開發(fā)人員如何在DevOps實(shí)踐中學(xué)習(xí)利用機(jī)器學(xué)習(xí)？在本文中討論了一些基本方法，這些方法可以幫助開發(fā)人員將諸如機(jī)器學(xué)習(xí)之類的尖端技術(shù)應(yīng)用于日常工作。

DevOps方法正在迅速增長(zhǎng)，并在整個(gè)應(yīng)用程序的生命周期（包括開發(fā)，部署和性能管理）中生成大量多樣的數(shù)據(jù)集。只有強(qiáng)大的分析和監(jiān)控層才能特別利用此數(shù)據(jù)來實(shí)現(xiàn)端到端自動(dòng)化的最終DevOps目標(biāo)。

機(jī)器學(xué)習(xí)及其相關(guān)功能（如人工智能和預(yù)測(cè)分析）的興起，促使組織探索實(shí)施主要依靠數(shù)學(xué)算法的新分析模型。 由于繁忙的DevOps團(tuán)隊(duì)以及缺乏真正了解機(jī)器學(xué)習(xí)，人工智能和預(yù)測(cè)分析的從業(yè)人員，這些工具對(duì)數(shù)據(jù)驅(qū)動(dòng)的自動(dòng)化的總體影響仍然有限。

黑匣子方法與傳統(tǒng)的機(jī)器學(xué)習(xí)程序背道而馳，并使分析人員可以迭代地調(diào)整算法，直到變得足夠準(zhǔn)確為止。今天，對(duì)于DevOps工程師來說，了解基礎(chǔ)架構(gòu)的工作，如何利用DBaaS以及如何在云中進(jìn)行編碼至關(guān)重要。由于大多數(shù)DevOps工程師不是數(shù)學(xué)家，因此將機(jī)器學(xué)習(xí)算法添加到該技能組合中并非易事。

在DevOps中應(yīng)用機(jī)器學(xué)習(xí)

盡管存在障礙和挑戰(zhàn)，但隨著高薪將許多IT工程師推向這個(gè)領(lǐng)域，機(jī)器學(xué)習(xí)的采用只會(huì)不斷增長(zhǎng)。盡管一些DevOps供應(yīng)商已在其產(chǎn)品中添加了機(jī)器學(xué)習(xí)功能，但這并不能免除企業(yè)為優(yōu)化其自動(dòng)化功能而編寫其代碼的需要。

當(dāng)有太多數(shù)據(jù)需要管理時(shí)，許多日志每周會(huì)占用數(shù)GB的存儲(chǔ)空間。DevOps流程中生成的大多數(shù)數(shù)據(jù)都與應(yīng)用程序部署，服務(wù)器日志有關(guān)，而事務(wù)跟蹤結(jié)果則對(duì)應(yīng)用程序進(jìn)行監(jiān)控。實(shí)時(shí)分析海量數(shù)據(jù)的理想方法是使用機(jī)器學(xué)習(xí)。讓我們看一下機(jī)器學(xué)習(xí)如何增強(qiáng)DevOps的實(shí)踐。

超越極限

由于有大量數(shù)據(jù)，DevOps團(tuán)隊(duì)會(huì)分析整個(gè)數(shù)據(jù)集。為此，他們?cè)O(shè)置閾值作為采取行動(dòng)的條件。他們主要關(guān)注大綱，而不是關(guān)注大量數(shù)據(jù)塊。這里存在問題，因?yàn)檩喞L制器通常會(huì)提供指示，但它們不會(huì)繪制詳細(xì)圖片。

從數(shù)據(jù)歷史中學(xué)習(xí)

DevOps團(tuán)隊(duì)有時(shí)會(huì)犯錯(cuò)誤。DevOps的專業(yè)來源無法解決實(shí)際操作中遇到的問題。機(jī)器學(xué)習(xí)系統(tǒng)可以幫助他們分析數(shù)據(jù)并顯示最近發(fā)生的情況。它可以驗(yàn)證從每日趨勢(shì)到每月趨勢(shì)，并在任何時(shí)間點(diǎn)提供應(yīng)用程序的鳥瞰圖。

監(jiān)控工具

專業(yè)的DevOps團(tuán)隊(duì)使用多種工具來查看給定的數(shù)據(jù)并根據(jù)給定的數(shù)據(jù)采取行動(dòng)。每個(gè)特定設(shè)備都基于不同的理由來考慮其應(yīng)用程序監(jiān)視方式，其中要考慮諸如應(yīng)用程序的運(yùn)行狀況和性能等參數(shù)。這些機(jī)器學(xué)習(xí)系統(tǒng)能夠從所有這些工具收集輸入，并繪制一個(gè)集成視圖。

測(cè)量編排

如果您的要求是充分衡量業(yè)務(wù)流程，則可以使用機(jī)器學(xué)習(xí)來確定團(tuán)隊(duì)績(jī)效。編排減少可能會(huì)導(dǎo)致限制。因此，查看這些特征可以為您提供工具和流程方面的幫助。

尋找故障

它涉及調(diào)查的模式。開發(fā)人員需要主動(dòng)尋找故障。如果您已經(jīng)意識(shí)到這些系統(tǒng)會(huì)在發(fā)生故障事件時(shí)提供特定的讀數(shù)，則機(jī)器學(xué)習(xí)應(yīng)用程序可以搜索特定類型故障的特定模式。在這種情況下，如果您了解故障的根本原因，則可以找到一種防止故障發(fā)生的方法。

深入研究根本原因

為小組提供機(jī)會(huì)來設(shè)置正確的性能或可用性問題對(duì)應(yīng)用程序的質(zhì)量而言是好兆頭。大多數(shù)情況下，團(tuán)隊(duì)不會(huì)完全研究故障，因?yàn)樗麄兗芯ΡM快恢復(fù)在線狀態(tài)。以防萬一，機(jī)器人使它們運(yùn)轉(zhuǎn)良好；原因大多迷路了。注意不要讓這張幻燈片滑落。

結(jié)論

如果沒有大數(shù)據(jù)的到來，人工智能和機(jī)器模型將只是模型而永遠(yuǎn)不會(huì)實(shí)現(xiàn)。物聯(lián)網(wǎng)和云計(jì)算之間存在相互依賴的關(guān)系。同樣，機(jī)器學(xué)習(xí)系統(tǒng)的實(shí)時(shí)有效性也取決于提供敏捷軟件開發(fā)的DevOps流程。因此，將機(jī)器學(xué)習(xí)應(yīng)用于DevOps可以增強(qiáng)其更有效地執(zhí)行基于云的操作的能力。