北京2022年4月27日 /美通社/ -- 随着互联网、5G、IoT等飞速发展，数字化、智慧化的建设对算力提出更高的要求，数据中心向着规模化、集约化、绿色化不断演进，根据ResearchAndMarkets 《全球数据中心托管服务市场机遇》报告显示，超大规模数据中心预计将从2019年的509个增长到2025年的890个，这将改变数据中心建设和使用的方式，数据中心规模不断扩大，大型数据中心服务器数量已经达到了10万以上的量级，这意味着对运维的难度、人力、成本、专业性都提出了更高的要求，企业数据中心的运维压力面临着前所未有的挑战，打破传统运维方式，打造"监、管、控、防"智能化的运维是解决问题的关键。
什么是智能运维？
首先，要了解数据中心运维的发展历程，它主要包含三个阶段：人肉运维、自动化运维和智能运维。
所谓人肉运维就是指 -- 在早期，大部分数据中心的运维工作是由运维工程师手工完成。服务器运行状态，全靠运维工程师每日肉眼查看，进行问题定位与解决，每位工程师可以运维的上限约为400台设备。这种低效的运维方式，在数据中心服务器增多和人力成本逐渐增高的时代，是难以维继的。
所以自动化运维便应运而生，由运维工程师根据运维经验编写脚本，进行批量设备巡检，后期发展成基于任务的设备巡检，这便是自动化运维的早期方式。这大大提升了发现异常设备的效率，降低了运维成本。但是，面对故障根因、故障预测、性能趋势和控制决策，自动化运维却力不从心。
根据Gartner发布的《2021年中国ICT技术成熟度曲线报告》显示，AIOps市场将持续增长并影响整个IT运营管理市场，报告预计未来2-5年内AIOps将进入成熟期并会帮助企业大幅节约成本。从服务器运维的角度来分析服务器智能运维，目标就是通过对带外信息（配置信息、状态信息、性能信息、日志等）和带内信息（配置参数、性能信息、日志信息）进行采集，利用机器学习的方式来解决上述问题，提高系统预警能力和稳定性，降低运维成本，提高运维效率。
浪潮信息打造智能化的物理基础设施管理平台（ISPIM）
浪潮信息物理基础设施管理平台ISPIM，通过对数据中心IT设备的7*24h纳管监控，实现在异常检测、故障诊断、故障预测、故障自愈、性能预测等多维度的智能化运维。
服务器运维中，最根本的是对于异常的检测，常见的是对状态指标、性能指标和日志数据三大数据的检测。
状态指标：当服务器的状态出现异常时，浪潮信息ISPIM管理软件通过主/被动方式对服务器的异常进行聚合，防止重复告警和误报，同时对同时刻多告警进行根因定位，防止告警风暴，产生告警麻痹。
性能指标：在性能指标检测方面，传统手段是设置阈值，但常常因为某一时刻产生噪点数据而发生误报，通过重复次数，阈值抖动范围和自学习数据密度分布等方案，便能够解决噪点数据产生的99%的告警误报；但面对周期性变化的数据却无法进行动态调整，也会产生误报的情况，大大降低告警的准确性。浪潮信息ISPIM管理软件通过AI优化，针对性能数据进行时域、频域、能量等变化进行动态分析，采用LSTM和随机森林两种方案进行预测，告警准确性达到98%。
日志数据：日志一般是半结构化的数据，根据日志级别产生告警，准确性不够并且只能检测到已知和确定模式的异常。浪潮信息ISPIM管理软件拥有4000+运维专家资源库，帮助实现服务器故障快速诊断，同时在日志智能故障诊断方面，会将采集的日志进行重新编码，不断加深对深度学习、LSTM等算法的研究、实践应用，实现从多个维度对服务器异常进行分析，异常检测准确率高达99%。
为进一步提高运维效率，浪潮信息ISPIM管理软件除了对日志的故障诊断之外，还会对系统宕机后的数据进行深入的剖析，便于问题快速定位，提高效率。
