发点是要把数据做一些关联性的分析。怎么做关联性分析？这是我碰到最大的障碍。我们有什么样的数据？监控数据、指标类数据、全链路跟踪数据、事件数据、中间件消费的数据、部分业务数据、日志数据……
我的天啊，这么多数据都是不同维度的。那么，这些数据怎么做关联？这就是AIOps的核心价值，它可以把这些东西通过机器学习的方法来学习模型，再把这些数据关联起来，最终我们会实现什么呢？可以实现：异常检测、异常定位、跟因分析、异常预测，这是它的路径。
AIOps在目前来说涉及到的四个领域，每个领域都有不同的产品和框架、算法。在这里面，我们会通过Agent，在容器和数据机上收集各种数据上来。MessageQ就是做消息缓冲层，我们选择的是卡夫卡，还可以选择MQ，这些都可以。
我想介绍一下，我们选择是实时处理的框架Flink，不知道谁用过这个产品？这个还是相对比较新的实时处理的框架，我比较了一些系统之后，我发现它是非常好用的，速度非常快，不需要很大的生态支撑实时处理框架，所以，我们引用了Flink做一部分的ETR（数据清洗、转换、传输）的工作。
还有告警的平台。之后就是机器学习的部分，机器学习还是探索阶段，切入机器学习的点不是把开元学习的框架拿来用，而是要做四条路径需要有什么算法，需要怎么解决海量KPI的学习。还有数据仓库，我们现在的数据库也是比较新的，为什么选择它？我们对比了一些数据库之后，它是处理速度最快的，20几亿条的数据做全文检索，两个关键指标去查询，都是1秒之内出结果。
也就是一个月的数据，我1秒钟之内，就可以根据需求查出来，这对于数据仓库来说非常有意义，而且压缩比也是不错的，如果放到其他的平台，你的资源开销是非常大的，但是，在这里面是不需要的。

再讲CMDB，它是最基础的工具集，因为这里面有基础数据和标签数据。基础数据收集就是Agent；流式计算处理是Flink；还有基线处理；报警系统的仓库刚刚说过了。
我前面说了AIOps的四条路径：
1.异常检测。怎么做异常检测？
1）基于无监督的异常检测筛选，筛选了之后会拿到一堆筛选出来的结果，运维人员打标，说这个检测出来的就是有问题，这个波谷是正常的，要先打标。因为任何机器学习和AIOps，都是要基于这个过程做一些最最初级的教学，告诉它什么是对的，什么是错的。
2）打标完了之后，就是基于有监督的异常检测，然后我们来自动的做算法和参数的调整。
3）把海量KPI做分类。当然，后面我会讲一些分类算法。分类之后，再给它特定的检测算法。这样的话，我就可以从多个层次有落地的心态，否则没有办法落地。
2.异常定位。
我检测完了，就需要定位，这是非常实际的问题。如何在AIOps定位？就是要构建一个非完善的故障数。当然，后面会有一个算法是“孤立森林”，但是，我今天不会特别深入算法本身，而是告诉大家一个路径或者是该怎么样去解决这些问题。
当你构建了非完善的故障数之后，我们就分析它的关联关系，裁减掉“无关联关系”的分支，最终，我们可以出现一些结果集，这个是异常的定位。
3.跟因分析。
跟因分析怎么做？我们要找到原因。我不希望出了一个问题，所有的报警全都来了，那我就头痛死了，我都不知道问题出在哪，告警聚合是要做的。还有关联指标波动聚类。虽然它会把相同指标聚在一起，虽然不是直接强的关系，但是可以聚类。
聚类完了之后，是要粗粒度的定位它的问题，再是粗粒度的界定，到底是服务器的问题，还是用户的问题。定界完了之后，最终找到故障传播关系，也是跟因分析最最重要，也是出结果的东西。
4.故障预测。
我们目前还没有做好，因为预测本身来说，它还需要很多的训练模型，包括跟现实状况比较，再让它成熟更成熟。所以，这里面会分为三个方面：做故障预测。我出现问题了，可能是切流量，自动切。
但是，没有AIOps就是人为了，让它高可用了。但是，碰到混合云怎么办？高可用不可能同时用在线上和线下，当然强用也没有问题。首先是故障切换，再是性能瓶颈的预测，预测到了性能平静之后，就给开发人员说有性能瓶颈改代码，如果改不了就定向的扩容了。

