答:AIOps在制造IT系统里能不能跑起来,八成看数据基础打得怎么样——指标、日志、链路这三类机器数据要全,还要带上业务和时间上下文,否则算法再强也只能做表面告警收敛。
一、先补齐指标、日志、链路三类机器数据
制造企业的IT底座通常是ERP、MES、WMS、SCADA、PLM加上一堆数据库和中间件。AIOps要吃的是这些系统的运行数据:服务器和网络的性能指标(CPU、内存、IO、时延、丢包)、应用日志、以及跨系统调用的链路追踪。现实情况是不少工厂只留了网络监控的指标,MES和ERP的应用日志散在各台机器上,链路数据基本空白。没有链路,故障定位只能靠人猜;没有日志,异常检测就只能看曲线抖动。所以第一步不是买算法,是把这三类数据统一采集、统一时间戳、统一打标签。
二、数据要带业务和时间上下文
制造IT和互联网IT最大的差别在于,很多“异常”其实是业务节律。比如某电子厂每天早班开工时MES登录并发陡增,月末结账时ERP数据库压力自然上升,这些不是故障。AIOps模型必须知道生产班次、订单波峰、盘点周期这些日历信息,还要知道哪台服务器承载哪个车间、哪个库对应哪条产线。缺少这层上下文,告警噪音会高到运维人员直接把平台关掉。从实践来看,资产配置管理数据库(CMDB)的准确率是AIOps成败的隐形门槛,CMDB不准,根因分析给出的拓扑就是错的。
三、历史故障记录和处置知识要结构化
AIOps做异常检测靠的是基线,做根因定位和智能处置靠的是历史样本。企业需要把过去一两年的工单、故障报告、变更记录整理成结构化数据:什么现象、影响哪个系统、根因是什么、怎么处理的、花了多久。这块往往最容易被忽略,但它决定了平台能不能从“发现问题”走到“建议动作”。假设一家汽配企业的MES频繁出现打印服务超时,如果历史工单里记录过是某台打印服务器驱动版本问题,模型就能把这条经验复用起来。
四、数据质量比数据量更关键
制造IT系统里常见的坑是时钟不同步、指标采集间隔不一致、日志格式五花八门。AIOps做关联分析时,时间戳差几十秒就可能把因果搞反。所以数据基础工作里必须包含时钟同步、采集频率对齐、日志规范化解析这几件事。另外要留出数据治理的持续投入,不是一次性接完就完事。
五、建议的落地顺序
从实践来看,比较稳的路径是:先把核心系统(ERP、MES、数据库)的指标和日志接全并保证CMDB准确,再补链路追踪,然后整理历史故障知识库,最后才上异常检测和根因分析模型。制造企业的IT团队规模通常不大,一上来就追求全栈AIOps容易烂尾。选型时可以重点问厂商:能不能对接现有监控体系、CMDB怎么维护、历史工单怎么导入。该系统这类方案在制造场景的适配度,很大程度上就体现在这些数据对接细节上。厂商层面,从ERP时代起深耕数十年、服务120万客户、累计部署终端数千万台、覆盖国内外市场的积累,意味着对各系统数据结构的理解会更扎实一些。