Jaký problém řeší AIOps v DevOps, když se změny kódu dějí rychleji, než lidská revize stačí sledovat?
To je správný výchozí bod, protože moderní dodavatelské potrubí (pipelines) může selhávat drobně a skrytě. Nová verze knihovny, špatný konfigurační soubor nebo slabá závislost mohou projít běžnými kontrolami a projevit se později jako pomalá kompilace, rozbité vydání nebo bezpečnostní díra.
AIOps zavádí do tohoto toku strojové učení. Sleduje známky, které potrubí již vytváří, porovnává je s minulými vzory a označuje věci, které vypadají podezřele, dříve než se problém rozšíří.
Proč DevOps potřebuje chytrější monitor
Týmy DevOps již používají testy, protokoly, upozornění a skripty pro nasazení. Problémem je objem. Je více služeb, více cest kódu, více změn a více signálů, než dokáže člověk důkladně zkontrolovat ručně.
Zde zapadá AIOps. Nenahrazuje potrubí. Čte potrubí ve velkém měřítku a hledá vzorce, které jsou těžko postihnutelné na dashboardu plném šumu.
AIOps může zachytit chybějící kód, podivný kód, slabé závislosti, špatnou konfiguraci a další vady, které základní automatizace může minout. Může také poukazovat na kód, který je zbytečný nebo napsán způsobem, který zvyšuje riziko.
Hodnota spočívá v rychlosti detekce. Čím dříve je problém nalezen, tím méně času má zasáhnout produkční systémy, protokoly, zákazníky nebo bezpečnostní kontroly.
Jak funguje vzorec
Vzorec je jednoduchý ve své struktuře, i když je nástrojová podpora složitá.
Kód žije ve zdrojovém úložišti. Kompilace a testy probíhají prostřednictvím CI/CD potrubí. Protokoly a události se sbírají na cestě. Nástroje AIOps studují tento proud a učí se, jak vypadá normální stav.
Poté porovnávají nové změny s starším chováním. Pokud změna v commitu mění strukturu kódu, chování za běhu nebo vzorce nasazení podezřelým způsobem, systém může vydat varování nebo spustit akci.
Proto data mají takový význam. AIOps závisí na užitečné historii. Učí se ze zdrojového kódu, událostí v potrubí, výstupů testů, protokolů nasazení a předchozích incidentů. Bez těchto dat nemá co porovnávat.
Entreprení verze tohoto vzorce také potřebuje kontrolu. Týmy potřebují přístup k úložišti, datovou vrstvu pro trénování modelů a potrubí, která mohou volat AI kontroly ve správném stádiu. Cílem není chytrý vedlejší nástroj. Cílem je potrubí, které využívá AI jako součást běžného toku.
Malý příklad
Uvažme vydání, které přidává novou platební službu a aktualizuje obraz kontejneru. Kód vypadá při revizi v pořádku a jednotkové testy procházejí. Ale nová služba používá závislost, která nebyla očekávána, a jedna hodnota konfigurace změní způsob, jakým kontejner startuje.
AIOps může nesoulad odhalit několika způsoby. Může si všimnout mezery v závislostech. Může vidět, že chování při startu již neodpovídá známému vzoru. Může označit změnu proto, že podobný kód v minulosti způsobil selhání v testovacím nebo staging prostředí.
To varování dává týmu místo, kam se podívat, než vydání dosáhne produkce. Oprava může být malá, jako obnovení chybějícího balíčku nebo oprava konfiguračního souboru. Důležitá část je, že se problém objeví brzy, zatímco je změna stále levná na opravu.
Bezpečné opravy vyžadují stejnou disciplínu potrubí
OAIops je často diskutován jako operační nástroj, ale bezpečnost je součástí stejného příběhu. Slabá knihovna, riskantní vzorec kódu nebo špatné nastavení nasazení se mohou rychle proměnit v bezpečnostní problém.
Některé nástroje se zaměřují na revizi kódu. Jiné sledují chování za běhu. Některé jsou postaveny tak, aby hlídaly zdraví infrastruktury prostřednictvím protokolů a metrik. Dohromady pomáhají týmům zachytit jak vady, tak expozici.
V praxi to znamená, že potrubí se stává filtrem pro rizika. Krok revize může označit nebezpečné vzorce kódu. Krok za běhu může zachytit neefektivitu nebo neobvyklé chování. Infrastrukturní krok může detekovat anomálie v systémech, které vypadají na povrchu zdravě, ale ubírají se špatným směrem.
To je praktický přínos pro týmy, které se často pohybují. Rychlé cykly vydávání nezanechávají mnoho prostoru pro pomalou lidskou inspekci dodatečně.
Co AIOps mění v podnikovém dodávání
AIOps pracuje nejlépe, když je zbytek zásobníku připraven. Cloudově nativní systémy pomáhají, protože kontejnery a Kubernetes usnadňují testování, balení a nasazování modelů spolu se zbytkem toku aplikace.
To také mění, jak týmy přemýšlejí o datech. Protokoly, testy a záznamy o nasazení přestávají být zbytky. Stávají se tréninkovým materiálem a provozními důkazy. Pokud jsou data rozdělena mezi izolované silo, nebo špatně klasifikována, má model méně, z čeho se učit, a méně, čemu věřit.
Proto záleží na podnikové připravenosti. Datové týmy, inženýři DevOps a vlastníci aplikací mají svou roli. Jedna skupina ví, kde jsou signály. Druhá ví, jak se potrubí chová. Třetí ví, jak vypadá skutečné selhání.
Strana byznysu služby se také mění. Týmy pro řízení incidentů a změn musí rozumět tomu, proč bylo upozornění vyvoláno a jaký druh automatické odpovědi je povolen. Falešný pocit jistoty je zde nebezpečný. Jde o lepší viditelnost a rychlejší revizi, ne o slepou důvěru v model.
Praktické ponaučení
AIOps dělá svou nejlepší práci, když je vnímáno jako součást systému DevOps, nikoliv jako samostatná vrstva. Učí se z dat úložiště, událostí v potrubí, protokolů a starých incidentů. Kontroluje chybějící kód, špatnou konfiguraci, slabé závislosti a neobvyklé chování. Pak může pomoci týmům posunout se od detekce ke korekci dříve.
EuroOp LLC považuje toto za jeden aplikovaný vzorec výzkumu a vývoje s jasnou obchodní formou: učinit potrubí chytrějším tam, kde práce již probíhá. To je druh inženýrské disciplíny, kterou EuroOp Insights odráží, s jedním praktickým poznatkem z potrubí za produkty EuroOp.
Související: Podniková řešení zjednodušují složité obchodní procesy