智能网管优化分析方案建议.docxVIP

智能网管优化分析方案建议  目录 TOC \o 1-3 \h \z \u 1 背景分析 2 2 方案概要 3 2.1 基于故障事件的大数据智能分析 3 2.2 基于性能指标的大数据分析与自学习智能预测分析 6 2.2.1 智能预测分析 6 2.2.2 建立网络性能管理平台，提供完整的指标 8 2.3 新一代展现门户 9  背景分析 经过多年的建设，中国银行总行目前已建成较为完备的网络运维管理平台，主要包括： 网络集中监控平台：实现对全行网络及分支行骨干接入线路的网络集中监控，全网Syslog/Trap的集中故障事件管理以及性能管理（PING/RPING/SNMP）； 网络自动化平台：实现网络自动化配置、开通、网络配置信息备份等功能，与运维资产库、CMDB系统、流程平台结合实现完整的网络自动化变更流程； 同时，金融行业业务的多元、快速发展对中国银行总行网络运维提出了多方面的挑战：一方面是业务规模持续扩大而人力资源有限的现状；另一方面是如何利用持续发展的前沿技术（大数据、云计算、认知学习等）进一步提升网络运维管理的智能化、可视化，从而快速有效的适应业务发展，提高业务的可用性。 本方案主要是在理解中国银行总行网络运维管理的现状以及发展的业务需求，经过有针对性的分析，建议在网络集中监控平台的基础上实现网络运维大数据分析，主要包括： 故障事件大数据分析：在目前故障管理平台初步建成的基础上，实现故障告警基于运维层面的大数据分析和深入挖掘，有效结合监控平台、运维资产库、CMDB及业务关联数据，实现故障告警的多层次故障根源分析（Root Cause Analysis）和业务影响性分析，通过智能化的手段压缩告警量，并快速定位网络故障根源； 可视化能力增强：基于Netcool新版本提供的平台展现技术，实现网管平台各维度（故障、性能、业务相关、周边系统关联数据）在ECC监控中心的大屏展现，提升整个监控平台的“可视化”功能； 性能指标大数据分析及智能化预测分析：在建立健全现有网络性能管理平台所采集指标（KPI）的基础上，借助IBM沃森（Watson）机器人大数据分析和智能化自学习的技术，在网络所支撑的各类业务质量指标（KQI）和相关网络基础结构性能指标（KPI）的连续变化中通过机器学习的方式，分析多变量的组合变化规律，基于成熟预定义的分析算法如格林杰（Granger）因果关系检验等，快速定位指标组合变化的异常发生，从而可预测网络业务质量可能下降的任何先兆，并通过预测性告警的方式即时通知相关管理人员。 方案概要 基于对本次项目的背景及目标分析，整个方案实现的大致逻辑框架可参考如下： 下面将从故障事件大数据智能分析、基于性能指标的大数据分析与认知学习智能预测、以及新一代展现门户三个维度去阐述方案的概要设计： 基于故障事件的大数据智能分析 针对故障事件大数据认知分析实现，能够快速有效地关联活动故障告警与多个关联要素及相关系统中的数据，如CMDB或运维资产库所包含的网络业务配置数据，以及活动故障告警与历史故障告警之间的上下文有哪些信誉好的足球投注网站和快速匹配，从而实现包括RCA故障根源分析、业务影响性分析、和历史告警挖掘和发生规律回溯等目标，并有效降低所需关注的告警量，降低管理员日常负荷及重复工作比率。例如，从实践经验上讲，故障根源分析可以围绕以下三个层面展开： 从网络拓扑的角度进行拓扑相关性分析定位故障根源：例如网络板卡故障引起的端口故障，网络核心设备/核心线路/防火墙等故障引起的业务访问故障或网络访问/接入故障； 从网络技术相关性的角度进行故障根源定位：例如从网络端到端质量下降，而“Voice”业务的QOS队列饱和，“Assured”业务的QOS队列未饱和来推测网络出现瓶颈的根源在于垃圾流量过大；或者从网络技术相关性的角度推断，SDH传输等承载网的网络质量故障，会引起大量所承载IP层业务端口/线路的故障。 从时间相关性的角度进行故障根源定位分析：从故障发生时间的维度，故障根源信息往往发生在前，派生故障事件往往发生在后。通过这个规律实现故障时间窗口管理，抽取典型告警，并通过时间相关性分析规则排除掉不合理的分析结果，提高分析的准确性。 针对故障事件大数据分析，IBM提供NOI(Netcool Operations Insight)方案实现，该方案内置整合了Netcool/OMNIbus、Impact和IOALA(IT Operations Analytics - Log Analysis)三个产品模块，并可与中国银行总行已有网管Netcool/OMNIbus事件平台紧密结合，关联多维度外部数据源（如网络与业务配置数据）及历史告警大数据分析，提升网络运维的敏锐度和效率，减少网络宕机或不稳定现象，并提供可以灵活自定义关联分析策略的故