鐵路云數(shù)據(jù)中心智慧運行維護平臺建設與應用

謝正興

摘要：隨著我國鐵路行業(yè)信息化技術大步向前發(fā)展，不斷加快運算資源“云化”的建設步伐，云計算逐漸成為鐵路信息系統(tǒng)的中流砥柱。信息系統(tǒng)運行與維護（簡稱運維）的復雜程度與日俱增，現(xiàn)有運維模式難以支撐。文章為更好地解決某鐵路局云數(shù)據(jù)中心運維工作面臨的困境，不斷提升信息系統(tǒng)運維工作的標準化、規(guī)范化、智慧化、自動化水平，提出具有設備監(jiān)控、故障診斷及配置異常檢測、應用程序管理功能的智慧運維一體化平臺建設方案。利用機器自動處理運維數(shù)據(jù)的優(yōu)勢，簡化運維工作的復雜程度，助力鐵路局信息所運維科室實現(xiàn)智慧轉型。

關鍵詞：云數(shù)據(jù)中心；智慧運維；指標體系；AIOps；應用場景

中圖分類號：U294.1? ? 文獻標識碼：A? ?文章編號：1674-0688（2023）01-0053-05

0 引言

鐵路信息系統(tǒng)運行無法全天候監(jiān)管、運維人員配比不科學、崗位職責臃腫、系統(tǒng)配置信息保存不規(guī)范易丟失、故障處理不及時，以及備件和備機臺賬管理混亂的問題，一直以來是鐵路信息系統(tǒng)運維工作最大的阻礙。中國國家鐵路集團在2022年4月發(fā)布的《“十四五”鐵路科技發(fā)展規(guī)劃》中指出，鐵路信息化需要依照“統(tǒng)一設計規(guī)劃、分級監(jiān)督管理、系統(tǒng)應用與業(yè)務大數(shù)據(jù)集中融合的模式進行建設”，指導從國鐵集團到各鐵路局使用統(tǒng)一的運行維護管理平臺，多級運維互聯(lián)互通協(xié)同調度，開啟鐵路智慧數(shù)字運維新時代［1］。恰逢此發(fā)展契機，某鐵路局引入一體化運維管理平臺，經(jīng)過3個月的設備地址和系統(tǒng)信息錄入，監(jiān)控端口和函數(shù)配置調整，以及運維策略的關聯(lián)任務定制，目前智慧運維平臺自動運行狀態(tài)良好，解決了原有運維工具功能弱的問題，還優(yōu)化了人員結構，壓縮了成本，運維效果顯著。本文主要從鐵路局智慧運維的目標、智慧運維平臺建設方案的設計、平臺系統(tǒng)功能模塊分解、運維指標體系的建立及智慧運維應用場景5個方面對鐵路云數(shù)據(jù)中心智慧運行維護平臺建設與應用情況進行論述，希望通過智慧運行平臺的研究達到以下目的：①大幅減少日常人工巡檢的工作量，最大限度地避免運維人員在常規(guī)工作中出現(xiàn)錯漏的問題；②明確設備、系統(tǒng)故障靶向與處理方法，縮短故障處理時效，提升業(yè)務系統(tǒng)運行的穩(wěn)定性；③從實際操作中檢驗和提升運維人員的專業(yè)水平，減少運維服務外包的成本。

1 鐵路局智慧運維平臺建設背景

近年來，某鐵路局現(xiàn)車系統(tǒng)、T/D結合系統(tǒng)、貨票系統(tǒng)、鐵路運輸管理信息系統(tǒng)（TMIS）逐步遷移至新建的虛擬化平臺，鐵路局內部的云數(shù)據(jù)中心不斷增多，這對信息技術所運維科室人員的能力是一個巨大的考驗。除此之外，信息所在上述系統(tǒng)的軟件和硬件運維方面，一年的運維外包服務費用超過300萬元，從目前鐵路局信息化建設趨勢看，如果仍然按此模式運維，后期費用還會以每年5%～8%的比例增加。

