北京2022年4月27日 /美通社/ -- 隨著互聯(lián)網(wǎng)、5G、IoT等飛速發(fā)展，數(shù)字化、智慧化的建設(shè)對算力提出更高的要求，數(shù)據(jù)中心向著規(guī)模化、集約化、綠色化不斷演進(jìn)，根據(jù)ResearchAndMarkets 《全球數(shù)據(jù)中心托管服務(wù)市場機(jī)遇》報告顯示，超大規(guī)模數(shù)據(jù)中心預(yù)計(jì)將從2019年的509個增長到2025年的890個，這將改變數(shù)據(jù)中心建設(shè)和使用的方式，數(shù)據(jù)中心規(guī)模不斷擴(kuò)大，大型數(shù)據(jù)中心服務(wù)器數(shù)量已經(jīng)達(dá)到了10萬以上的量級，這意味著對運(yùn)維的難度、人力、成本、專業(yè)性都提出了更高的要求，企業(yè)數(shù)據(jù)中心的運(yùn)維壓力面臨著前所未有的挑戰(zhàn)，打破傳統(tǒng)運(yùn)維方式，打造"監(jiān)、管、控、防"智能化的運(yùn)維是解決問題的關(guān)鍵。
什么是智能運(yùn)維？
首先，要了解數(shù)據(jù)中心運(yùn)維的發(fā)展歷程，它主要包含三個階段：人肉運(yùn)維、自動化運(yùn)維和智能運(yùn)維。
所謂人肉運(yùn)維就是指 -- 在早期，大部分?jǐn)?shù)據(jù)中心的運(yùn)維工作是由運(yùn)維工程師手工完成。服務(wù)器運(yùn)行狀態(tài)，全靠運(yùn)維工程師每日肉眼查看，進(jìn)行問題定位與解決，每位工程師可以運(yùn)維的上限約為400臺設(shè)備。這種低效的運(yùn)維方式，在數(shù)據(jù)中心服務(wù)器增多和人力成本逐漸增高的時代，是難以維繼的。
所以自動化運(yùn)維便應(yīng)運(yùn)而生，由運(yùn)維工程師根據(jù)運(yùn)維經(jīng)驗(yàn)編寫腳本，進(jìn)行批量設(shè)備巡檢，后期發(fā)展成基于任務(wù)的設(shè)備巡檢，這便是自動化運(yùn)維的早期方式。這大大提升了發(fā)現(xiàn)異常設(shè)備的效率，降低了運(yùn)維成本。但是，面對故障根因、故障預(yù)測、性能趨勢和控制決策，自動化運(yùn)維卻力不從心。
根據(jù)Gartner發(fā)布的《2021年中國ICT技術(shù)成熟度曲線報告》顯示，AIOps市場將持續(xù)增長并影響整個IT運(yùn)營管理市場，報告預(yù)計(jì)未來2-5年內(nèi)AIOps將進(jìn)入成熟期并會幫助企業(yè)大幅節(jié)約成本。從服務(wù)器運(yùn)維的角度來分析服務(wù)器智能運(yùn)維，目標(biāo)就是通過對帶外信息（配置信息、狀態(tài)信息、性能信息、日志等）和帶內(nèi)信息（配置參數(shù)、性能信息、日志信息）進(jìn)行采集，利用機(jī)器學(xué)習(xí)的方式來解決上述問題，提高系統(tǒng)預(yù)警能力和穩(wěn)定性，降低運(yùn)維成本，提高運(yùn)維效率。
浪潮信息打造智能化的物理基礎(chǔ)設(shè)施管理平臺（ISPIM）
浪潮信息物理基礎(chǔ)設(shè)施管理平臺ISPIM，通過對數(shù)據(jù)中心IT設(shè)備的7*24h納管監(jiān)控，實(shí)現(xiàn)在異常檢測、故障診斷、故障預(yù)測、故障自愈、性能預(yù)測等多維度的智能化運(yùn)維。
服務(wù)器運(yùn)維中，最根本的是對于異常的檢測，常見的是對狀態(tài)指標(biāo)、性能指標(biāo)和日志數(shù)據(jù)三大數(shù)據(jù)的檢測。
狀態(tài)指標(biāo)：當(dāng)服務(wù)器的狀態(tài)出現(xiàn)異常時，浪潮信息ISPIM管理軟件通過主/被動方式對服務(wù)器的異常進(jìn)行聚合，防止重復(fù)告警和誤報，同時對同時刻多告警進(jìn)行根因定位，防止告警風(fēng)暴，產(chǎn)生告警麻痹。
