传统的数据运维管理的人工及被动响应方式，已经无法支撑数字化业务灵活、快速的发展，要靠智能运维（AIOps）能力来获得数据分析和决策支持。而从传统ITOM到智能运维的演进过程中，需要一系列关键技术的支撑。

大数据智能运维的平台，可分六个层面：数据采集层、数据汇聚层、数据存储层、建模应用层、分析学习层、应用反馈层。

1、数据采集层

运维数据的产生和采集来自于ITOM监控工具集，通常包括：基础服务可用性和性能监控、网络性能监测与诊断、中间件服务可用性和性能监控、应用性能管理、系统运行日志管理、IT资产管理、IT服务支持管理等。

数据采集层技术要求：

跨平台、跨语言栈、高兼容性的多模式统一采集质量标准；

兼容多种非容器化与容器化运行环境；

一致的维度关联属性；

在资源占用、数据压缩比、时效性之间可权衡、可调节的传送机制；

可靠的熔断和止损机制；

易于部署和维护、统一的配置和任务管理。

2、数据汇聚层、数据存储层、数据建模层

数据的增量是迅猛的，或将达到网络的上行极限或磁盘的写入极限，因此对汇聚层的服务自身可用性和吞吐性能要求极高。汇聚层更像“数据湖”，提供元数据限制更为宽松的数据写入和获取途径、简易的数据清洗任务创建与管理、灵活的数据访问控制和使用行为审计、具备从原始数据的发掘中更便利的进行价值发掘、具备更敏捷的扩展特性等。

数据汇聚层技术要求：

多数据源、海量数据的快速接入能力；

元数据提取和管理能力；

极其简易的、高性能的数据清洗转换能力；

可根据数据字典或特征算法对数据进行关键字识别、模式识别的标记能力；

自动的、自助的，对敏感数据进行脱敏或加密处理能力；

对数据质量检验并对质量标准进行归一化处置的能力；

数据可依据某种维度或特征进行所属和应用权限控制的能力；

自动的、自助的，数据建模探索能力；

对已建立的搜索、过滤、关联、探索模型，友好的进行数据输出能力；

自动的、自助的，分布式集群伸缩能力；

对外提供高效、敏捷数据服务的能力。

3、分析学习层、应用反馈层

在智能运维（AIOps）落地实践中，算法体系的建设是至关重要的一个环节。

算法体系建设方面，应从三个角度来去考虑实现思路：

感知：如异常检测、趋势预测、问题定位、智能告警；

决策：如弹性扩缩容策略、告警策略；

执行：如扩缩容执行、资源调度执行。

智能分析系统将感知、决策、执行三个角度落地到智能运维解决方案中，形成发现问题、产生告警事件、算法模式定位问题、根据分析结果解决问题的闭环功能。

因此，智能分析平台应具备交互式建模功能、算法库、样本库、数据准备、可扩展的底层框架支持、数据分析探索、模型评估、参数及算法搜索、场景模型、实验报告、模型的版本管理、模型部署应用等功能或模块。