人工智能技術的運維系統(tǒng)日趨成熟，已經(jīng)在金融、電力、通信行業(yè)發(fā)揮著舉足輕重的作用。鐵路信息化建設要想在運維方面有新突破，就必須采用其他行業(yè)實踐驗證的新技術解決依靠人力無法破解的問題。

機器模擬人類的意識、思維，與運維工作相結合，創(chuàng)造了由機器自主處理的運維新領域AIOps（智能運維，Artificial Intelligence for ITO perations）。信息系統(tǒng)的安全、高效、穩(wěn)定運行是人工智能與運維結合及應用研究的重點，智慧運維在信息技術領域受到廣泛關注。企業(yè)分布式計算、系統(tǒng)性能管理、大數(shù)據(jù)查詢與分析、故障智慧檢測、機器算法學習等新興技術的加持，必將促進鐵路數(shù)據(jù)中心運維能力提升至更高層次，推動傳統(tǒng)模式向智慧運維一體化模式轉型［2］。

2 鐵路數(shù)據(jù)中心智慧運維目標

2.1 集中運維管理

集中式的運維包含綜合信息監(jiān)控、系統(tǒng)參數(shù)配置、服務流程記錄、運維自動處理、大屏圖像展示等綜合管理功能，利用機器學習人類運維管理思維和能力，采集和匯總鐵路局數(shù)據(jù)中心的程序運行狀態(tài)、主機資源使用、業(yè)務處理記錄等數(shù)據(jù)，方便運維管理。

2.2 規(guī)范運維管理

傳統(tǒng)意義上的運維工作仍然停留在固定的巡查模式，即采取月度、季度例行巡檢的制度，也無法做到主動對運維對象進行管理。規(guī)范運維管理能夠將“監(jiān)、管、控、析、服”5個方面相互融合，各司其職。“監(jiān)”，利用功能模塊主動監(jiān)控信息系統(tǒng)運行；“管”，建立統(tǒng)一的維護和配置數(shù)據(jù)庫，實現(xiàn)集中管理；“控”，通過標準技術手段減少運維工作風險；“析”，對各類運維數(shù)據(jù)進行綜合研判；“服”，推進運維技術服務資源的優(yōu)化和整合。

2.3 提高運維效率

通過采樣和收集體量龐大的基礎信息，給運維智慧分析、故障綜合研判、運維監(jiān)管決策、自動修復處理、信息全面展現(xiàn)提供真實可信的憑據(jù)，幫助運維團隊構建高效的工作環(huán)境，優(yōu)化日常工作流程，切實保障數(shù)據(jù)中心平穩(wěn)運行，最大限度地提升運維資源的利用率。

3 鐵路智慧運維平臺建設方案

選用北京廣通優(yōu)云科技股份有限公司為某鐵路局定制化智慧運維平臺，該平臺采用獨立的PaaS架構，它提供了完備的運維應用生態(tài)環(huán)境，在其框架下，可以同時部署人員監(jiān)控管理、設備配置管理、自動化流程管理、服務事件管理、大數(shù)據(jù)查詢與分析、圖像大屏展示工作臺等功能建設。

3.1 智慧運維平臺總體架構

智慧運維平臺包括數(shù)據(jù)中心基礎設施、運維數(shù)字中臺、運維應用生態(tài)、運維管理門戶，平臺總體架構如圖1所示。

3.2 數(shù)據(jù)中心基礎設施

數(shù)據(jù)中心基礎設施是運維監(jiān)控的對象，通常包括運算處理、數(shù)據(jù)存放、網(wǎng)絡交換、信息安全、消防滅火、溫室控制和配電設備。

3.3 運維數(shù)字中臺

構建零散與整體相結合的運維結構，把運維大數(shù)據(jù)作為基礎、智慧算法作為支點、運維場景作為目標。通過把運維能力下移至底部，形成服務支撐平臺，運維場景上移至頂部，形成軟件支持應用，用邏輯的方法實現(xiàn)運維管理分層處理。

