Čo problém rieši AIOps v prostredí DevOps, keď sa zmeny kódu presúvajú rýchlejšie, než dokáže ľudská revízia stíhať?
To je správny východiskový bod, pretože moderné dodávacie potrubia (pipelines) môžu zlyhávať malými, skrytými spôsobmi. Nová verzia knižnice, zlý konfiguračný súbor alebo slabá závislosť sa môžu presunúť cez bežné kontroly a objaviť neskôr ako pomalá kompilácia, rozbité vydanie alebo bezpečnostná diera.
AIOps prináša do tohto toku strojové učenie. Sleduje známky, ktoré pipeline už vytvára, porovnáva ich s minulými vzormi a upozorňuje na veci, ktoré vyzerajú podozrivo, skôr než sa problém rozšíri.
Prečo DevOps potrebuje chytrejší monitor
Tímy DevOps už používajú testy, logy, upozornenia a skripty na nasadenie. Problémom je však objem. Je viac služieb, viac ciest v kóde, viac zmien a viac signálov, než človek dokáže dobre preskúmať ručne.
Tu vstupuje do hry AIOps. Nenahrádza pipeline. Číta pipeline vo veľkom meradle a hľadá vzory, ktoré je ťažké vidieť na dashboardu plnom šumu.
AIOps môže zachytiť chýbajúci kód, podivný kód, slabé závislosti, zlú konfiguráciu a ďalšie chyby, ktoré základná automatizácia mohla prehliadnuť. Dokáže tiež poukázať na kód, ktorý je nepotrebný alebo napísaný spôsobom, ktorý zvyšuje riziko.
Hodnota spočíva v rýchlosti detekcie. Čím skôr sa problém nájde, tým menej času má ovplyvniť produkčné systémy, logy, zákazníkov alebo bezpečnostné kontroly.
Súvisiace: Podnikové systémy
Ako funguje vzorec
Vzorec je jednoduchý na pohľad, aj keď je nástrojová výbava komplexná.
Kód žije v zdrojovom repozitári. Kompilácie a testy prebiehajú cez CI/CD pipeline. Logy a udalosti sa zbierajú po ceste. Nástroje AIOps študujú tento prúd a učia sa, čo vyzerá normálne.
Potom porovnávajú nové zmeny so starším správaním. Ak commit zmení štruktúru kódu, behové správanie alebo vzorce nasadenia podozrivým spôsobom, systém môže vypnúť varovanie alebo spustiť akciu.
Preto je dát taký dôležitý. AIOps závisí na užitočných históriách. Učí sa zo zdrojového kódu, udalostí pipeline, výstupov testov, logov nasadenia a predchádzajúcich incidentov. Bez týchto dát nemá čo porovnávať.
Podniková verzia tohto vzorca potrebuje aj kontrolu. Tímy potrebujú prístup k repozitáru, datovú vrstvu pre tréning modelov a pipeline, ktoré dokážu zavolať AI kontroly v správnej fáze. Cieľom nie je šikovný bočný nástroj. Cieľom je pipeline, ktorá používa AI ako súčasť bežného toku.
Malý príklad
Predstavte si vydanie, ktoré pridá novú platobnú službu a aktualizuje obraz kontajnera. Kód vyzerá pri revízii v poriadku a jednotkové testy prejdú. No nová služba používa závislosť, ktorá nebola očakávaná, a jedna hodnota konfigurácie mení spôsob, akým sa kontajner spúšťa.
AIOps môže nesúlad odhaliť niekoľkými spôsobmi. Môže si všimnúť medzeru v závislostiach. Môže vidieť, že správanie pri spustení už nezodpovedá známemu vzoru. Môže označiť zmenu preto, lebo podobný kód v minulosti spôsobil zlyhanie v teste alebo v staging prostredí.
Toto varovanie dáva tímu miesto, kam sa pozrieť, skôr než vydanie dosiahne produkciu. Oprava môže byť malá, ako napríklad obnovenie chýbajúceho balíka alebo úprava konfiguračného súboru. Dôležitou časťou je, že problém sa objaví včas, zatiaľ čo je zmena ešte lacná na opravu.
Bezpečné opravy vyžadujú rovnakú disciplínu pipeline
O AIOps sa často diskutuje ako o operačnom nástroji, no bezpečnosť je súčasťou toho istého príbehu. Slabá knižnica, rizikový vzorec kódu alebo zlé nastavenie nasadenia sa môžu rýchlo zmeniť na bezpečnostný problém.
Niektoré nástroje sa zameriavajú na revíziu kódu. Iné sledujú behové správanie. Niektoré sú zostavené tak, aby sledovali zdravie infraštruktúry cez logy a metriky. Spolu pomáhajú tímom zachytiť nielen chyby, ale aj expozície.
V praxi to znamená, že pipeline sa stáva filtrom rizika. Krok revízie môže označiť nebezpečné vzorce kódu. Krok behu môže zachytiť neefektivitu alebo nezvyčajné správanie. Infraštruktúrny krok môže detegovať anomálie v systémoch, ktoré vyzerajú povrchovo zdravo, ale driftujú nesprávnym smerom.
Je to praktický zisk pre tímy, ktoré sa hýbu často. Rýchle cykly vydávania nezanechávajú veľa miesta na pomalú ľudskú inšpekciu po faktoch.
Čo AIOps mení v podnikovom dodávaní
AIOps pracuje najlepšie, keď je zvyšok stacku pripravený. Cloud-native systémy pomáhajú, pretože kontajnery a Kubernetes uľahčujú testovanie, balenie a nasadzovanie modelov spolu s ostatným tokom aplikácie.
To tiež mení spôsob, akým tímy myslia na dáta. Logy, testy a záznamy o nasadení prestávajú byť odpadom. Stávajú sa trénovacím materiálom a prevádzkovým dôkazom. Ak sú dáta rozdelené do silos alebo zle klasifikované, model má menej, z čoho sa učiť, a menej, čomu dôverovať.
Preto je dôležitá pripravenosť podniku. Tímy dát, DevOps inžinieri a vlastníci aplikácií majú všetci svoju úlohu. Jedna skupina vie, kde sú signály. Druhá vie, ako sa správa pipeline. Tretia vie, ako vyzerá skutočné zlyhanie.
Mení sa aj strana byznysu týkajúca sa služieb. Tímy riadenia incidentov a zmien musia pochopiť, prečo bolo upozornenie vyvolané a aký druh automatickej reakcie je povolený. Falošný pocit istoty je tu nebezpečný. Cieľom je lepšia viditeľnosť a rýchlejšia revízia, nie slepá dôvera v model.
Praktické ponaučenie
AIOps robí svoju najlepšiu prácu, keď je vnímané ako súčasť systému DevOps, nie ako samostatná vrstva. Učí sa z dát repozitára, udalostí pipeline, logov a starých incidentov. Kontroluje chýbajúci kód, zlú konfiguráciu, slabé závislosti a nezvyčajné správanie. Potom môže pomôcť tímom presunúť sa od detekcie k náprave skôr.
EuroOp LLC vníma toto ako jeden aplikovaný výskumný a vývojový vzorec s jasnou obchodnou formou: urobiť pipeline chytrejšou tam, kde práca už prebieha. Toto je typ inžinierskej disciplíny, ktorú EuroOp Insights odráža, s jednou praktickou poznámkou z pipeline za produktmi spoločnosti EuroOp.