本研究聚焦于AIOps在运维团队中的实施实践，由腾讯游戏AIOps技术负责人在GOPS全球运维大会2020·深圳站进行分享。报告从腾讯游戏DataOps与AIOps的发展历程、日常运维工作中的实际案例分析、以及AIOps在运维工作中的服务模式三个维度，深入探讨了腾讯游戏在AIOps领域的实践经验和成果。
腾讯游戏DataOps与AIOps的发展历程： 腾讯游戏技术运营团队成立于2003年，随着游戏业务的不断扩展，团队经历了从平台产品化、D/O分离、运营开发团队的成立，到基于PaaS模式的运维开发转型等关键阶段。自2015年起，团队开始探索DataOps与AIOps，至2017年已初具行业影响力，至2019年团队规模已扩展至400余人。DataOps与AIOps的发展历程反映了技术运营的演进、团队规模的扩张以及行业影响力的增强。
日常运维工作中的实际案例分析： 报告详细阐述了AIOps在腾讯游戏日常运维工作中的应用实例，涵盖游戏地图设计支持、游戏运营危机事件的化解、用户体验的提升、运维工作效能的增强、运维监控方式的变革以及异常日志的发现指导等方面。 1. 游戏地图设计支持： - 利用坐标映射和线性回归算法，实现了场景坐标系与像素坐标系的映射，从而优化游戏地图设计。 - 数据流程涉及数据采集、处理与分析，算法模型应用包括线性回归模型，游戏策划通过数据可视化和优化建议进行应用。 - 优化案例展示了楼梯侧方位置设计的改进，有效提升了玩家体验。 2. 游戏运营危机事件的化解： - 针对恶意信息泛滥问题，面对数据量大、检测速度慢、语法变种多、扫描流程繁琐等挑战，采用屏蔽词表、字音库、字形库、过滤器、模糊筛选、AC自动机等技术，显著提高了检测效率。 - 扫描效率的前后对比表明，拼音扫描模式和标准扫描模式的扫描速度得到了显著提升。 3. 用户体验的提升： - 针对某大型MOBA类端游的掉线问题，通过应对数据格式不规范、海量数据处理等挑战，采用数据上报、清洗、需求分析等方法，有效提升了用户体验。 - 数据需求涵盖目标信息、基础属性、交叉数据等，数据处理包括随机森林预测、重点维度筛选、相关性分析等。 - 优化效果表明，重连失败率和掉线玩家转化率得到显著改善，业务收益包括提升玩家留存率和减少投诉。 4. 运维工作效能的增强： - 针对扩容缩容过程中人力投入巨大的问题，通过建立模型、预测、调整参数等方法，采用快、准、高质量的执行系统，显著提升了运维工作效能。 - 原理涉及数据源、数据清洗、数据预处理、最小二乘法、机器学习平台等，效果显示智能运维在扩容缩容方面的显著优势。 5. 运维监控方式的变革： - 实现无需人工配置策略，覆盖更多复杂场景，告警准确性得到提升。通过曲线分类、算法原理、模型训练、模型应用等方法，改变了运维监控的工作方式。 - 应用案例包括不同指标的告警策略优化，效果显示智能运维在告警准确性和效率方面的提升。 6. 异常日志的发现指导： - 通过原始日志、向量化日志、实现流程等方法，指导运维发现异常日志。应用案例包括日志分析和异常检测，效果显示智能运维在日志分析方面的优势。
AIOps在运维日常工作中的服务模式： 报告最后探讨了AIOps在运维日常工作中的服务模式，针对业务多样性、场景多样性、需求差异性大的情况，提出了相应的服务提供策略。服务模式包括： 1. 业务多样性下的服务提供策略。 2. 场景多样性下的服务提供策略。 3. 需求差异性大的服务提供策略。
本研究为AIOps在运维团队中的实施提供了丰富的实践经验，展示了如何运用DataOps与AIOps技术提升游戏运维的效率和质量，解决实际工作中的挑战，并为其他企业提供可借鉴的实践路径。
| 
转播
分享
淘帖
()