3.3.1 采控平臺

借助面向多云及異構環(huán)境、完善的采控能力及隨接隨用的服務模塊化接口，實現(xiàn)分布式、跨中心、多網(wǎng)絡統(tǒng)一調度。多元的采控體系可同時擴展資源和納管第三方應用，使用采控分層機制將其劃分為代理層、接入層、服務端（如圖2所示）。

（1）從邏輯層面可分為本地代理（Local Agent）、遠程代理（Remote Agent）和匯聚代理（Hub Agent）3種，其應用功能可運行對應模塊和使用外掛程序實現(xiàn)。采集控制代理使用的“模塊+插件”混合擴展技術，將采控與監(jiān)管代理數(shù)據(jù)和任務控制腳本，通過代理接入網(wǎng)關統(tǒng)一調度，不論監(jiān)控對象增多還是減少，采控代理都可按需擴展或者裁減。

（2）第三方運維工具集成應用開發(fā)需要的適配器框架和輔助腳本，并將運行維護數(shù)據(jù)進行標準化。為降低減低采控難度，對市面上SNMP（簡單網(wǎng)絡管理，Simple Network Management Protocol）、SSH（安全外殼，Secure Shell）、Telnet（遠程登錄服務）、IPMI（智能平臺管理接口，Intelligent Platform Management Interface）、SMI-S（存儲管理接口，Storage Management Initiative specification）、JDBC（Java數(shù)據(jù)庫連接，Java Database Connectivity）、JMX（Java虛擬機管理擴展，Java Management Extensions）、WMI（Windows系統(tǒng)數(shù)據(jù)庫管理，Windows Management Instrumentation）、HTTP（超文本傳輸，Hyper Text Transfer Protocol）等主流監(jiān)控協(xié)議，全部進行了適配和支持。

（3）模塊和插件是兩種不同類型的擴展手段，模塊由配置文件和常駐程序代碼構成，其運行生命周期由模塊自主控制，主要應對復雜的集成對接和被動注冊偵聽等采控場景。插件由配置文件和腳本代碼構成，其運行生命周期由采控代理托管控制，主要應對配置采集、自定義指標采集、無人干預巡檢等采控場景。為實現(xiàn)符合在線腳本快速編輯和開發(fā)的能力，分別對Python（多計算機平臺編程）、Groovy（Java虛擬機編程）、Shell（Linux系統(tǒng)編程）、Bat（Windows系統(tǒng)批處理編程）、PowerShell（Windows系統(tǒng)外殼程序編程）腳本語言進行了支持。

3.3.2 數(shù)據(jù)平臺

運維數(shù)據(jù)庫存放多種不同類型監(jiān)控數(shù)據(jù)，對數(shù)據(jù)庫的讀寫性能、查詢效率、整合時效、數(shù)據(jù)分析等要求非常高。此外，數(shù)據(jù)庫資源池還需要對數(shù)據(jù)關聯(lián)分析提供高可用的訪問支持［3］。首先，整合多個異源結構的運維數(shù)據(jù)，對數(shù)據(jù)進行校驗、糾正、過濾，通過聯(lián)合預處理加工實現(xiàn)數(shù)據(jù)標準化。其次，建立運維數(shù)據(jù)模型準則，將Counter（計數(shù)器）、Gauge（儀表盤）、Histogram（直方圖）、Summary（摘要）模型采樣分塊存放。最后，整治雜亂無章的信息資源，實現(xiàn)運維數(shù)據(jù)從產(chǎn)生到消逝的全過程管理。

3.3.3 業(yè)務平臺

完善運維應用程序編程接口和微服務自我監(jiān)控，規(guī)避重復性建設，讓上層應用可以更好地聚焦具體業(yè)務。同時，將運維過程的治理、數(shù)據(jù)的上報、故障的判別、信息的展示等功能組件化。

