防患于未然：避免IT事故遠比補救措施更加重要
譯文【51CTO精選譯文】應用程序性能管理起來既變化多樣、又復雜難馴。時至今日，IT部門為了滿足業務形勢的各種需求，不得不在意外情況實際發生前就對問題進行預判，并詳細規劃修復故障可能耗費的時間——也就是MTTR（即平均修復時間）。換句話來說，僅僅及時做出反應已經無法取悅消費者，現在技術人員必須在用戶尚未感受到之前，就將問題扼殺在萌芽狀態。
歷史在前進、形勢在變化
云遷移、移動技術、BYOD等多種新興技術趨勢都帶來了極度復雜的管理機制，這就迫使IT部門不能再滿足于傳統的識別及修復工作，而需要走在問題的前面。現在，技術團隊必須能夠預測可能出現的情況、了解評估故障可能需要的時間，并最終實現關鍵性業務應用程序始終擁有最佳性能表現。事實上，各種跡象表明我們甚至已經初步擁有了能夠在故障實際發生之前就將其解決的先進技術能力。
如今以MTT開頭的縮寫詞家族可謂人丁興旺，從平均診斷時間（簡稱MTTI）、平均修復時間（簡稱MTTR）再到最新的平均預測時間（簡稱MTTP）——每個新生詞匯都代表著市場向技術團隊提出的新要求，這種迅猛的變化趨勢確實令人頭痛?？梢哉f以上三套基準都意義重大、極具價值，標志著技術運營的階段性發展方向，而企業用戶最關心的自然是這些突破性技術如何才能真正融入日常工作。在競爭壓力下，IT部門不得不將負責范疇進一步擴大，嘗試在故障發生之前就將其解決——這將進一步降低技術工具對終端用戶的技能需求，使整套業務方案更為易用。
可預測性已經成為應用程序性能管理工作中的關鍵環節，而且技術分析人士已經不再滿足于僅僅對處理時間做出預估。目前我們還只是對應用程序使用情況進行分析，但新時代的技術團隊能夠緊密追蹤宏觀行為模式。此外，整個分析流程都必須以自動化方式進行，因為面對如此規模的計算量，人力根本無法帶來任何幫助。當然，這只是一種展望，目前我們還不能完成如此復雜的自動化處理工作。
就在不久前，汽車愛好者們還喜歡在引擎蓋下面大做文章，希望能榨干自己改裝車發動機的最后一點潛能。如今，隨著機動車整體運轉機制的復雜性與自動化芯片的廣泛使用，隨便拿套工具就能為愛車加力的日子一去不復返了。與之類似，今天的企業級應用程序堆棧也面臨著同樣的問題——太過復雜精密、難以按需修改。
自動化實時預測分析技術如今迎來了發展過程中的全新篇章，其中以云基礎及混合環境為代表，這幾乎徹底改變了應用性能管理領域的游戲規則。因此，我們不妨以改裝愛車的熱情來看待應用性能管理所面臨的技術風潮——這種突破性理念不僅能夠幫助IT部門專注于創新及業務支持、緩和設施故障，更使技術人員得以利用預測來代替修復、擺脫操作干擾，同時用戶也能獲得值得依賴的應用程序性能預估結論。
（來源：《預測分析：讓您的數據倉儲投資更具經濟價值》，摘自由Wayne Eckerson于2007年第一季度撰寫的《TDWI最佳實踐報告》。轉載已獲許可，TDWI研究詳細內容請訪問tdwi.org網站。）
很長一段時間以來，“向云環境遷移”、“IT消費化趨勢”、“混合型IT環境”以及BYOD等話題都被視為技術話題的重心，其中無疑存在大量炒作傾向。不過我們仍然要承認，這里提到的每一個話題都擁有改變游戲規則的力量，同時也為現有業務系統帶來諸多創新空間與技術挑戰。說到挑戰，上述新技術給終端用戶帶來的技能要求可能是眾多問題中最難辨別也最難迅速解決的環節。
