行业动态

云原生时代，企业IT运维面临架构复杂、业务需求多样化、运维数据海量等挑战。已成为企业数字化转型的迫切需求。

9月26日，阿里巴巴高级技术专家滕胜波在“GOPS全球运维大会”上发表了题为“云服务器无人值守与自助服务”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。智能技术实现自动化运维，实现云端服务器无人值守，帮助用户降低云服务器实例管理复杂度，保障实例服务稳定高效运行。本文是根据滕胜波的讲话改编的。

本文内容结构：

1、为什么云服务器需要无人值守？

2、阿里巴巴云无人值守自助实战

3、无人值守背后的数据和AI

1、为什么云服务器需要无人值守？

运维是一种服务，既包括基础设施软件服务，也包括人工服务。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，而服务的对象已经开发为使用云服务的开发人员和运营团队。随着云计算的广泛实施，大多数企业已经迁移到云端。目前，有超过100万用户的业务在阿里云平台上运行，阿里云平台服务的用户也越来越多。

随着平台用户的扩大，我们发现平台用户在运维ECS实例时普遍面临三个痛点：

（1）后台通信成本高，为什么我的实例有问题？

（2）手工处理时间长，为什么这个问题这么久没有解决？

（3）客户端操作不透明，问题好像解决了，但是你刚刚做了什么？

为此，我们需要在客服人员上投入巨资，让用户的问题得到高效的解决。为了避免用户规模扩大带来的客户端运维成本线性增加，我们开始使用人工智能技术赋能用户运维管理。当无人零售、无人驾驶成为趋势时，我们相信未来云端服务器也将无人值守。

事实上，阿里云弹性计算产品推出十年，积累了很多ECS实例运维管理经验和异常“行为”规则。因此，依托机器学习的数据驱动特性，我们通过对异常“行为”数据的分析，为云端服务器搭建无人值守架构，推出一系列自助服务，实现自诊断、自愈合、自优化和自运维帮助用户降低ECS实例管理的复杂度，从而保证实例服务的稳定高效运行。

2、无人值守自助实战

云计算IaaS的运维可以分为服务端运维和客户端运维。服务端运维是云平台的运维工作，通常用户看不到，主要涉及基础设施、基础产品和上层管控。三个层次，包括机房和物理设备的运维、资源虚拟化、资源调度、热迁移。随着用户规模的扩大，这些运维任务会越来越复杂。用户侧运维工作对用户是可见的，主要是用户对ECS实例的修改和自动化，包括扩容、重启、监控、客服、

我们搭建的云服务器无人值守架构，为阿里云平台用户提供了一系列的自助服务。从广义上讲，阿里云的自助服务包括四个维度：ECS实例本身、实例生命周期管理、系统管理与自动化、市场与生态，如下图所示。

图：广义的自助服务

狭义的阿里云自助服务是为用户实现ECS实例的诊断、修复、推荐等功能。当天，阿里云自助提供了实例诊断工具、实例优化推荐、自动修复工具、最佳模板推荐、ECS事件自动化等一系列自助工具服务器运维技术，覆盖了80%的常见ECS问题，将平均问题解决时间从几小时缩短到几分钟。全程无需客服人员人工参与，不存在隐私泄露风险。云上的服务器是无人值守的。未来服务器运维技术，随着AI+数据的不断驱动，ECS实例的诊断和修复会越来越精准。

ECS实例智能诊断

根据平台统计，用户在使用ECS实例时主要面临四类问题：

(1）无法远程访问实例

(2）实例无法启动/停止

(3）实例性能异常

(4）扩盘不生效

因此，在智能诊断能力方面，我们涵盖了ECS系统服务、磁盘健康服务、网络健康服务、Guest OS系统配置等维度。用户可以一键完成实例的智能健康诊断。

ECS实例自动修复

智能诊断完成后，我们还将为用户提供ECS实例的自动修复解决方案。前者定位问题后，自动修复可在1-3分钟内解决问题，主要完成ECS系统服务修复、网络问题修复和磁盘修复。.

仅仅实施自动化修复是不够的，我们认为自动化修复还应该是透明和合规的。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内部执行能力。运维编排服务OOS+云助手命令共同帮助用户完成自动修复；同时开源运维编排服务OOS+云助手命令。代码，使所有修复逻辑对用户可见；所有修复操作也可以通过ECS实例镜像、快照、数据备份进行回滚；所有权限都可以通过阿里云RAM角色控制来控制，

3、无人值守背后的AI和数据能力

使我们能够实现智能诊断和自动修复的，是冰山下的强大技术支撑——AI+数据。依托底层数据中心，完成了物理机数据、虚拟化数据、网络数据、控制面数据、内部数据等数据的采集、清洗、分析和模型构建；再加上AI算法的不断优化，我们构建了用户画像、决策树、预测推荐模型等，确保异常诊断和自动修复更加精准高效。

目前，在整个ECS自助服务架构中，控制监控中心主要依靠日志服务的实时监控、中间件监控、API请求监控、控制台监控和自诊断数据，实现问题预警和通过机器学习引擎进行处理，进而驱动运维编排服务OOS，实现问题的自动修复。

通过这种AI驱动的自助服务架构，目前阿里云ECS实时内存异常感知准确率超过70%，实现预测链路延迟控制在100s以内；此外，整合专家经验、案例库和知识库，构建强大的诊断决策树，为加快问题定位和修复提供有力依据。

近两年，阿里云弹性计算团队不断投入异常行为数据集的建设。未来计划将其演化为阿里巴巴集团异常预测的“数据集”并开源，希望对行业异常预测的发展有所帮助。贡献更大的价值。