3.3.4 開發(fā)平臺

開發(fā)平臺可以提供多種編譯語言，降低了運維開發(fā)難度，構建起簡單易懂的運維應用生態(tài)。每個監(jiān)控服務都可以獨立進行開發(fā)、測試、部署、發(fā)布，高拓展性可以讓其隨著運維場景的變化而變化，便于后期智慧運維平臺的維護與升級。

3.4 運維應用生態(tài)

Eco-Ops是一種敞開共享式的生態(tài)化運維模式，其中心思想是促進面向服務對象發(fā)展，助力企業(yè)維護能力數(shù)字化轉型，將自身與運維生態(tài)圈相互連通，打造運維與生產(chǎn)相融合的理念。通過共享知識經(jīng)驗和工作人員的實踐經(jīng)驗，實現(xiàn)運維生態(tài)圈的可持續(xù)發(fā)展。

3.5 運維管理門戶

運維管理門戶采用軟件定義的微服務技術架構，實現(xiàn)運維數(shù)據(jù)分析、自動生成報表、運維數(shù)據(jù)圖像大屏展示功能的組件模塊，可以根據(jù)不同的運維場景靈活組合組件模塊。

4 運維數(shù)據(jù)需求及指標體系

4.1 運維數(shù)據(jù)采集

在鐵路局不斷擴建云計算系統(tǒng)的環(huán)境下，數(shù)據(jù)中心運維監(jiān)控對象越來越復雜。采集的對象分軟件和硬件兩大類，硬件包括運算處理、文件存放、網(wǎng)絡交換、信息安全保障和控制機房環(huán)境等設備；軟件包括核心運算、資源管理、數(shù)據(jù)篩選、操作記錄、基礎服務等程序。從上述采集對象看，可通過以下指標體系，全方位監(jiān)控數(shù)據(jù)中心的運行狀態(tài)。運維人員可以利用這些數(shù)據(jù)在不同維度了解對象資源使用和健康優(yōu)劣情況，輔助分析應用系統(tǒng)是否需要升級或擴容［4］。

（1）硬件數(shù)據(jù)：包含運算處理、文件存放、網(wǎng)絡交換、信息安全和機房環(huán)境設備的CPU使用率、內存使用量、硬盤使用量、系統(tǒng)運行記錄、告警記錄、登錄配置信息、端口狀態(tài)、指示燈狀態(tài)數(shù)據(jù)；還有空氣溫、濕度值及電源電壓電流值、視頻監(jiān)控錄像、七氟丙烷滅火壓力值、紅外入侵檢測數(shù)據(jù)。

（2）軟件數(shù)據(jù)：包含物理機操作系統(tǒng)、虛擬機操作系統(tǒng)、虛擬化平臺、數(shù)據(jù)庫、基礎服務程序運行狀態(tài)及記錄數(shù)據(jù)；還有應用代碼運行狀態(tài)、服務響應時間、整體運算性能、事件告警記錄、代碼的請求數(shù)、應答數(shù)、進程流量、特殊事件數(shù)據(jù)。

4.2 運維數(shù)據(jù)分類

根據(jù)對每一種監(jiān)控對象采集動作進行抽象分類，從而實現(xiàn)機房設施、計算設備、系統(tǒng)軟件、應用代碼的集中管理。軟件、硬件數(shù)據(jù)又可以細分為監(jiān)測數(shù)據(jù)、記錄數(shù)據(jù)、事件數(shù)據(jù)、配置數(shù)據(jù)。

（1）監(jiān)測數(shù)據(jù)：各監(jiān)測對象運行過程中產(chǎn)生的時序指標數(shù)據(jù)積累速度很快，主要反映設備和業(yè)務系統(tǒng)運行狀態(tài)的指標值差異，包括中央處理器使用值、內部存儲器使用值、外部存儲器使用值、網(wǎng)絡帶寬占用值、服務進程響應值，此類指標數(shù)據(jù)必須采用相同的統(tǒng)計模式，保證其具有同類可比性，便于后臺系統(tǒng)提高分析精確度。