有鑒于此，預測概念的誕生就顯得更加重要。很多專家仍然鼓吹利用傳統的時間序列數據分析機制來進行問題診斷、安全提示或警報閾值——但他們顯然忽視了新形勢所帶來的新情況：隨著網絡化進程的普及與發展，分布式特性已經使應用程序的復雜性與關聯性大幅提升。
目前我們已經發現了一種相當有趣的方案，能夠對橫跨多種互聯端點的網絡負載行為及分布式應用程序產生深遠影響——它不僅能夠準確把握設備的處理速度，同時還能根據終端用戶的不同服務水平協議將資源進行合理分配。這套方案不同于以往的行為學習（簡稱BL）機制，它突破性地利用多種考核維度來分析應用程序的使用情況。這種名為使用模式的多用戶多事務行為管理方案將每一分鐘加以充分利用，意外情況再也不可能在技術人員的監管之外肆意妄為了。
應用程序行為學習（簡稱ABL）會捕捉并分析實時數據，及時反饋應用程序基礎設施中各層的實際性能狀態，并整理出終端用戶所感受到的真實使用體驗。ABL會針對應用程序性能創建出動態，同時利用統計相關性與模式匹配技術自動發現各基礎設施組件的性能閾值。閾值自動發現（簡稱ATD）方案能夠大大降低管理工作對人力的依賴并減輕配置工作負擔。
分析機制還提供早期預警功能，能夠深入探詢基礎設施關鍵性效能指標（簡稱KPI），并將異常情況及時反饋給管理人員。在預警功能的強大輔助之下，技術人員能夠更快地進行根本原因分析（簡稱RCA）工作以及自動修復流程。
ABL在對關鍵性應用程序性能指標的歷史及實時數據集進行匯總時，采用了相當復雜的分析算法。到目前為止，系統、數據庫及存儲管理者一直都在以手動方式利用這類方案進行監控及故障排查，這種“亡羊補牢”的笨辦法正是眼下的主流機制。ABL將問題檢測、故障排查重點以及生產環境下的爭議性問題等技術挑戰以自動化形式完成，這就回避了傳統分析方案的復雜性及人工效率低下等問題，同時保障了高性能事務處理應用始終擁有充裕的可用資源。
在引入ABL及預測分析機制之后，IT部門能夠專注于對每款應用程序進行性能優化，而不僅僅是優化底層設備。相較于過去需要在幾分鐘或者幾小時內完成問題檢測、事故修復并應對一系列多層環境的基礎設施中心型應用性能管理方案，預測分析機制能夠將工作強度控制在過去的數分之一。IT如今可以在問題發生之前就做出預測并加以防范——在某些停機情況下，事前準備能夠以五到十小時的時間節約量快速解決故障。
作者簡介：供職于Appnomic Systems公司的Manisha Arora是一位經驗豐富的產品管理副總裁，她在技術分析方面的驕人造詣與強大的人際交往能力使她不僅對IT問題游刃有余、更能夠有效與同事、客戶及其他管理人員溝通。多年來，她始終專注于進行業務應用開發及產品交付工作，由此積累的豐富經驗幫助企業獲得了巨大的利潤回報。Manisha在步入技術領域之初即擔任數據轉換領域的資深軟件工程師，其后她又成功依靠實踐心得相繼晉升為系統分析師及高級顧問。高超的職業技能幫助她迅速很快進入了宏道資訊公司的管理層，在此期間她致力于管理客戶關系，并以兩百萬美元的年收入當選年度百大財富高管。在加入Appnomic之前，她利用自己的才智與技巧在冠群電腦公司贏得了解決方案主管的職位。在職期間，她精心打理企業合作關系、營銷團隊及技術架構等事務，并在當年就一舉將該公司的企業級IT管理方案服務部署份額提高了一倍。
原文鏈接：
原文標題：Why Clean Up IT Accidents When They Can Be Prevented?
