今年我们针对智能运维场景下业界在运维数据治理和技术实现的实践开展了相关调研和分析。由于调研内容较为丰富，将分为两期进行连载，本期为年度调研上篇，我们将从“规划愿景”“趋势追踪”两方面对智能运维和运维数据治理总体现状、规划和趋势进行介绍。
规划愿景
智能运维专题
2023-2024年开展的智能运维工作及成效
根据调研统计，我们对2023-2024年各单位智能运维工作及其成效进行了分析，并提炼出主要的智能运维工作。
总体来看：这些智能运维实践的成效表明，通过智能化手段，组织能够提高运维的效率、准确性和安全性，同时也能够更好地应对复杂多变的IT环境。
下文将根据样本占比情况列举出前10位的智能运维工作，并描述它们所取得的成效。需要注意的是运维数据和配置管理相关实践被归类于运维数据治理领域。
2024-2025年计划开展的智能运维工作及目标
根据调研统计，我们对2024-2025年各单位在智能运维领域计划开展工作以及希望达到的目标进行了分析。
总体来看：这些智能运维实践显示了各单位对于提升运维自动化、智能化水平的重视，以及对于运维数据治理和安全运维的加强。通过这些实践，单位们期望能够提高运维效率，减少信息系统故障，保障业务连续性。
下文将根据样本占比情况列举出前10位的智能运维实践，并简述各单位计划开展的相关工作内容。
智能运维工作开展难点
根据调研统计，我们对2023-2024年各单位在智能运维领域遇到的最主要的难点进行了分析。从占比来看，最主要的五个难点为技术人才、数据标准、智能算法、投入产出和知识储备。
智能运维规划
根据调研统计， 43家用户单位中，基于信息科技或信息化战略开展智能运维相关规划的单位有38家，占比为88.37%，其中：
1）规划层级方面
· 44.74%的单位制定了企业级规划，对智能运维相关工作进行了总体规划
· 71.05%的单位制定了部门级规划，29%的单位制定了项目级规划，对智能运维相关工作进行了实施规划
2）规划周期方面
· 主要为三年规划，占比为73.68%
· 有单位将智能运维规划作为长期规划，没有限定适用的时间期限
3）规划内容方面
· 以智能运维技术和运维数据治理为主，智能运维技术占比为89.47%，运维数据治理占比为86.84%
· 其余规划内容涉及智能运维场景建设、智能运维平台建设、运维知识等方面
运维数据治理专题
2023-2024年开展的运维数据治理工作及成效
根据调研统计，43家用户单位中，已开展运维数据治理的单位有37家，占比86%，未开展的单位为6家，占比14%。
按照运维数据治理活动来看，已开展运维数据治理的单位中大多数注重数据质量管理和顶层规划，同时也关注数据的全生命周期管理、安全管理和标准管理。数据服务也是一个关注点，但数据洞察方面的工作开展较少。其他方面的工作则涉及了运维数据治理的多个维度。
各项工作具体分析如下：
2024-2025年计划开展的运维数据治理工作及目标
根据调研统计，在2024-2025年各单位计划开展的运维数据治理工作中，顶层规划和数据质量管理占比最高，其次是数据资产管理和数据全生命周期管理，而数据共享和数据洞察则占比最低。这说明运维数据的顶层规划和数据质量的提升是当前的运维数据治理工作的重要目标，也是必须迫切开展的重点工作。
智能运维产品专题
2023-2024年开展的运维数据产品实践
通过问卷调研，我们发现：
运维产品相关功能的使用已经领先于规划和建设，这也说明智能运维产品已趋向于成熟，开始广泛应用，围绕智能运维场景的应用已经开始有较多技术手段进行支撑；
在数据管理能力域中使用远远大于建设合规化也说明了智能运维三大能力域中运维数据管理成熟度是最高的，已经进入了支撑生产、支撑业务的阶段，而分析决策能力域和自动控制能力域也进入了规划、建设和使用全环节共同发力和创新的阶段。
2024-2025年计划开展的智能运维产品工作及目标
通过问卷调研，我们发现：
需求分析占比67%，说明各个厂商目前对智能运维的使用场景还不够清晰，智能运维需求不明确；
界面设计占比较低，说明各行业的智能运维产品目前还处于起步探索阶段，大多还没有完整的产品。同时竞品分析占比不高，说明目前市场上类似可参考的竞品不多；
从数据分布来看，除了界面设计占比较低，其他几项指标差异性不是很大，说明现在各个厂商都开始在智能运维方面进行投入。
趋势追踪