（2）記錄數(shù)據(jù)：記載著信息系統(tǒng)每天運轉中的記事類型信息，每一條記錄數(shù)據(jù)都包含4個因素（人物、時間、地點、事件），方便對記事類型數(shù)據(jù)進行審查，能看出哪個人使用，哪年哪月哪日哪時哪分哪秒使用，使用了哪些設備，在設備上做了哪些操作。此外，通過匹配記錄數(shù)據(jù)中的關鍵字符，可以對核查的關鍵信息進行抽取。

（3）事件數(shù)據(jù)：由監(jiān)測數(shù)據(jù)或記錄數(shù)據(jù)在特定條件下產(chǎn)生的特殊數(shù)據(jù)，事件數(shù)據(jù)記載有特定事件發(fā)生時的相關信息，如一般、反常、告警、任務調度事件信息。

（4）配置數(shù)據(jù)：包含監(jiān)控對象自身屬性和配置屬性，記載監(jiān)控對象之間的相關信息，在監(jiān)控對象的屬性和相關性發(fā)生變動時，其數(shù)據(jù)也隨之發(fā)生變動。

4.3 運維指標體系

（1）基于上述采集的運維指標數(shù)據(jù)規(guī)劃，可以設計構建鐵路局數(shù)據(jù)中心運維管理指標體系（見表1）。

表1 運維管理指標體系

[指標數(shù)據(jù)分類 指標數(shù)據(jù)監(jiān)控項 運維管理指標數(shù)據(jù) 服務請求數(shù)據(jù)、變更請求數(shù)據(jù)、事件記錄數(shù)據(jù)、工單記錄數(shù)據(jù)、問題故障數(shù)據(jù)、應急響應數(shù)據(jù) 運營管理指標數(shù)據(jù) 分布式計算用戶數(shù)據(jù)、用戶體驗指標數(shù)據(jù)、數(shù)據(jù)中心運營指標數(shù)據(jù) 監(jiān)測指標數(shù)據(jù) 機房環(huán)境設備監(jiān)控數(shù)據(jù)、主機資源監(jiān)控數(shù)據(jù)、數(shù)據(jù)磁盤柜監(jiān)控數(shù)據(jù)、網(wǎng)絡設備監(jiān)控數(shù)據(jù)、安全設備監(jiān)控數(shù)據(jù)、計算機基礎系統(tǒng)監(jiān)控數(shù)據(jù)、數(shù)據(jù)讀取監(jiān)控數(shù)據(jù)、組件和應用連接程序監(jiān)控數(shù)據(jù)、性能監(jiān)控數(shù)據(jù)、網(wǎng)頁監(jiān)控數(shù)據(jù)、雙機監(jiān)控數(shù)據(jù)、堆疊監(jiān)控數(shù)據(jù)、網(wǎng)絡可編譯監(jiān)控數(shù)據(jù)、心跳同步監(jiān)控數(shù)據(jù) 告警指標數(shù)據(jù) 設備告警數(shù)據(jù)、虛擬化告警數(shù)據(jù)、應用告警數(shù)據(jù)、網(wǎng)絡告警數(shù)據(jù) 記錄指標數(shù)據(jù) 機房環(huán)境設備運行記錄數(shù)據(jù)、計算機運行記錄數(shù)據(jù)、數(shù)據(jù)磁盤柜運行記錄數(shù)據(jù)、網(wǎng)絡設備運行記錄數(shù)據(jù)、安全設備運行記錄數(shù)、計算機基礎系統(tǒng)運行記錄數(shù)據(jù)、數(shù)據(jù)存放庫運行記錄數(shù)據(jù)、組件和應用連接程序運行記錄數(shù)據(jù)、備份系統(tǒng)運行記錄數(shù)據(jù)、分布式計算運行記錄數(shù)據(jù)、業(yè)務應用系統(tǒng)運行記錄數(shù)據(jù) 配置指標數(shù)據(jù) 設備基本信息、主機配置數(shù)據(jù)、存儲配置數(shù)據(jù)、網(wǎng)絡配置數(shù)據(jù)、板卡配置數(shù)據(jù)、陣列配置數(shù)據(jù)、LUN（邏輯單元號）配置數(shù)據(jù)、ZONE（存儲網(wǎng)絡邏輯隔離區(qū)域）配置數(shù)據(jù)、網(wǎng)絡可編譯配置數(shù)據(jù)、雙機配置數(shù)據(jù)、堆疊配置數(shù)據(jù)、網(wǎng)絡地址配置數(shù)據(jù)、防火墻策略配置數(shù)據(jù)、入侵檢測配置數(shù)據(jù)、分布式計算配置數(shù)據(jù)、用戶資源配置數(shù)據(jù)、應用系統(tǒng)基礎配置數(shù)據(jù) 操作指標數(shù)據(jù) 機房環(huán)境設備操作數(shù)據(jù)、主機操作數(shù)據(jù)、存儲操作數(shù)據(jù)、網(wǎng)絡操作數(shù)據(jù)、安全設備操作數(shù)據(jù)、操作系統(tǒng)操作數(shù)據(jù)、批處理操作數(shù)據(jù)、應用系統(tǒng)操作數(shù)據(jù) ]

