数智化业务性能管理

随着新技术的不断发展，业务已经向全面的数字化转型，IT系统成为企业运营的重要支撑。然而，运维人员却面临巨大的运维挑战：一方面，运维人员管理大量的设施及软硬件设备，云资源及应用系统也变得越来越复杂，设备规模由千级别向万级别、十万级别迈进，需要确保IT系统能够长时间稳定运行；另一方面，为了满足业务需求，企业将IT系统与业务深度融合，由于业务与网络结构越来越复杂、越来越灵活，运维人员需要能够快速响应业务需求，确保业务的高效与连续性。这就要求运维技术必须由传统监控，向智能化、自动化提升，为管理角色赋能。传统的运维方式已经无法满足企业的运维需求。

Gartner将IT运营管理成熟度由低到高分为五个阶段：

阶段1和阶段2着重考虑的是针对设备可用性监控；阶段3和阶段4把关注点转向了线上业务，实现交易监控、事件关联和根因分析，实现业务洞察、关注与业务相关的KPI指标；阶段5则更加强调智能化，实现自驱动的信息化运营管理，主动发现和自动解决问题。

面对业务数字化转型带来的运维挑战，需要不断向智能化、自动化的更高层级运维成熟度演进，科来推出以业务为中心的数智化业务性能管理，帮助用户实现更高层级的运维管理目标。

科来“以业务为中心进行主动运维”为理念，结合用户实际运维场景构建主动、智能、高效的业务性能管理解决方案，方案包括科来网络回溯分析系统（RAS）、科来业务性能管理系统（UPM）。整体方案部署模式遵从“分布式前端流量采集、集中式可视化监控”的原则，覆盖业务全链路网络区域，按照不同分区的网络结构进行分段式的流量采集，形成端到端的全流量覆盖和多段指标的关联监控、分析体系。

• 服务质量可视化监控

  利用先进的全流量数据采集和秒级实时监控技术，分析业务系统的性能数据，通过建立全面的性能指标库，能够可视化真实反映业务及网络性能状况，及时发现潜在的异常问题或性能瓶颈。

• 异常智能检测与告警

  利用机器学习和智能算法，对收集到的业务及网络性能数据进行分析和处理，自动学习系统的正常行为模式及动态的基线模型，一旦发现异常及时发送告警通知，帮助快速定位和解决问题。

• 智能故障根因定位

  基于对网络流量的深入观察和分析，结合设备运行状态、资源利用率等多元数据，以及使用多节点逐包比对技术，识别出异常流量模式、丢包、延迟等问题，能够高效找到导致故障的具体位置或设备，快速定位故障根本原因及关键因素，提高故障排查的效率和准确性，提升用户体验和业务连续性。

• 自动化业务质量评估

  通过对业务的流量数据分析，提取关键指标用以衡量和评估分析业务质量。运维人员可以设置业务质量的目标值，当业务质量指标超出预设范围时，系统可以自动发出警报，提前采取相应的措施进行处理，确保获得良好的业务服务。通过对历史性能数据的分析，找出性能瓶颈和潜在问题，帮助运维人员进行针对性的优化，提高业务的性能和效率。

• 智能预测分析

  ● 业务趋势分析

  通过对历史业务流量数据的分析，识别出业务性能的增长趋势和周期性变化。基于这些趋势预判业务需求，如可以在某个时间段业务量较高时，提前进行资源增加、负载均衡等措施，以确保业务的稳定性和可靠性。

  ● 网络容量规划

  通过对网络流量数据的分析了解负载情况，并预测流量趋势进行网络容量规划，包括扩容、升级网络设备、优化网络拓扑等，避免因网络拥塞而导致的性能问题和服务中断，提高网络的吞吐量和响应速度。
  对登记的所有资产的网络通讯行为、威胁信息、组件信息、硬件信息等进行综合展示，对任意资产通讯全景进行可视化展示和分析，对资产通讯行为进行标签化描述，帮助用户看清资产属性。
  通过对网络流量的基线系统和智能分析，可以建立网络的正常行为模型，并监测异常情况。基于这些分析结果，可以进行智能预测。