云将来是否会走向边缘？

首先我们来探讨一下边缘计算。边缘计算其实也是这两年慢慢火起来的一个很有趣的话题。说到云和边缘之间的关系，我首先想到的是三国演义里面的一句话：“天下大事，合久必分，分久必合。”其实纵观整个计算机发展的历史也是这样的。整个计算机发展的集中度来考虑，在上世纪五六十年代，甚至有人提出这个世界只需要几台大型机就可以满足所有人的计算能力需求，当然了我们现在知道这是错误的，但由此可见大型机是多么集中化。然后大型机慢慢到小型机，再到 PC 机，然后再到 PC 服务器等等，整个趋势是从非常集中的中心化的计算资源到了越来越分化的计算资源。现在一台手机比 30 年前一台小型机的计算能力还要强，可见整个计算能力分散化的趋势一直在发生着。

但这个趋势发展到一定阶段，随着网络速度的发展，使得云桌面这类远程访问数据中心成为可能，理论上一家公司只需要一两个集中式数据中心就能满足所有员工对各种计算资源的需求，全球各地的员工都能去访问数据中心的资源。像现在非常流行的数据中心就是这样的模式，通过构建大型的数据中心，把所有的资源集中化。现在金融行业的两地三中心就是这种大集中的模式，极大提交管理质量和效率。公有云更是把大集中变成共享经济，降低了更多成本，随着云计算和网络的发展，所有的计算资源又开始集中。于是私有云，公有云都兴起了。让小公司 SMB 也能享受到最顶级的数据中心的服务，还是 pay as you go，按需付费的。

但在集中化日益提高的时候，网络的发展不一定赶的上应用的需求发展。同时网络总存在着一些不稳定性。为了解决这些场景的问题，就出来了边缘计算。边缘计算将应用程序、 数据和计算能力服务从集中式数据中心推到网络的逻辑极限，靠近用户、设备和传感器。它使计算的使用方能够在正确的时间将正确的数据放在正确的位置，支持快速和安全的访问。

事实上，边缘计算并非新生事物，其运算原理在很多年前就已经被提出了。边缘计算之所以在近期名声鹊起，是与算法、数据和传输网络几个领域的发展密不可分的。边缘计算带来的价值想象，最核心的一点还是它与一个词发生了难以描述的关系：物联网。

物联网应用范围很广泛。 我们有几家新能源汽车的客户，就是典型的这个情况。每辆车都是在线的，但同时产生大量的数据。这些数据如果都统一到中心的云数据中心，其所需要的带宽和计算能力。现阶段物联网的主要运算能力都是由云计算提供的，边缘计算不是在中央服务器里整理后实施处理，而是在网络内的各设备实时处理，所有的智能设备都能成为“数据中心”。

因此，边缘计算带来了更快的传输和响应速度，同时边缘计算利用了传统云计算的遗漏区域，产能比更划算。

乍看起来，云计算是 中心化、集中化的计算能力管理，边缘计算是去中心化的、分布式的计算能力，好像是非此即彼的关系，实际上云计算和边缘计算有不同的优势，边缘计算会让云变得更强大，因为以前不产生数据的终端都在产生数据，都需要云。

AIops 距离我们有多远？

现如今，AI 这个词已经被玩坏了。很多公司都声称自己在做 AI，但其实并没有。AIOps 也可以算是其中之一。

AIOps，按照 Gartner 的定义，是基于算法的 IT 运维（Algorithmic IT Operations），源自业界之前所说的 ITOA（IT Operations and Analytics）。 这里面的 A，是 Algorithmic，不是 Artificial。但是在人工智能时代，可能很多的人会把 AI 理解成 Artificial Intelligence，不去纠结定义，本质上，想要表达的意思是一样的，就是 让运维具备机器学习和算法的能力。

我们已经到达了这样的一个时代，数据科学和算法正在被用于自动化传统的 IT 运维任务和流程。算法被集成到工具里，帮助企业进一步简化运维工作，把人类从耗时又容易出错的流程中解放出来。人们不再需要在遗留的管理系统中定义和管理无穷无尽的规则和过滤器。

话说回来，IT 运维环境有一些不一样的地方。我们不会直接管理人类，我们与应用程序和基础设施打交道。而且它们可能更加复杂和不可预测，因为它们不是人类。

在过去的几年间，一些新技术不断涌现，利用数据科学和机器学习来推进日益复杂的企业数字化进程，“AIOps”（Algorithmic IT Operations）因此应运而生。Gartner 的报告宣称，到 2020 年，将近 50% 的企业将会在他们的业务和 IT 运维方面采用 AIOps，远远高于今天的 10%。

为什么公司需要 AIOps？现代的 IT 环境已经无比的复杂，而且千变万化，需要我们花费大量的时间和资源去监控、去诊断问题、去解决问题。很多公司处于被动的地位。但是如果他们使用了 AIOps，他们就可以利用先进的算法，花更多时间在其他更有意义的工作上，而不是重复地解决相同的问题，或者花时间管理规则和过滤器。我们所说的规则，可以把它们简单地描述为“如果是这样那么就这么做”，它们能够应付简单的场景，但是很难扩展。相反，算法和机器学习提供了更加灵活的表达方式，不仅强大，而且健壮，能够应付不断变化的需求。这将带来更高的效率和更低的成本。对于厂商来说，他们面临的挑战在于将整个技术方案打包，避免把用户暴露于底层的复杂性当中。光是提供工具是不够的，企业需要招聘数据科学家而不仅仅是工程师。

这样说，还是比较抽象。可以举个比较实际的例子。

我们的平台在监控的时候，会收集大量的各方面的 metric 或监控数据。简单场景下，运维人员可以根据经验，设置一些阈值，比如 CPU 超过 85%，进行告警。这个 85% 就是根据经验，在特定场景下设的。这样设置在简单场景小能满足需求，但不同的应用，不同的场景还是会不一样的。这是就会有很多的个性化配置。当规模增大是，维护日益复杂的配置就变得很困哪了。这时候，动态阈值设置就出来了，可以根据概率、正态分布，动态调整阈值。但这样的调整还是比较难以考虑到周期性的波峰和波谷，比如有系统每天早上 8 点要进行大量分析。这时候又需要引入一些机器学习算法，对历史数据进行训练，以便得出跟准确的告警。

有了相对准确的告警还不够。现在的环境和运行情况是复杂的。一个异常情况，可能会导致相关的数据库，中间件，OS 等等都出现告警。如何从繁多的告警里面，快速定位问题，就变得越来越重要。而且这个定位过程一般是非常非常痛苦的，越漫长越痛苦，但凡处理过故障的同学都会有深刻的切身体会。系统越复杂，问题定位越困难。这时候机器学习相关的算法有可以发挥更大的作用了。

AIOps 的发展一定是一个长期演进的过程，AI 是 Ops 的有力补充，进一步降低运维的工作强度和压力，但是 AIOps 一定建设在高度自动化和完善的运维体系之上的，是一个演进的过程，不会是一个跳跃性的过程，产生一个完全颠覆性的 AIOps 模式，将现有的 Ops 体系替代掉。

完善现有的监控告警系统，自动化运维系统，都是未来 AIOps 的基础。只有有了全方位的监控信息采集，IT 系统能够自动化的调整，AI 才能两两者串起来，让中间的人工分析，人工选择，变成智能分析，智能选择。

从个人角度，机器学习和 AI 的知识和技术还是要花一些个人精力去学习的，凡是会让我们的生活变得更美好的技术必然会有极强的生命力，也必然代表着未来技术发展趋势，AI 就是其中之一。