A.艾拓先锋ITIL CHINA

监控告警与CMDB,智能运维缺一不可的两个基础

课堂演示智能运维工作台时,我给出了一个明确判断:要让AI真正参与运维,至少需要两个基础,一个是监控与事态管理,一个是配置管理。前者告诉智能体“发生了什么”,后者告诉它“发生在谁身上、与谁有关”。缺少任何一边,AI都很难从一条技术信号走到可靠的业务处置。


很多AI运维项目从日志分析开始。团队把大量告警交给模型,希望它自动总结、寻找根因。模型确实可以比人更快地阅读文本,但如果它不知道产生告警的主机属于哪个应用,应用支持哪项业务,上下游有哪些依赖,分析就只能停留在技术表面。反过来,CMDB即使记录得很完整,没有实时监控和事件触发,配置数据也只是静态地图,不能告诉AI现在应该关注哪里。



艾拓先锋长河老师ITIL 5 Foundation26年9月5~6日培训时照片8.png


监控提供触发,也提供现场证据


智能运维首先要知道什么时候开始工作。CPU持续过高、服务端口不可达、容器实例不足、计划任务失败,都可以成为触发信号。但触发并不等于立即处置。系统要区分严重告警、警告和普通信息,考虑持续时间、重复次数、维护窗口和业务时段。严重事态可以直接创建事件,普通警告可以要求责任人确认,短暂波动则可能只需记录。


监控还要为诊断保留上下文。一个告警出现前后的指标变化、相关日志、同一时间其他组件的异常、最近执行的变更,都是AI判断的重要证据。只把一句“CPU 95%”发给模型,模型只能给出通用建议;把时间序列、进程列表、业务调度记录和历史基线一起提供,它才有可能区分故障、容量问题与正常作业高峰。


因此,监控建设不能只追求覆盖率,还要考虑数据是否能被机器理解。指标名称、对象标识、时间范围和告警规则要一致,日志需要保留来源,监控事件要能够关联配置项。AI的阅读速度很快,但输入混乱时,它只是更快地读完混乱。



CMDB提供关系,也提供正常状态


配置管理的价值,不只是保存资产清单。服务器、虚拟机、数据库实例、中间件、应用系统和业务服务之间的关系,决定了故障影响和排查顺序。数据库服务器异常时,AI需要知道上面运行哪些实例,哪些应用依赖这些实例,是否存在冗余,相关业务处于什么服务等级。没有关系数据,它无法把基础设施告警翻译成业务语言。


CMDB还应保存经过确认的配置基线。实时发现的数据是一张快照,可能恰好处于故障状态;基线则代表经过审核、被认为正确的状态。AI做差异分析时,需要把当前快照与基线比较,才能判断哪里偏离。把故障现场自动采集结果直接当成正确配置,会让根因分析失去参照。


配置数据不必全部手工维护。云平台、监控和自动发现工具可以提供大量事实,AI也可以帮助识别变化和补充关系。但自动发现的结果需要验证,关键配置需要有人负责。配置管理不是追求把每一块网卡都登记进去,而是确保支持影响分析、诊断、变更和恢复所需的数据可靠。



两个基础怎样形成处置循环


理想的流程是:监控产生严重告警,系统识别对应配置项;智能体通过CMDB展开依赖关系,判断可能影响的服务;它读取相关日志、最近变更和知识条目,调用只读诊断脚本;根据证据形成初步根因和处置建议,再按照风险策略自动执行或请求人工批准。执行以后,监控验证指标是否恢复,CMDB或者工单记录必要变化,事件再进入用户确认和关闭。


这个循环里,监控不是只负责开头,CMDB也不是只负责查询。处置过程中,监控持续验证动作效果;发现配置变化时,配置管理还要判断是否为授权变更。一次故障的处理记录又会补充知识库和评测集,为下一次诊断提供更好的依据。智能运维不是一次模型问答,而是数据与流程反复反馈的循环。



建设顺序要从关键服务出发


企业不需要等到全网监控和CMDB百分之百完整后才开始。可以先选择一项关键服务,梳理支撑它的应用、数据库、中间件和基础设施,确认关键监控能够关联这些对象,再挑选几个高频事件做AI辅助诊断。每次发现缺少关系、基线或指标,就回到基础数据补齐。


这种做法比先建一个覆盖所有设备的大库更容易产生价值。配置项数量很多不代表能够支持诊断,告警数量很多也不代表能够发现服务风险。真正要衡量的是:AI能否从告警找到正确对象,能否从对象展开正确关系,能否用基线和现场证据解释异常,能否在处置后验证服务恢复。


两个基础还需要共同的数据质量机制。监控发现一个从未登记的对象,系统应当提示配置负责人确认;CMDB记录某个关键实例在线,监控却长期没有任何数据,也应当形成异常。让监控与配置互相校验,比单独要求某个团队定期清理数据更有效。AI可以帮助发现这些不一致,却不能自行把所有冲突改成它认为正确的结果。


权限设计也应跟随对象关系。智能体可能有权读取整条服务拓扑,却只被允许修改其中少数测试资源;它可以对生产系统运行只读诊断,但执行恢复脚本要经过审批。CMDB提供对象和责任范围,监控提供当前风险,两者一起帮助策略引擎决定“可以自动做到哪一步”。没有这样的结合,权限往往只能粗放地按系统或者账号分配。


最后要准备基础能力失效时的退路。监控平台、配置库和AI工作台本身也可能故障,重大事件中不能因此无人能够行动。关键服务应保留最小的离线拓扑、应急联系人和手工操作路径,并定期演练。智能运维的目标是提高稳定性,不是把所有知识和入口集中成一个新的单点。


监控回答“现在发生了什么”,CMDB回答“它位于什么关系中”。AI把两者连接起来,才可能进一步回答“为什么发生、影响谁、应该做什么”。如果没有这两个基础,所谓智能运维往往只是对告警写一段更流畅的说明;基础具备以后,AI才有机会进入真正的诊断与处置。


← 返回ITIL 5 长河原创文章