（1）大模型的引入，对运维数据的价值挖掘、治理手段、技术能力、基础设施配套带来什么影响和变化？
1）总结
· 运维数据的价值挖掘：大模型能够分析海量运维数据，提供故障诊断和预测，优化资源配置；
· 技术能力提升：大模型提高了数据处理和分析能力，自动化运维任务，减轻运维人员负担；
· 基础设施配套需求：大模型的应用需要更强大的计算、存储和网络资源。
2）观点分布
· 深度分析与预测：25（60%）
· 智能决策支持：18（43%）
· 数据治理策略优化：15（36%）
· 算力需求提升：20（48%）
· 自动化运维流程：22（52%）
· 智能化决策：19（45%）
3）大模型在运维中的应用趋势
· 数据驱动决策：随着大模型技术的成熟，运维决策将越来越依赖于数据分析的结果，实现智能化和自动化；
· 预测性维护：大模型将进一步提高故障预测的准确性，帮助企业实现预测性维护，减少停机时间和维护成本；
· 基础设施优化：为了支持大模型的运行，基础设施将需要持续升级和优化，特别是计算资源和存储能力。
4）大模型在运维中的发展挑战
· 技术门槛提高：运维团队需要掌握更多的数据分析和机器学习技能，以充分利用大模型的优势；
· 成本投入增加：大模型的训练和运行需要大量的计算资源和存储空间，企业需要在基础设施上进行相应的投入。
（2）云原生体系下的容器化、浮动IP、快速扩缩、微服务间复杂调用等特性，大幅提升了对运维的要求，智能运维如何适配和解决云原生带来的这些挑战？
1）总结
· 自动化与智能化：通过自动化工具和机器学习技术，提高运维效率和系统稳定性；
· 可观测性与模块化设计：增强系统的可观测性，采用模块化设计以适应云原生环境的快速变化；
· 跨云管理：支持多云和混合云环境的管理，优化资源利用。
2）观点分布
· 自动化运维工具：28(67%)
· 机器学习与大数据技术：24(57%)
· 可观测性增强：20(48%)
· 模块化设计：22(52%)
· 跨云资源管理：18(43%)
3）云原生环境下的运维趋势
· 多云管理：随着多云和混合云环境的普及，运维管理将更加复杂，需要更强大的跨云管理能力；
· 自动化运维：云原生环境的动态特性要求运维团队进一步推进自动化，减少人为干预和错误；
· 微服务架构：微服务架构的普及将推动运维工具和服务向更细粒度、更灵活的方向发展。
4）云原生环境下的运维挑战
· 运维复杂性增加：云原生环境的复杂性和动态性将增加运维的难度，需要更智能化的工具和技术支持；
· 技术适应能力提升：运维团队需要不断学习和适应新技术，提升对新技术的适应能力和创新能力。
（3）基础软硬件国产化趋势下，智能运维产品应该如何满足对应要求？
1）总结
· 兼容性与适配性：智能运维产品需要兼容国产操作系统和硬件，确保稳定运行；
· 安全性与可靠性：加强数据加密、访问控制和安全审计，保障用户数据安全；
· 服务与支持：提供本地化技术支持和服务团队，确保用户在使用过程中遇到问题时能及时解决。
2）观点分布
· 兼容国产操作系统：25 (60%)
· 支持国产硬件：20 (48%)
· 数据安全与隐私保护：22 (52%)
· 本地化服务：18 (43%)
· 容灾备份：15 (36%)
3）基础软硬件国产化趋势下的运维趋势
· 自主可控：国产化软硬件的普及将推动运维产品向自主可控方向发展，减少对外部技术的依赖；
· 标准化与兼容性：为了适配国产化软硬件，运维产品需要遵循国家和行业的标准，确保兼容性和互操作性；
· 本地化服务：提供本地化的技术支持和服务团队，确保在国产化环境中能够快速响应和解决问题。
4）基础软硬件国产化趋势下的运维挑战
· 技术适配挑战：运维产品需要在技术上进行适配和优化，以兼容国产化软硬件平台；
· 市场机会增加：国产化趋势为智能运维产品提供了新的市场机会，企业需要抓住这一趋势，开发符合市场需求的产品。
总体来看，未来的智能运维将朝着数据驱动、自动化、智能化和自主可控的方向发展。大模型的引入将进一步增强运维的数据分析和预测能力，云原生环境的复杂性将推动运维自动化和多云管理的发展，而基础软硬件国产化趋势则要求运维产品在技术适配和本地化服务上进行优化。企业需要紧跟这些趋势，不断提升运维团队的技术能力和创新能力，以应对未来的挑战和机遇。
“年度调研上篇-智能运维和运维数据治理
规划和趋势”编委介绍