性能指標(biāo)：在性能指標(biāo)檢測方面，傳統(tǒng)手段是設(shè)置閾值，但常常因?yàn)槟骋粫r刻產(chǎn)生噪點(diǎn)數(shù)據(jù)而發(fā)生誤報，通過重復(fù)次數(shù)，閾值抖動范圍和自學(xué)習(xí)數(shù)據(jù)密度分布等方案，便能夠解決噪點(diǎn)數(shù)據(jù)產(chǎn)生的99%的告警誤報；但面對周期性變化的數(shù)據(jù)卻無法進(jìn)行動態(tài)調(diào)整，也會產(chǎn)生誤報的情況，大大降低告警的準(zhǔn)確性。浪潮信息ISPIM管理軟件通過AI優(yōu)化，針對性能數(shù)據(jù)進(jìn)行時域、頻域、能量等變化進(jìn)行動態(tài)分析，采用LSTM和隨機(jī)森林兩種方案進(jìn)行預(yù)測，告警準(zhǔn)確性達(dá)到98%。
日志數(shù)據(jù)：日志一般是半結(jié)構(gòu)化的數(shù)據(jù)，根據(jù)日志級別產(chǎn)生告警，準(zhǔn)確性不夠并且只能檢測到已知和確定模式的異常。浪潮信息ISPIM管理軟件擁有4000+運(yùn)維專家資源庫，幫助實(shí)現(xiàn)服務(wù)器故障快速診斷，同時在日志智能故障診斷方面，會將采集的日志進(jìn)行重新編碼，不斷加深對深度學(xué)習(xí)、LSTM等算法的研究、實(shí)踐應(yīng)用，實(shí)現(xiàn)從多個維度對服務(wù)器異常進(jìn)行分析，異常檢測準(zhǔn)確率高達(dá)99%。
為進(jìn)一步提高運(yùn)維效率，浪潮信息ISPIM管理軟件除了對日志的故障診斷之外，還會對系統(tǒng)宕機(jī)后的數(shù)據(jù)進(jìn)行深入的剖析，便于問題快速定位，提高效率。
通過對采集的海量數(shù)據(jù)進(jìn)行分析，浪潮發(fā)現(xiàn)服務(wù)器的宕機(jī)通常是發(fā)生了CPU MCE（Machine Check Exception）故障，MCE來源一般來說有兩種，一種是CPU本身故障，一種是來自CPU外部的部件。浪潮信息ISPIM管理軟件通過帶外收集服務(wù)器CPU寄存器數(shù)據(jù)，基于MCA（Machine Check Architecture）技術(shù)架構(gòu)，通過定位CPU觸發(fā)源、分析MC Bank、解析CSR、MSR寄存器，實(shí)現(xiàn)故障原因的確認(rèn)以及故障部件的精準(zhǔn)定位，并根據(jù)浪潮信息專家經(jīng)驗(yàn)庫對故障問題給出專業(yè)的解決方案，從而提升運(yùn)維效率。
據(jù)統(tǒng)計(jì)顯示，在數(shù)據(jù)中心中由內(nèi)存、硬盤造成的故障占比超過50%以上，其主要原因在于硬盤、內(nèi)存保有量較大，生命周期相對較短，使用率較高等。當(dāng)內(nèi)存或硬盤產(chǎn)生故障時，極容易發(fā)生嚴(yán)重宕機(jī)事故。
對于內(nèi)存而言，內(nèi)存產(chǎn)生的CE（可糾正錯誤），可以通過ECC（Error Correcting Code）機(jī)制進(jìn)行糾正，但是頻繁的CE往往會產(chǎn)生UCE（Unchecked Error），一旦產(chǎn)生UCE，往往會導(dǎo)致系統(tǒng)宕機(jī)。因此，預(yù)測內(nèi)存故障即可轉(zhuǎn)化為預(yù)測UCE，浪潮信息ISPIM管理軟件對內(nèi)存CE，通過多個維度統(tǒng)計(jì)分析，從CE總頻率、內(nèi)存固定物理地址CE頻率閾值、固定Cell CE頻率閾值、CE在Column分布范圍及頻率閾值等維度統(tǒng)計(jì)，獲取UCE與CE關(guān)聯(lián)關(guān)系，從而預(yù)測UCE。
