数据中心有数千台设备。每个设备将在执行过程中生成所述注册信息。其中一些是无关紧要的，而另一些则是早期预警。及时发现异常记录以减少故障的发生。保证业务的良好运作。在一方面，数据中心需要的设备制造商打印信息设备故障通过注册表，使作业人员和数据中心的维护可以知道，球队已经失败，提前准备通过登记处；另一方面，数据中心必须在注册表中注册。看一看，需要注意什么，什么无关紧要，什么应该立即治疗。然而，由于大量的数据中心设备的，如果每个设备发出一个日志消息，万台设备是10,000，它是不可能手动看到它。那么数据中心如何有效地处理这种庞大的注册信息呢？
记录的数据中心主要来自三个方面：首先，设备层监视数据中心中的多个设备，诸如交换机，路由器，安全设备，服务器，UPS，精密空调等，监视实时和物理层数据。第二个是层系统中，主机数据中心（主机运行的Linux和x86服务器），操作系统（Linux的/Winwdos），数据库（Oracle，MySQL等和其他），中间件，存储系统中，API应用软件，HTTP端口，系统备份，灾难恢复系统，数据同步系统，虚拟化系统，云平台等用于实时监控，预警分析和故障定位；第三，收集某些业务数据，如用户，连接数业务层，并发业务记录的量等，通过相关性和多维分析，分析和预测未来的业务操作。这些记录中的一些在设备操作期间被主动广播。操作和维护人员使用特定命令在设备上进行拾取。分析这些记录时，将评估设备，系统和服务。异常，立即采取行动。
显然，如果没有处理大量记录并直接发送到监控平台，那将会很多。
首先，进行标准化。数据中心必须有几个记录收集系统，它们将收集来自不同设备，不同系统，不同服务的所有记录，并且格式和含义不同。数据中心必须标准化并转换为统一的识别格式。这种格式完全由数据中心定义，技术人员将其转义为标准化的注册语言；
第二，做记录过滤。记录具有标准，统一和统一的格式，但数量尚未减少，因此需要进行过滤。过滤的原理是过滤低级类，操作类和请求的日志，并留下高级类的记录异常。具体到多个设备的注册，设备提供商提供全范围的注册信息并指示表达的优先级和含义。数据中心输入知识库中的信息作为过滤和判断的条件。知识库是一个累加过程，不仅登录滤波，但各种故障，经典情况下，溶液等的加工方法，通过知识库过滤，不包括后最无用的记录；第三，压缩和合并，过滤日志归一化，特别是在知识基础，这些记录的处理，可以在知识库中的答案，然后可以按照直接的知识。要做的库的方向。如果没有发现任何记录，它被传递到作进一步处理一个新的水平，并可以通过压缩和熔化再次降低的记录数；
第四，对于相关性分析，许多记录都是根深蒂固的。例如，如果OSPF链路在正在运行的网络设备上突然振荡，您可以同时检查其他OSPF邻居。此外，它振荡，并且该记录的验证后，有振荡OSPF在其他设备上，和所有连接到设备，并且该设备再次检查日志，有人正在做的操作OSPF复位活性操作和维护，通过这该系列可以找到原因，并告诉监控中心按时这种人为操作的原因，并没有出现异常，故障告警相关性分析；
五，做定位分析。删除预期生成的记录后，将采取第五步。此时的注册通常需要进行深入分析。如果解决方案不在现有知识库中且记录本身的警报级别仍然很高，则警报级别仍然很高。有必要发出警报。完成这五个步骤后，很少有记录可以发出警报。
通过上述五个步骤处理记录后，可以减少记录。这取决于现有的知识库。知识库越丰富，信息越准确，优化的记录就越少。想象一下，哪个数据中心每天都会失败，而且不会每月发生一次。否则，它将在很久以前关闭，因此数据中心每天都会生成许多记录，大多数记录几乎没有影响。当然，这种类型的记录过滤不排除过滤一些关键记录，导致问题，但没有警告。这是一个逐步改进的过程。现在AI技术如此活跃，它也在数据中心的运营和维护领域。实际上，它使用AI技术来学习数据中心的知识库，以便可以准确地评估新记录。手册中此过程太低。通过机器学习，可以在瞬间完成，这也是智能操作和维护研究的重要方向，通过AI处理海量数据中心记录。
数据中心如何面向日志海洋？它是用三个词概括：“简单，智能，深”，精简的记录数，筛选出利用现有的知识基础，学习，智能的影响和登记的后果无用或无害的记录；记录深度学习，学习成果出发，根据记录判断和自决，数据中心系统自动实现的解决方案：切流量或隔离故障设备，或调整设置，等等。只要处理结果得到处理，它们就会自动处理。即使没有记录报警，也可以对监控平台进行反馈，例如正常的事件处理。只有当AI不知道如何处理它时，才会将警报记录传送到监控平台并进行人工干预。处理完成后，记录的处理将传送到AI。当再次出现相同类型的记录时，系统可以自己处理它，不再需要它。构建这种学习注册系统的人工干预是智能操作和维护的开始。
中文
电话咨询
微信咨询
公众号
