DevOps 中预测分析入门

图片来源

JuralMin, CC0。Jason Baker 修改。

数据——它是新的货币。多年前，我们以千兆字节为单位衡量处理的数据量；然后我们迅速转向太字节。由于智能手机和移动设备的影响，我们的数据量正在迅速增加到拍字节。

除了管理数据的大小之外，我们还需要处理各种类型的数据，并开始理解数据可以告诉我们什么。DevOps 中的一个机会是分析大量的机器数据。更重要的是，机器数据，例如多种基础设施监控工具的日志和指标，可以继续在整个混合云中运行当前的 IT 系统。另一个机会是使用这些机器数据快速响应问题，并识别何时可能需要人工干预。

通过使用机器数据，特别是日志和指标，来改造任何 DevOps 计划至关重要。借助基于机器数据的高级分析能力，DevOps 工程师或站点可靠性工程师 (SRE) 可以使用统计、索引、过滤和许多其他机器学习技术来理解这些拍字节的数据。

预测分析是高级分析的一个关键领域，用于预测未知的未来事件。它分析来自混合基础设施中多个应用程序的当前数据，并使用数据挖掘、统计建模、深度学习和人工智能等方法对未来进行预测。

预测分析软件工具提供高级分析功能，例如数据挖掘、深度学习、统计分析、实时评分、预测建模和优化。它们使您能够收集、分析和挖掘关于已发生事件的结构化和非结构化数据，并根据基础设施中应用程序中过去的事件预测可能发生的事情。预测模型通常由分类模型和回归模型组成。

以下是您可以作为 DevOps 计划一部分使用的三种流行的开源预测分析工具。

Anaconda 是一个开放的数据科学 Python 平台。它是 Python 和 R 的高性能发行版，包含 100 多个最流行的 Python、R 和 Scala 数据科学软件包。
H2O 是一个开源、可扩展的机器学习 API，用于更智能的应用程序，包括深度学习、梯度提升、随机森林和广义线性建模。它可以轻松应用机器学习和预测分析。
Apache Mahout 构建了一个可以快速创建可扩展高性能机器学习应用程序的环境。它是一个简单且可扩展的编程环境和框架，用于构建可扩展的算法，并包括用于 Scala、Apache Spark、H2O 和 Apache Flink 的各种预算法。

在 DevOps 计划中采用预测分析对于许多公司来说至关重要，可以提高效率和客户满意度。由于不断测试新技术、新竞争对手和市场中现有组织的新业务模式，变化率正在提高。因此，组织必须能够快速响应变化，同时保持比竞争对手更低的成本和更高的质量。

预测分析主要用于 DevOps 计划中，以加速应用程序交付在跟踪、安全、质量和性能方面的能力。例如，如果 DevOps 管道中的自动化测试工具使用深度学习算法检测到新的错误并向 QA 团队发出警报，他们可以通过创建测试模式库来加速错误修复过程。此功能提高了测试效率、应用程序质量并缩短了上市时间。另一个示例可能导致在高峰负载时自动配置额外的资源，或在空闲期间消除过多的资源。它还可以检测安全问题，包括 DDoS 攻击和内存泄漏的开始。

因此，DevOps 工程师可以通过识别和解决潜在问题而受益，例如意外的错误代码、延长的构建时间、降低的发布速度、其他瓶颈以及不必要的、耗时的任务。