实战 | 数智赋能，运维转型——农业银行智能运维建设和应用实践

26-05-10 分类：公司新闻 阅读(35855)

农业银行以数智赋能推动运维转型，通过构建“数据驱动、引擎赋能、场景导向”的AIOps智能运维体系，实现运维领域的智能化、数字化转型，提升故障预测、异常发现和节点感知能力，降低人工操作风险。 以下从总体思路、体系架构、实践案例及未来展望四方面展开分析：

一、总体思路：问题导向，构建“数据-引擎-场景”闭环

农业银行在智能运维建设中聚焦三大核心问题：

1. 数据资产化：运维数据分散且标准不一，需通过集中管理实现高效共享。
2. 分析高效化：依赖手工采集与分析，需通过工具赋能提升数据价值挖掘效率。
3. 场景落地化：共性痛点缺乏统筹、个性化需求响应慢，需通过场景驱动推动应用。

解决方案：

• 数据先行：建设运维集市，构建“运行-运维-运营”三运指标体系，实现数据沉淀与共享。
• 引擎赋能：搭建AI+BI双核引擎，提供在线算法设计、模型训练及可视化分析工具。
• 场景驱动：统筹共性场景（如智能预警、根因分析）与个性化场景（如定制化分析），推动场景落地。

图1 农业银行运维数据分析体系二、体系架构：三层架构支撑智能化运维1. 数据集市：集中管理与统一建模

• 数据集中：整合变更、事件、配置、监控等6大类运维数据，覆盖全生命周期。
• 技术支撑：采用Spark、Hadoop、GBase等技术实现低代码、可视化数据处理，支持灵活迭代。
• 指标体系：构建三运指标体系，规范数据使用流程，通过线上申请、审批机制推动数据治理。

2. 分析引擎：AI+BI双核驱动

• AI算法引擎：支持组件化算法共享、在线拖拽式设计及模型训练，满足高阶分析需求（如预测性维护）。
• BI可视化引擎：提供自助建模、多维度钻取及自定义组件，覆盖大部分可视化场景。
• 全流程管理：通过线上化闭环管理（申请、审批、成果展示）提升分析效率，鼓励科技人员自主分析。

3. 智能场景：经典与个性化结合

• 经典场景：围绕“事前-事中-事后”思路打造核心场景：

  事前：批量智能预警、潜在风险挖掘。

  事中：智能根因分析、全景洞察视图。

  事后：应用系统画像、健康分析报告。

• 个性化场景：通过AI/BI引擎提供自助式分析服务，快速响应定制需求（如变更风险评估）。

三、实践案例：场景化应用解决实际痛点1. 业务风险分析：提升故障发现率50%

• 功能：

  业务波动智能检测：基于滑动平均、LightGBM等算法动态生成基线，无需人工配置阈值。

  触发式多维下钻：快速定位异常维度（如省市、渠道）。

  业务视角影响分析：自动评级业务健康度，识别受影响系统范围。

• 效果：在分布式核心系统全面推广，故障发现率提升50%，粒度更精细、规则更智能。

图2 业务风险分析案例2. 全景洞察视图：压缩异常定位时间至5分钟内

• 功能：

  一站式信息汇聚：通过拓扑图、时间线等创新形式展示全量运维数据。

  海量指标异常检测：相关性分析算法降低检测指标数量，自适应选择检测模型。

  智能根因分析：结合AI算法与专家经验，推荐异常指标或行为。

• 效果：AI根因定位覆盖全部应用系统，专家经验积累200余条，定位时间压缩至5分钟内。

3. 变更风险评估：遏止生产风险

• 功能：

  变更前：智能生成标签（如影响范围、复杂度），推荐评审重点。

  变更后：分析指标变化，探测变更导致的运行风险。

• 效果：在试点系统（如手机银行）中多次捕获异常变更，有效遏止生产风险。

四、未来展望：深化体系化服务与大模型应用

1. 体系化服务能力建设：通过数据服务、算法分析及场景建设能力，全面赋能用户、运维平台及管理过程。
2. 大模型技术探索：利用大模型的理解、生成能力，加速智能问答、自动控制、辅助分析等场景落地。
3. 拓宽应用范围：从质量、效率类场景延伸至运维管理、安全管控等领域，构建全域智能运维体系。

农业银行通过“数据-引擎-场景”三位一体架构，实现了运维模式的转型升级，为金融行业智能运维提供了可复制的实践范本。未来，随着大模型技术的深度融合，智能运维将进一步向自动化、智能化方向演进。