（2）鐵路局數(shù)據(jù)中心監(jiān)控對象資源種類很多，需要根據(jù)資源的分類變化，定義配置指標的數(shù)據(jù)模型。監(jiān)測指標數(shù)值、記錄指標數(shù)值、事件指標數(shù)值可以使用相對固定的數(shù)據(jù)模型，分別是指標模型、記錄模型、告警模型、事件模型、配置模型（見表2）。

表2 運維指標數(shù)據(jù)模型

[數(shù)據(jù)模型名稱 數(shù)據(jù)模型定義 指標模型 指標名稱、指標類型、指標取值、資源序號、采集時間、寫入時間 記錄模型 記錄名稱、記錄來源、記錄內容、記錄路徑、記錄級別、記錄容量、記錄時間、資源名稱、采集序號、資源序號 告警模型 告警來源、告警級別、告警次數(shù)、告警描述、首發(fā)時間、尾發(fā)時間、持續(xù)時間、處理狀態(tài) 事件模型 事件名稱、事件描述、事件類型、事件級別、對象名稱、創(chuàng)建時間、結束時間 配置模型 資源名稱、資源種類、配置名稱、配置描述、配置模板 ]

5 智慧運維應用場景

5.1 智慧異常檢測

基于AIOps異常檢測算法模塊，通過分析KPI（關鍵性能指標，Key Performance Indicators）曲線的狀態(tài)，判斷各監(jiān)控指標數(shù)據(jù)是否發(fā)生失常。在異常檢測算法模塊的設計中，選用BP（神經(jīng)網(wǎng)絡，Back Propagation）作為KPI非正常檢測的基本模型，并采用靜態(tài)閾值檢測、動態(tài)閾值檢測、周期性能分析技術，對異常檢測算法進行改進與調優(yōu)。融合有人工智能代碼的動態(tài)閾值檢測，加入運維指標數(shù)據(jù)的周期性變化、歷史趨勢變化、波動幅度變化規(guī)律，通過指標數(shù)據(jù)變化形勢進行數(shù)字建模，數(shù)據(jù)經(jīng)過處理后傳入機器學習算法中，生成異常指標分類器，并計算得到合理指標的取值范圍。

該設計運用的AI（人工智能，Artificial Intelligence）機器學習算法，可實現(xiàn)無閾值KPI波形非正常甄別檢測，具體包括以下3種方式。

（1）LSTM（長短期記憶，Long Short-Term Memory）時間軸往復循環(huán)算法，具有最優(yōu)的分析計算精度，檢查測算系統(tǒng)的訪問量和時延量為最小，無論高低波動多大的信號圖形，都可以精準識別記錄；但是，對于起伏波動小、變化緩慢的信號圖形，則很難識別出來，檢測效果如圖3所示。

