数字化运维怎样实现数据赋能？

平台、数据、算法三大板块共同组成发力才能实现数据赋能。平台实现数据融合，但一定不是简单的汇集，数据湖没有治理将成为数据沼泽。比如我们单位要实现智慧城市的一卡通，对于每一个人，视角是安全管理，视角是民生范畴，视角是健康水平，所以这样的数据在融合时必然需要通过业务语义转换实现统一视角。由此可以看到，数据治理对于数据赋能就是刚需。通过治理可以实现数据业务理解的准确，数据质量的保障和数据探索的便捷。

数字化运维概念

智能运维（AIOps）的概念自 2016 年被 Gartner 提出以来，AI 技术越来越多地被应用到运维领域。随着云计算、大数据、人工智能等技术的高速发展和普及，AIOps这个名词的出现频率不断提升，大有不AIOps 就要落伍的感觉。但是，真正想把 AIOps 的***理念落实到运维体系中，产生实际有效的效果，并不是轻而易举的事。理想很丰满，现实很骨感。究其原因，很大程度上源于一个AI 领域中普遍存在的误区，那就是对各种机器学习、深度学习的算法、模型过于期待和，而忽略或低估了数据准备和数据质量的重要性。

数字化运维的数据源包括？

日志：包括网络日志、系统日志、应用程序日志等信息，主要属于K-V 结构的半结构化文本信息，可以用列簇式数据模型管理。

监控指标：包括系统指标、应用指标、业务指标等不同类型，主要属于时序性数据，可以通过时序型数据模型管理。

拓扑和跟踪：包括软硬件系统的物理、逻辑关系，应用程序的调用关系和数据流向关系等，属于复杂网络上的关系信息，可以通过图数据模型管理。

配置信息：包括存储的软件配置、用户信息、参数状态等信息，属于 K-V键值对或者可嵌套的键值文档类数据，可以通过结构化文档数据模型管理。

数据库数据：系统的事务处理或分析型数据仓库中存储的各种信息，一般通过关系型数据表进行存储，也可以用于关联查询。

其他信息：如API 数据、客户关系数据、IT*** 流程数据、社交媒体数据等多来源的异构数据，需要具体分析和处理。