数字化运维-数据增强

数据汇聚：首先我们需要把摄入的数据能够汇集到统一的位置，---能够通过统一的方式能够在需要时访问到。这个过程中的一个重要方法是通过建立运维数据命名空间的标签体系，能够对集成的数据进行标注。另外数据平台提供了单元化的数据存取模块，实现了对底层集成的静态历史数据和动态实时流式数据多模存储复杂性的隔离，为后续的数据处理单元扫清障碍。

数据过滤：大部分的 ai 算法及数据仓库的构建都要求对输入的数据进行过滤。如数据仓库的 etl 过程中的数据清洗、转换，ai 场景下特征工程中的大部分的工作都涉及到数据过滤的内容。数据过滤可以在数据汇聚之前进行，也可以在数据汇聚之后进行，甚至在数据汇聚的过程同时进行过滤操作。但是一般来说，在完成数据汇聚之后执行数据过滤操作往往更有意义。

数字化运维面临的问题

由于运维对象、运维工具、运维需求的快速变化，导致金融机构有少则几套监控工具，多则数十套监控工具，而这些监控工具通常是在不同时期建设的，所以他们之间往往数据没有打通，技术栈也有较大的区别，形成了一座座运维数据的孤岛。

运维人员日常需要在众多的监控工具之间切换来切换去，导致故障的发现困难，故障的定位耗时耗力，故障的解决重复劳动，无法形成有效的知识积累。并且以前基于固定阈值的告警规则无法满足---监控指标的设置和管理，需要将---技术与运维工作结合到一起。随着智能运维（aiops）的快速发展，机器学习的算法、模型等对运维数据的规范化提出了更高的要求。

数字化运维云化过程中数据迁移带宽问题

如何解决云化的过程中数据的迁移、私有云和公有云之间的迁移、公有云和公有云之间的迁移的带宽问题，以及混合云的带宽---问题是企业---不可回避的一个问题。如果从云---数据拷贝下来，不但要收费，运输也存在安全问题，因此从企业的角度考虑，需要运营商按需提供带宽，快速实现公有云和私有云之间的---数据迁移。