AI时代如何避免网络管理工具的重叠与混乱

"积木堵塞"原指河道中大量原木堆积形成的无法移动的乱象。在网络这条信息河流上，网络管理人员同样面临属于自己的"堵塞"困境。

这些堵塞以海量日志的形式呈现：过多的网络日志占用CPU资源、撑爆内存，让网络团队在试图分辨哪些日志值得关注、应该采取行动时不知所措。

与此同时，数据与工作流的日常堵塞正在演变为更深层的问题。网络人员需要同时驾驭标准网络监控、可观测性、AIOps以及智能体等工具，这些工具以越来越细粒度的方式监测遥测数据和网络事件，彼此之间存在功能重叠，造成企业IT预算的浪费。IT部门应如何控制成本？在尚未厘清各工具用途的情况下，网络人员又该如何避免重复劳动？

了解需要解决的网络问题类型

当今的IT网络横跨中央IT、边缘站点、云端位置以及远程家庭和外勤办公室。许多站点仍在使用的标准网络监控工具，最初是为单一企业网络这类单体架构设计的，无法应对超越企业边界的混合网络拓扑的复杂性。

业界对此已有共识，网络厂商亦然。由于几乎没有机构还在运行单体企业网络，更新网络管理路线图的需求已显而易见。

核心问题在于：应升级到哪些工具和方法论？哪些现有工具可以淘汰？

理清工具矩阵

网络监控与治理工具大致可分为四类：

第一类：标准网络监控

标准网络监控是一项成熟技术，各站点对其高度熟悉。它依赖网络流量、CPU与存储利用率、错误容忍度和响应时间等指标，但这些指标必须由IT人员预先定义。当预定义的指标被超出时，监控工具发出告警，随后由IT人员定位并解决问题。

第二类：可观测性

标准网络监控的局限在于，它只能报告IT预先定义的内容。可观测性则更进一步——不仅能报告指标违规，还能呈现违规发生的位置和原因。它通过综合分析指标、日志和追踪数据来实现这一点，且软件可自主完成分析，帮助IT团队在问题处理上赢得先机。

第三类：AIOps

AIOps旨在通过引入更多AI与自动化能力，进一步扩展可观测性的问题处理范围。然而，AIOps的不足在于，分析数据时缺乏对网络事件上下文的深入理解，甚至无法判断所分析的遥测数据是否有效。因此，仍需网络专业人员介入，以确认AIOps发现的内容是否可信，并执行相应修复。

第四类：AI网络智能体

新一波AI网络智能体工具，尝试进一步减少网络人员在问题处理中的干预需求。AI智能体能够自动检测并解决问题，其方式是通过机器学习回顾网络历史性能，从中建立对网络应有运行状态的业务背景认知。

管理过渡期的五项最佳实践

从标准网络监控，到可观测性，再到AIOps，最终迈向AI网络智能体，这是网络管理软件的自然演进路径。企业和厂商对此已有共识，一条进化式的网络管理路线图也随之成形。

然而，在踏上这条路线图之前，企业必须从工具、人员、业务需求和预算投入等维度，评估自身当前所处的位置。以下是五项最佳实践：

一、盘点现有工具组合

对许多IT网络团队而言，梳理当前在用工具——以及那些已被遗忘、束之高阁的工具——是一项艰巨的任务，但现在正是着手的时机。

应对企业全网的网络管理工具进行全面清点，无论是数据中心的本地网络、企业边缘站点，还是云端部署，均应纳入范围。

工具应按功能分类，发现功能重叠者应予以淘汰。若不同网络位置使用了功能相同的不同工具，应统一标准化为单一工具集，从而简化员工的使用和培训工作。

二、与厂商对接，评估其路线图

工具盘点与评估的重要一环，是与工具厂商沟通，了解其产品路线图的走向。

网络管理的演进方向已十分明确：标准网络监控→可观测性→AIOps→AI网络智能体。

若厂商的路线图中缺乏这一演进路径，则应考虑寻找具备此规划的替代厂商。

三、为AIOps提升人员技能

大多数企业网络团队已对标准监控工具驾轻就熟，并已在使用可观测性工具。

下一步是通过AIOps将自动化引入可观测性，这一过程仍在推进中，因为它需要重新调整乃至重构网络工作流程。

网络人员不仅要学习新的AIOps工具，还要掌握如何将AIOps自动化整合进网络日常工作流与运营中。

这些变化必须形成文档记录，而文档管理恰恰是网络运营中的薄弱环节。为确保运营文档与工作流变化同步，建议引入外部审计人员审查文档与运营状况，及时发现并纠正不一致之处。

四、谨慎部署AI智能体

完全依赖AI智能体实现网络运营自动化的愿景，目前仍更多停留于理论层面，而非实际落地。

尽管如此，已有部分站点开始小范围试水。

AI网络智能体通过机器学习回顾历史网络性能，以获取自动化所需的业务背景，但它们并不具备网络工程师的实操经验与专业判断能力。

最佳实践是：优先将AI网络智能体部署在高度可预测、管控严格、变化或异常风险极低的网络环境中。

五、评估遗留技术的价值

遗留技术不只意味着"老旧"，它同样代表着"经过验证、久经考验、设计持久"。

有些网络管理工具历经时间洗礼，至今仍表现良好。

站点在审视工具库时，应认真评估哪些工具依然在持续创造价值。

该升级的工具和技能，当然要升级；但那些仍在有效运作的工具，不必轻易丢弃。

Q&A

Q1：AIOps和标准网络监控有什么区别？

A：标准网络监控只能报告IT预先定义的指标，超出阈值时告警，定位和修复问题仍需人工介入。AIOps则在可观测性的基础上引入更多AI与自动化能力，能更主动地处理问题，但仍存在局限——它对网络事件的上下文理解不足，甚至无法判断所分析的遥测数据是否有效，因此仍需网络专业人员确认其发现并执行修复。

Q2：AI网络智能体和AIOps有什么不同？

A：AIOps在问题处理上仍需人工介入验证，而AI网络智能体更进一步，能够自动检测并解决网络问题，无需人工干预。其原理是通过机器学习回顾历史网络性能，建立对网络正常运行状态的业务背景认知。不过，智能体目前更多停留于理论层面，缺乏人类网络工程师的实操经验，建议先在低风险、高可预测的网络环境中试点部署。

Q3：企业在过渡到新网络管理工具时应该怎么做？

A：企业应遵循五项最佳实践：首先全面盘点现有工具，淘汰功能重叠的工具并标准化工具集；其次与厂商对接，评估其是否具备清晰的演进路线图；再次为团队提供AIOps相关技能培训，并做好流程文档记录；然后谨慎、小范围地试点部署AI网络智能体；最后评估遗留工具的持续价值，避免盲目淘汰仍在有效运作的系统。