企业的NetOps团队面临着处理大量传入数据的挑战，旨在识别网络中的技术、性能和安全问题。这一过程传统上耗时且需手动操作。然而，如今NetOps团队正在优先考虑能够快速识别和解决问题的解决方案，其中AIOps便是一个重要的选项。
AIOps利用人工智能来识别和理解数据模式，从而在庞大而复杂的数据集中发现异常。根据Gartner的说法，AIOps结合了大数据和机器学习，能够自动化IT运营过程，包括事件关联、异常检测和因果关系的确认。
尽管AIOps的功能众多，但最近的研究显示，企业更关注能够迅速发现潜在网络问题的用例，并尽快予以解决。为了深入探讨这一话题，我们将分析EMA的最新研究，评估AIOps的使用情况及其潜在价值，并探讨AIOps如何为NetOps团队带来益处。
研究：确定应用场景的优先级
EMA的研究表明，在AIOps的应用中，企业明显优先考虑与网络安全和高效运营直接相关的场景。例如，有56%的企业正在优先考虑或已经在实施异常检测，该过程旨在揭示超出正常参数的异常活动，使其成为AIOps的主要应用方向。
人工智能的引入可以快速区分真正威胁网络运营的异常现象，从而帮助团队集中精力解决最紧急的问题。
例如，当带宽使用出现异常高峰时，企业需要制定策略，以从常规的月度趋势中识别出这些异常，并追踪其来源，进一步缩小至特定的网络服务或应用程序。这种情况通常发生在意外的服务器或数据备份操作，或某些应用程序的带宽使用高峰期间。
在处理安全事件时，目标是尽快消除潜在威胁。根据EMA的数据，安全事件的初步响应中大部分内容可以通过正确的规则实现自动化，因此自动化的安全事件补救成为企业的第二大优先使用场景。
自动化的初始安全响应不仅加速了问题的解决，还使团队能够更专注于需要直接人工干预的领域。一个常见的场景是，当一个未知的应用程序或主机/IP被识别并使用了网络资源或带宽时，企业外的主机可以被标记并隔离，以确保网络安全。
处理大量的警报
如前所述，NetOps和SecOps团队每天都面临着大量警报，其中可能隐藏着严重的操作或安全问题。由于人工智能在模式识别方面的优势，智能警报和升级成为企业的第三大优先应用场景。
根据网络安全漏洞的类型和级别，企业可以设定服务策略来提醒或升级这些问题。团队也可以配置基础警报和黑名单，以便对未来的网络异常进行分析，从而阻止未识别的流量模式。
与安全事件补救类似，在IT服务中自动缓解问题的过程能够提高MTTR，确保运营效率。因此，自动化IT服务问题修复成为企业第四大优先考虑的AIOps使用场景。
为了应对这一挑战，团队需通过适当的警报机制，根据服务级别或应用级别事件制定有效的事件管理策略。同时，需要对不同事件的记录、跟踪和管理政策进行妥善规划，以确保后续的正确补救。
与上述研究结果一致，大多数企业倾向于从网络安全基础设施入手，部署和整合AIOps，以更好地检测异常、升级警报和解决安全问题。这也意味着，包括数据中心交换、云网络和应用交付网络解决方案在内的应用基础设施成为重要的二级优先事项。AIOps解决方案部署的最后重点领域是Wi-Fi和WAN基础设施。
AIOps是关于数据的
鉴于这些优先事项，以及与任何AI/ML相关的特点，AIOps的核心是数据管理。企业发现数据管理是网络团队需要的最关键技能并不意外。早期研究指出，数据质量差是成功应用AIOps进行网络和安全管理的主要技术障碍。除了数据背景，企业还将一般的人工智能和基础设施知识视为第二优先技能。
这表明一些企业可能正在尝试开发内部的AIOps能力，或希望调整商业解决方案。此外，算法开发和API技能在优先级列表中同样重要，反映出企业正在构建或优化底层算法，并致力于将软件和工具更广泛地整合到AIOps中。
总体而言，期望在AIOps方面取得成功的企业正在寻求用特定的数据、AI、算法及整合技能来增强他们的网络或安全团队的能力。
企业希望有效地解决复杂问题，以加快响应速度。AIOps使企业能够采用AI/ML技术，增强IT团队的能力，快速识别并缓解对整体网络性能或安全的威胁，包括异常检测、自动安全响应和事件修复等。
随着新工具的不断推出，NetOps团队也需要学习新的技能，例如数据管理、AI知识和算法开发。最终，这将帮助这些团队和公司简化工作流程，更好地解读数据，并有效且安全地管理网络。
[[[IMG_1]]]
[[[IMG_2]]]
[[[IMG_3]]]
[[[IMG_4]]]