而對于硬盤，在數(shù)據(jù)中心中大多存儲陣列會采用一些冗余機(jī)制，但是這只能保證有限硬盤失效的場景，一旦故障盤數(shù)量超過RAID冗余的極限之后，很可能造成系統(tǒng)宕機(jī)或者數(shù)據(jù)丟失的風(fēng)險。浪潮信息ISPIM管理軟件通過對SMART（Self-Monitoring Analysis and Reporting Technology）標(biāo)準(zhǔn)進(jìn)行分析，獲取硬盤故障預(yù)測的關(guān)鍵數(shù)據(jù)特征，基于模型算法進(jìn)行訓(xùn)練，優(yōu)化模型算法，輸出為推理算法模型，通過SMART指標(biāo)及硬盤運(yùn)行日志，預(yù)測風(fēng)險盤。同時當(dāng)硬盤預(yù)測達(dá)到換盤指標(biāo)時，可支持換盤操作。
通過這些技術(shù)優(yōu)化，浪潮信息ISPIM管理軟件可以實(shí)現(xiàn)對內(nèi)存和硬盤的故障預(yù)測，大大提高系統(tǒng)穩(wěn)定性。
浪潮信息ISPIM管理軟件在針對故障自愈方面，可以支持內(nèi)存故障自動隔離，在操作系統(tǒng)層面，結(jié)合MCE（Machine Check Exception）日志數(shù)據(jù)信息，基于CE故障信息，通過虛擬內(nèi)存故障Page診斷算法，確定內(nèi)存故障Page，并在操作系統(tǒng)內(nèi)核執(zhí)行Page Offline，通過虛擬內(nèi)存技術(shù)，隔離對故障內(nèi)存區(qū)域的訪問，實(shí)現(xiàn)內(nèi)存故障隔離。在物理內(nèi)存層面，基于CE故障信息，通過物理內(nèi)存故障診斷算法，利用SPPR（Soft Post Package Repair）、HPPR（Hard Post Package Repair）對物理內(nèi)存故障Row進(jìn)行隔離，在技術(shù)上實(shí)現(xiàn)對故障內(nèi)存的永久性隔離，提高操作系統(tǒng)的穩(wěn)定性和可靠性，從而保障業(yè)務(wù)的穩(wěn)定可靠運(yùn)行。
性能預(yù)測是指對服務(wù)器的性能數(shù)據(jù)，經(jīng)過ARIMA、指數(shù)平滑、LSTM、Prophet等智能算法，能夠感知系統(tǒng)在未來幾個小時、幾天或者一年的數(shù)據(jù)的走勢、增長量或者周期性變化等。浪潮信息ISPIM管理軟件憑借自研性能分析核心組件，可支撐上萬臺服務(wù)器同時進(jìn)行秒級性能數(shù)據(jù)的監(jiān)控與告警，幫助運(yùn)維人員實(shí)時掌握設(shè)備的性能狀況，實(shí)現(xiàn)對磁盤壽命、容量預(yù)測，準(zhǔn)確率達(dá)到99%。
浪潮信息物理基礎(chǔ)設(shè)施管理平臺ISPIM（Inspur Physical Infrastructure Manager），具備資源管理、故障監(jiān)控、性能監(jiān)控、能耗管理、自動部署、報表統(tǒng)計(jì)、網(wǎng)絡(luò)拓?fù)浜?D視圖等功能，可同時對數(shù)萬臺不同品牌服務(wù)器、存儲、網(wǎng)絡(luò)設(shè)備等設(shè)備進(jìn)行統(tǒng)一監(jiān)控、運(yùn)維、告警管理，運(yùn)維效率提升2倍，基于浪潮信息故障專家?guī)斓拇髷?shù)據(jù)規(guī)則故障診斷功能，可將故障診斷準(zhǔn)確率提升到93%，并且可在快速處理故障的同時極大程度降低數(shù)據(jù)泄露風(fēng)險，幫助用戶打造無人值守數(shù)據(jù)中心，提高運(yùn)維效率并降低運(yùn)維成本，保障數(shù)據(jù)中心安全、可靠、穩(wěn)定的運(yùn)行。