圖3 LSTM檢測效果

（2）K-means（K均值聚類，K-Means Clustering Algorithm）平均取值聚合類別算法，是一種多變量統(tǒng)計不斷往復計算找到答案的方法。通過使用特征查找檢測，彌補LSTM算法的不足，在訪問量時間變化緩慢的場景中，有很好的檢測效果，檢測效果如圖4所示。

圖4 K-means檢測效果

（3）隨機事件或概率密度檢測，是通過以往記錄的規(guī)律進行計算，以此得出業(yè)務成功和系統(tǒng)成功的概率。在成功概率檢測曲線中潛藏非常多個取值，必須取一個與系統(tǒng)宕機最相近的值，用于描述異常情況的影響程度，檢測效果如圖5所示。

圖5 概率密度檢測效果

5.2 智慧故障分析

采用傳統(tǒng)運維方式處理故障時，需要運維人員登錄多臺設備，對各項指標逐一進行檢查，通常只能依靠個人經(jīng)驗進行故障判斷，整個排查和處理過程耗時費力，嚴重影響系統(tǒng)恢復正常的時效。如果長時間系統(tǒng)未恢復正常，或是處理過程中有誤操作，則會引發(fā)鐵路安全生產(chǎn)事故。

如今，通過智慧運行維護平臺中“業(yè)務平臺”模塊，可以對所有的運維監(jiān)控數(shù)據(jù)進行關聯(lián)分析，然后在知識庫中對比故障診斷信息，自動找出故障的原因及智能化地提供處理辦法。幫助運維人員在用最短的時間內解決問題，增強基層運維能力。

5.3 智慧運維輔助決策

時間序列預測是一種模擬推演功能，可以統(tǒng)計和預測云數(shù)據(jù)中心設備資源的使用情況，便于運維人員全面掌控各種資源的趨勢變化，第一時間對系統(tǒng)資源進行調優(yōu)，避免系統(tǒng)計算壓力過大。此外，根據(jù)系統(tǒng)資源使用周期消耗情況，還能提前做好資源冗余預案，避免在新上業(yè)務的時候，出現(xiàn)應用系統(tǒng)中斷的情況。

6 結語

本文提出一種適合鐵路部門云計算中心發(fā)展的智慧運維一體化平臺建設方案，通過全自動腳本進行運維數(shù)據(jù)采集，運用機器算法替換人工做判斷，可以降低對運維人員專業(yè)技術能力的要求，為鐵路數(shù)字化運維提質增效。依照運維指標體系采集的基礎運行數(shù)據(jù)，雖然可以為業(yè)務系統(tǒng)運轉提供保障，但是還需深化研究配置管理表單優(yōu)化技術，縮小運維平臺CMDB（配置管理數(shù)據(jù)庫，Configuration Management Database）數(shù)據(jù)庫的體量，為后期挖掘數(shù)據(jù)價值做鋪墊。

7 參考文獻

［1］施衛(wèi)忠.鐵路數(shù)據(jù)中心建設與規(guī)劃研究［J］.中國鐵路，2021（1）：1-7.

［2］張伯駒，周亮瑾.數(shù)字化轉型驅動下的鐵路信息系統(tǒng)運維研究［J］.鐵路計算機應用，2021，30（12）：1-4.

［3］鐘煜明.大數(shù)據(jù)場景下的云計算性能研究［J］.網(wǎng)絡安全技術與應用，2022（1）：63-64.

［4］樂建煒，潘紅芹，胡小寧，等.基于工業(yè)物聯(lián)網(wǎng)架構的鐵路數(shù)據(jù)中心智能巡檢系統(tǒng)［J］.鐵路計算機應用.2021，30（12）：63-69.

［5］黃偉.基于機器學習的AIOps技術研究［D］.北京：北京交通大學，2019：13-14.

［6］楊立苑，胡佳軍，鄧衛(wèi)華，等.基于Zabbix的省級氣象云監(jiān)控運維系統(tǒng)［J］.計算機系統(tǒng)應用，2021，30（8）：73-80.