在 AI 浪潮冲击之下，很多 IT 企业的 SRE 团队都在尝试落地 AIOps，通过 AI 进行运维流程洞察、AI 辅助运维决策、AI 自动根因分析等，提升 SRE 工作效率，进而提升网站稳定性。越来越多的 IT 企业选择云原生架构进行系统部署，交付和运维管理效率得到了提升。但这也致使系统的可观测体系变得越来越复杂，监控和日志数据膨胀的速度也远超大家的预期。可观测性数据的三剑客（Metrics、Tracing、Logging ）是 SRE 工程师处理监控、告警、问题排查等需求的重要依赖。如果说标准化是自动化运维流程落地的压舱石、那么可观测性数据的质量就是 AIOps 落地的最重要拼图，没有高质量运维监控数据，AIOps 只能停留在纸上谈兵。

本次演讲主要携程对内部可观测平台进行架构升级的工程实践，涵盖 Metric 和 Logging 数据进行统一治理、为 AIOps 落地提供数据和工具支撑；最后会介绍云平台团队通过使用 AI 工具来提升平台运维效率的真实案例，希望能给大家带来一些帮助。

演讲提纲

1. 携程可观测性平台现存问题

• 监控指标只增不减
• 日志场景只增不减
• 非关键的指标占用大量的计算存储资源，核心指标的实时性得不到保障
• 各类监控工具烟囱林立，资源没有打通，无法统一治理

2. 数据治理实践

•  Metrics 数据治理
•  Logging 数据治理
•  统一监控 Agent 落地实践

3. 升级架构助力 AIOPS 落地

• 通过物化视图等技术实践，提升数据时效性
• 通过分层存储技术将数据冷热分离, 降低丢失率，提升数据可靠性
• 通过建设数据质量度量工具，提升数据准确性

4. 实践案例与展望

•  使用 AI 工具来提升平台运维工作效率的案例
•  可观测平台架构升级的问题总结和未来展望

演讲亮点

• 可观测性平台架构升级的实际案例，重在实践
• AIOPS 落地的前置依赖

实践痛点

1. 监控领域随着时间推移，会产生大量的老旧系统、老旧数据，相关遗留问题，也不是仅靠一次架构升级可以完全解决，需要持续投入精力做治理；
2. 如何与业务实际需求结合，不断调整技术方案和需求适配，保障最核心的链路；
3. 可观测性数据的价值挖掘，数据实时性和准确性需要放在第一位

听众收益

1. 主流的监控告警、可观测性工具选型
2. 了解监控和日志数据持续膨胀的治理方案
3. AIOps 依赖的可观测性数据集质量保障体系
4. AI 工具如何协助处理琐碎的日常运维工作