通过对采集的海量数据进行分析，浪潮发现服务器的宕机通常是发生了CPU MCE（Machine Check Exception）故障，MCE来源一般来说有两种，一种是CPU本身故障，一种是来自CPU外部的部件。浪潮信息ISPIM管理软件通过带外收集服务器CPU寄存器数据，基于MCA（Machine Check Architecture）技术架构，通过定位CPU触发源、分析MC Bank、解析CSR、MSR寄存器，实现故障原因的确认以及故障部件的精准定位，并根据浪潮信息专家经验库对故障问题给出专业的解决方案，从而提升运维效率。
据统计显示，在数据中心中由内存、硬盘造成的故障占比超过50%以上，其主要原因在于硬盘、内存保有量较大，生命周期相对较短，使用率较高等。当内存或硬盘产生故障时，极容易发生严重宕机事故。
对于内存而言，内存产生的CE（可纠正错误），可以通过ECC（Error Correcting Code）机制进行纠正，但是频繁的CE往往会产生UCE（Unchecked Error），一旦产生UCE，往往会导致系统宕机。因此，预测内存故障即可转化为预测UCE，浪潮信息ISPIM管理软件对内存CE，通过多个维度统计分析，从CE总频率、内存固定物理地址CE频率阈值、固定Cell CE频率阈值、CE在Column分布范围及频率阈值等维度统计，获取UCE与CE关联关系，从而预测UCE。
而对于硬盘，在数据中心中大多存储阵列会采用一些冗余机制，但是这只能保证有限硬盘失效的场景，一旦故障盘数量超过RAID冗余的极限之后，很可能造成系统宕机或者数据丢失的风险。浪潮信息ISPIM管理软件通过对SMART（Self-Monitoring Analysis and Reporting Technology）标准进行分析，获取硬盘故障预测的关键数据特征，基于模型算法进行训练，优化模型算法，输出为推理算法模型，通过SMART指标及硬盘运行日志，预测风险盘。同时当硬盘预测达到换盘指标时，可支持换盘操作。
通过这些技术优化，浪潮信息ISPIM管理软件可以实现对内存和硬盘的故障预测，大大提高系统稳定性。
浪潮信息ISPIM管理软件在针对故障自愈方面，可以支持内存故障自动隔离，在操作系统层面，结合MCE（Machine Check Exception）日志数据信息，基于CE故障信息，通过虚拟内存故障Page诊断算法，确定内存故障Page，并在操作系统内核执行Page Offline，通过虚拟内存技术，隔离对故障内存区域的访问，实现内存故障隔离。在物理内存层面，基于CE故障信息，通过物理内存故障诊断算法，利用SPPR（Soft Post Package Repair）、HPPR（Hard Post Package Repair）对物理内存故障Row进行隔离，在技术上实现对故障内存的永久性隔离，提高操作系统的稳定性和可靠性，从而保障业务的稳定可靠运行。
性能预测是指对服务器的性能数据，经过ARIMA、指数平滑、LSTM、Prophet等智能算法，能够感知系统在未来几个小时、几天或者一年的数据的走势、增长量或者周期性变化等。浪潮信息ISPIM管理软件凭借自研性能分析核心组件，可支撑上万台服务器同时进行秒级性能数据的监控与告警，帮助运维人员实时掌握设备的性能状况，实现对磁盘寿命、容量预测，准确率达到99%。
浪潮信息物理基础设施管理平台ISPIM（Inspur Physical Infrastructure Manager），具备资源管理、故障监控、性能监控、能耗管理、自动部署、报表统计、网络拓扑和3D视图等功能，可同时对数万台不同品牌服务器、存储、网络设备等设备进行统一监控、运维、告警管理，运维效率提升2倍，基于浪潮信息故障专家库的大数据规则故障诊断功能，可将故障诊断准确率提升到93%，并且可在快速处理故障的同时极大程度降低数据泄露风险，帮助用户打造无人值守数据中心，提高运维效率并降低运维成本，保障数据中心安全、可靠、稳定的运行。
