云原生时代下，企业运维面临架构复杂化、业务需求多样化和运维数据海量等挑战，如何能够实现精准告警、异常智能诊断、根因定位、异常预测和异常自动修复，已成为企业数字化转型的急迫需求。
9月26日，阿里巴巴高级技术专家滕圣波在《GOPS全球运维大会》上发表了题为《云上服务器无人值守与自助服务实战》的主题演讲，分享了阿里云弹性计算团队如何利用人工智能技术赋能运维自动化，实现云上服务器无人值守，帮助用户降低云服务器实例管理的复杂性，来保障实例服务的稳定和高效运行。本文根据滕圣波的演讲整理。
图：阿里巴巴高级技术专家滕圣波
01
为什么需要无人值守
运维是一种服务，既包含基础设施软件服务、也包含人力服务，服务的对象是企业中使用基础设施的业务团队，而云计算IaaS是一种运维服务，服务的对象已发展为使用云服务的开发人员和运维团队。随着云计算的广泛落地，大部分企业开始上云，当前就有100万多家用户的业务运行在阿里云平台上，阿里云平台服务的用户也越来越多。
随着平台用户规模的扩大，我们发现平台用户在ECS实例运维时普遍面临三个痛点：
- 背景沟通成本高，为什么我的实例出问题了？
- 人工处理需要较长的时间，为什么这个问题这么久还没有解决？
- 客户操作不透明，问题看起来修复了，可是刚刚你做了什么？
为了问题的高效解决，我们需要重人力投入在客服人员方面。为了避免用户规模扩大带来的客户侧运维成本的线性上升，我们开始利用人工智能技术赋能用户运维管理。在无人零售、无人驾驶成为趋势的时候，我们认为未来云上服务器也将实现无人值守。
事实上，阿里云弹性计算产品推出十年，沉淀了众多ECS实例运维管理经验和异常“行为”规律。所以依托机器学习的数据驱动，我们通过异常“行为”数据的分析，构建了一套云上服务器的无人值守架构，并推出了一系列自助服务，实现了ECS实例的自诊断、自修复、自优化、自运维，帮助用户降低ECS实例管理的复杂性，从而来保障实例服务的稳定和高效运行。
02
无人值守的自服务实战
云计算IaaS的运维工作可以拆分为服务侧运维和客户侧运维，服务侧运维是云平台的运维工作，通常对用户不可见的。主要涉及基础设施、基础产品和上层管控三个层面，包括机房、物理设备的运维工作、资源虚拟化、资源调度、热迁移等工作。随着用户规模的扩大，这些运维工作会越来越复杂。而用户侧运维工作，是对用户自己可见的。主要是用户对ECS实例的修改操作和自动化工作，包括扩容、重启、监控、客服服务、工单反应、资源编排和运维编排等。
我们构建的云服务器的无人值守架构，为阿里云平台用户提供了一系列的自助服务。广义上看，阿里云的自助服务囊括了ECS实例本身、实例生命周期管理、系统管理和自动化、市场和生态四个维度，如下图。
图：广义上的自助服务
狭义上来说，阿里云自助服务为用户实现了ECS实例的诊断、修复和推荐的功能。当天，阿里云自主服务已通过实例诊断工具、实例优化推荐、自动修复工具、最佳模板推荐和ECS事件自动化等一系列自助服务工具，覆盖了80% ECS常见问题，将问题解决的平均周期从几小时缩短至分钟级，整个过程无需客服人工参与，无隐私泄漏风险，做到了云上服务器的无人值守。未来随着AI+数据的不断驱动，ECS实例的诊断和修复将会越来越精准。
ECS实例的智能诊断根据平台的数据统计，用户在使用ECS实例时主要面临四大类问题：
- 实例无法远程访问
- 实例无法启动/停止
- 实例性能异常
- 磁盘扩容未生效
所以，在智能诊断的能力上，我们覆盖了ECS系统服务、磁盘健康服务、网络健康服务和Guest OS系统配置等维度，用户一键即可完成实例的智能健康诊断。
ECS实例的自动化修复在智能诊断完成后，我们还会为用户提供ECS实例自动化修复方案，在前者定位问题所在之后，自动化修复能够在1-3分钟解决问题，主要完成ECS系统服务修复、网络问题修复和磁盘修复。
仅仅实现自动化修复是不够的，我们认为自动化修复还应该是透明合规的。我们通过运维编排服务OOS提供自动化引擎，通过云助手命令提供GuestOS内的执行能力，运维编排服务OOS+云助手命令共同帮助用户完成自动化修复；同时，我们开源了运维编排服务OOS+云助手命令的代码，做到一切修复逻辑对用户可见；一切修复操作还可以通过ECS实例的镜像、快照和数据备份实现回滚；通过阿里云RAM角色控制实现一切权限可控，通过阿里云操作审计ActionTrail实现一切记录可审计，做到了真正的透明合规。
03
无人值守背后的AI数据力量
让我们实现智能诊断和自动化修复的，是冰山下强大的技术支撑——AI+数据。依托底层的数据中台，我们完成了，包括物理机数据、虚拟化数据、网络数据、控制面数据和GuestOS内数据等数据的采集、清洗、分析和模型的构建；加上AI算法的不断调优，我们搭建了用户画像、决策树、预测和推荐模型等，从而保证异常诊断和自动修复越加精准和高效。
当前，在整体的ECS自助服务架构中，主要依靠管控监控中心实时监测日志服务、中间件监控、API请求监控以及控制台监控和自助诊断的数据，通过机器学习引擎实现问题预警和处理，进而驱动运维编排服务OOS实现自动化修复问题。
通过这套AI驱动的自服务架构，当前ECS实时内存异常感知准确率在70%以上，实施预测链路延时则控制在100s以内；另外融合专家经验、案例库和知识库，我们构建了一个强大的诊断决策树，为加快问题的定位和修复提供了强有力的依据。
近两年，阿里云弹性计算团队持续不断地投入构建异常行为数据集，未来计划将其演进成为阿里巴巴集团在异常预测上的“ImageNet 数据集”并进行开源，希望能为异常预测在业内的发展贡献更大的价值。
关注百晓生，笑谈云计算