银行业AIOps应用现状研究_大模型与自动化运维.pdf

银行业AIOps应用现状研究_大模型与自动化运维

运维工程师应该深有体会——运维越来越难做，被海量高速的

运维监控数据所淹没。AIOps的引入有其重要性和必要性。本文对

银行业AIOps应用的真实现状进行了研究和分析，对于正在考虑或

已经进行相关建设的同行具有参考价值。

1、背景

随着业务创新以及分布式架构、微服务、大数据、人工智能等技术演进，

使得银行业IT运维面临软硬件数量激增、应用和架构复杂化、变更频繁、调用

链显著增长、运维数据井喷等困难和挑战。

运维技术在各行各业的重要性越来越高，特别在商业银行使用更广、更

深，由于商业银行数字化程度越来越高、系统规模越来越大、组件监控粒度越

来越细、监控数据量越来越大以及新技术和新组件的不断引入，这些导致运维

越来越难做，运维工程师也被海量高速的运维监控数据所淹没。

2、为什么需要AIOps？

AIOps是基于海量数据的采集与治理（数据化）、AI算法的深度应用（智

能化）和端到端的自动化打造平台化的智能运维目标,实现全景监控与自动化、

智能分析与决策、故障自愈与无人值守。AIOps的优势是有利于知识和经验的

积累。在智能运维体系中，运维人员在角色转变的同时也实现了技能提升，从

最初的人工运维，到部分自动化+数据分析，实现数据驱动的IT运维，最终走

向高度数据化、高度AI下的完全自动化+运维专家模式。

随着新质生产力的发展、数字化转型的持续推进，现代数字业务需要监控

和管理的系统变得更加复杂、更加分散，需要AIOps工具来实现跨IT堆栈的持

续洞察，同时这种洞察力变得越来越重要。随着商业银行数字化转型的加速，

IT系统产生的运维数据量呈现爆炸式增长，传统的运维方式难以应对海量数据

的处理和分析，需要AIOps利用人工智能技术对数据进行自动化分析和处理，

提高运维效率；现代IT环境由云化、容器化、微服务等多种技术构成，系统复

杂性大幅增加，AIOps通过智能算法和机器学习技术，能够更好地识别和管理

这种复杂性；AIOps可以自动关联和分析来自不同来源的事件，快速定位故障

原因，同时，通过对历史数据的学习，AIOps能够预测系统潜在的问题，实现

主动预防；AIOps可以实现故障的自动化响应和处理，减少人工介入，缩短故

障恢复时间（MTTR），提高系统的稳定性和可用性。总之，AIOps的引入对于

应对当前IT运维挑战、提高运维质量和效率、降低成本以及支持商业银行的数

字化战略具有重要性和必要性。

3、同业AIOps建设情况调研

以下是针对根据已发信息，针对体量巨大的家大型银行AIOPS建设情况进

行了信息整理，包括建设背景、平台建设、平台建设、应用场景以及运维生态

等，详情如下：

某大银行1

§智能运维建设情况

建设背景：2019年起，运营中心践行金融科技战略，以项目群的方式启动

了智能运维体系建设，目前主要是在数据中心私有云平台重点投入建设，包

括在创新处以及应用处两个部门进行推广。公有云平台目前正在规划智能

运维的建设，以龙舟云运维智能化方向为主。

平台建设：

建设数据平台及算法平台，加强数据采控及集中管理能力，夯实

数字化底座。

场景建设：以运维数据为基础，实现指标异常检测、日志异常检测、精准告

警等基础运维数据分析场景，同时结合业务实现业务健康监测、业务影响分

析等综合场景，初步建成了具体感知力、控制力、决策力的企业级智能运维

体系。

§运维组件

运维组件平台化、集中采控、精细化自动运维场景。

§运维数据

龙舟运维大数据平台

§运维生态

搭平台、做场景，运维工具生态与运维生态并存。

某大银行2

§智能运维建设情况

建设背景：

建设全行统一的“运维数据分析平台”，形成容纳海量运维数据

的运维数据集市，解决运维数据存储不集中、数据不规范等问题；构建全行

运维数据统一分析平台，推进运维数据应用的深度和广度，实践智能监控、

智能运维等AIOps分析场景，为信息系统建设战略提