这是讲的AIOps四个大路径，可能是比较抽象的。这是我写的智能基线处理的架构，之前花了很多的分析是在做数据预处理的过程，包括把各种数据清晰转换。规划是聚类的算法，就是去毛刺，你会看到后面的图，基线系统的时候去掉毛刺，很多地方就是光滑的，否则一直是很毛刺的地方。
异常判定是通过机器学习的部分做切口输出“孤立森林”是基于竖的算法。异常判定，判定出有问题，最终做推荐。我可以预想到的是，这对于我很有用，因为我在各种系统都会碰到这个问题，如果是智能就更好了。现在无法是两种，我拍脑袋定一个百分比，或者是跟前一分钟的正负，这样也可以来处理。

这是我们异常检测灵敏度自适图，这是两个业务，红色部分是智能基线系统做出的结果，会标注红线是很平缓的，但是，中间会出现毛刺，但是，这个毛刺不太影响业务。碰到这种情况，我们就可以摸平。突发性来一下报警，就不会收到你的报警信息，它的灵敏度就不会那么高，会减少大量无用的报警信息。
我们每年都有做活动，一做活动就产生冲高流量，环比、同比都会报警，百分之百，因为很高，目测就比平常的波动高很多。在下跌过程当中也会报警。这种报警怎么办？如果通过智能基线系统，会学习之前的数据预处理之后，它会把这个部分认为合理正常的。因为它学习了，这个时间段出高峰就是业务高峰来了，是正常的，它就减少误报的干扰。

这个是抖动。在线教育看到花的图片肯定是忍受不了的，这种花是怎么造成的，就是丢帧。这种情况有的时候要做部分的处理掉单分钟的抖动，出现多少丢帧就能出现抖动的情况，这个还是要机器学习，现在还是拍脑袋的事情。你现在反映给业务，说很正常，抖一下就好了。
所以，智能机器人系统也是基于历史数据学习，自动过滤掉单分钟的抖动。在出现一定持续时间后，它才会触发报警，减少报警之后就不会产生“狼来了效应”，“狼来了效应”很可怕，不是大家监控的数据不够，而是太多了，不想看了。

三、挑战和机遇

挑战和机遇，跟前面的智能基线系统是差不多的，但是，这里面多了特征工程，可能更多是接近AI的部分，我就不展开多讲了。大概提一下，会加两部分的能力，就是统计特征和个性化配置。

最后想强调一下，我们做AIOps最大的挑战就是做关联分析，这是最大的挑战。这里我特别理出来是应用、业务指标和业务域的关联，怎么做关联，这也是AIOps最核心的事情。我们有一些步骤和阶段，从CMDB做标签、时间序列关联性、从已有的事故报警规则关系的深度学习和挖掘，这就是几个阶段怎么做关联。
这个部分是跟AIOps关系不是十分紧密的部分，我们做在线教育的，可能最直接的考虑到一个问题，就是别人问你“教学质量怎么样、怎么保证教学质量？”这个问题是非常现实的。

我们从这里看，我们训练原数据存储，原数据我们有各种方法拿到，比如云识别，把语音落成文字；人脸识别，看看老师是不是坐在摄像头范围之内，没有离开；说话的时长，学生有没有很正常的问答，这也是一个教学质量的范围。
包括鼓励词、情绪，现在面部识别也可以抓到情绪，这都是很片面的东西，这些片面的东西就是为在线教育结合AI的部分，保证你的教学质量。通过训练模型、及其学习平台，最终给出一些结果预测，比如说这个老师的教育水平如何、这节课如何，这是有结果说话的。
我不是招一个老师就评多少级，就拿多少工资，这个不一定，你教得好，学生的真正水平达到什么程度，这都是很现实的业务问题，这是展开的部分，跟Ops没有太大的关系，跟AI有关系。
之前跟IBM聊过，大家知道科大讯飞对中国的语音识别做得不错，中文的方言，比如说四川话、上海话、广东话，这些不错。但是，我们在语言的范畴之类，英语也有方言，美语、英语，还有一个搞笑的事情，家长到某平台上学，他不问这个老师是哪里的。
为什么不问呢？因为老师本身是有美语和英语之分，你可能找到的老师是纯正的菲佣英语，也有可能是学到黑人英语，怎么办？那家长吓死了。现在老师要求非常高，要学英式英语，不要美语。现在有英语识别非常好的，这方面也在做。
IBM还做了一件事情，现在做了图像识别是基于时间切片，一帧帧的识别，现在它可以通过事件学习。打个比方，之前腾讯云找IBM，说我想劫某某明星的所有投三分球的视频集锦，之前只能人工做，100小时就100小时剪切出来，但是，现在3秒钟之内就做好了。基于事件，把投篮这一秒的画面作为事件处理，这就是机器学习的美丽，这是展开了，跟AIOps的关系不是特别。