DevOps 和云技术正在逼近极限
范式转变往往会产生意想不到的后果，这些后果可能需要数年才能被完全消化。
云计算就是一个很好的例子。
云计算迎来了灵活的基础设施和低资本要求的时代，由于资源只是一个API调用，工程师们无需等待部署。
然而，这一切只是开始。
敏捷的公司利用云来打破开发和运维之间的隔阂，并采用敏捷方法以缩短开发周期，从而创造战略优势。
他们将应用程序生命周期中的工程师团队分工从之前的开发和测试变为部署和运维，
并创建了需要一系列新技能的职位。这些公司使用 CI/CD 和 DevOps 进一步推动自动化流水线，
以实现更快的交付。
这样有隐患吗？去问你的 DevOps 团队
DevOps 团队的任务是维护一个工具链，以便自动交付新代码，按需扩展，以及五个 9 的正常运行时间。
在空闲时间，他们致力于提高性能和控制成本。
对于大的应用程序，可以有数千个虚拟机或容器，每个虚拟机或容器都有一堆软件，
还有负载平衡器和自动扩容等云服务，所有这些都必须进行配置和维护。
这一切都在不断发展中。
我之前了解过的一个大型独角兽公司拥有数百名开发人员，每天更新代码超过 100 次，
云上有超过 4000 台虚拟机，每月收集数 PB 的数据。
而他们的 DevOps 团队只有十几个人手，直到去年才有 VP。
对他们来说，这是一个艰巨且繁重的任务。
应付这无数的挑战已经超出了人类的能力范围。
幸好，AIOps 正在成为一种解决方案。
AIOps 一词是由 Gartner 创造的，
他将其解释为：
AIOps 结合了大数据，机器学习和可视化技术，通过更强的洞察力来优化 IT 运维。
IT 的领导者应该开始部署 AIOps，以优化当前的性能分析，
并在未来两到五年内将使用范围扩展到 IT 服务管理和自动化。
虽然 Gartner 创造了这个术语，但以我拙见，这还没达到标准。
他的定义以循环中的人为中心，以他的描述 AIOps 基本上是一种高级的大数据分析。
要解决 DevOps 困境，我们要定一个更高的目标。
那么，AIOps 应该是什么？
我们先从它不应该是什么开始：一个对现有的运维系统的修饰，软件供应商将"以 AI 驱动"作为卖点。
这种情况已经发生了，当新的技术威胁到现有利益时，往往会发生这种情况。
仅仅向已有工具添加一个 API 是不够的，如果决策需要人为干预，那就不能算是 AIOps。
这是一些 AIOps 的关键要求：
- AIOps 系统从你的数据中学习并适应应用程序的工作模式
- 这意味着它不会每次都做同样的事情
- AIOps 系统无需人工干预即可制定和实施决策
- 你可以让人参与循环，直到你完全信任这个系统
- AIOps 系统能持续运行
- 它能成为你的交付中的标准单元
向 AIOps 的过渡正处于起步阶段，但它的热度正在上升，而且已经有了成功案例。
风险投资正在下注，大小软件供应商都正在为市场带来新的解决方案。
从几年前的日志分析系统开始，自动化根本原因分析再到故障预测的出现。
入侵检测系统现在可以从异常流量中学习，有些甚至可以跨公司。
最近，预测自动扩容系统首次亮相。
Optune 和 Opsani 的 AI 系统能够判断虚拟机类型、实例和应用程序参数，
并使用客户现有的 DevOps 工具链和监控系统将它们部署到测试或生产环境中。
DevOps 正在取代传统的 IT 部门，它的名称被改变，角色职能也发生了变化，
但 IT 部门要解决的挑战并没有消失，它们的规模被乘以了微服务架构的固有规模。
因此，我们需要为这些挑战设计新的系统，AIOps 必须在未来几年内发展，
超越 Gartner 的愿景，使 DevOps 能够应对发展的规模和速度。
