杜烨磊

关于开源工具与专有工具的争论早已不是什么新鲜事。但在AIOps工具方面，还有其他一些特殊的因素需要考量。

AIOps工具市场不仅特别复杂，而且相关工具总是有着很多独特的性质，例如需要访问敏感数据，往往进一步影响到采購方在评估方面的具体判断。

在深入探讨开源与专有问题之前，首先需要明确定义何谓AIOps工具，以此为基础，再比较2类工具，尝试解释企业应当结合哪些因素在开源与专有AIOps方案之间做出抉择。

作为一个流行词汇，不同的人往往对AIOps有着不同的定义与理解。本文中，将AIOps定义为使用人工智能（AI）或机器学习的一切IT工具或服务。很明显，这是一种相当宽泛的定义方法，也有部分供应商及分析师认为，工具必须要用到复杂的AI与机器学习算法，才有资格被列入AIOps阵营。但是，随着AIOps市场的迅速发展，不妨把标准放宽一点。某些工具虽然未被明确划定为AIOps平台，但采购方很可能就是想把它当成AIOps工具来使用。对于这类情况，坚持狭义AIOps定义显然不利于做出确切的判断。

开源AIOps工具

就目前来看，只有少部分开源项目将自身标榜为AIOps，但不少开源平台提供的某些功能完全符合AIOps的理念。例如，使用数据分析（在一定程度上）实现工作流程编排自动化的Kubernetes正是AIOps平台的重要特征，Nagios及Zabbix等开源监控平台也能够提供一部分AIOps基本分析功能。此外，各类开源编程语言模块或框架，如PyTorch与TensorFlow也有助于实现AIOps功能，而这些显然不算是完整的AIOps平台。

从各个角度来看，支持开源AIOps工具的观点与支持整个开源生态的思路基本相同，与专有替代方案相比，开源AIOps工具往往成本更低、更易于修改或自定义，同时也降低了供应商及平台锁定的风险。……