隨著網際網路、5G、IoT等技術的飛速發展，全球大型數據中心數量將以3.6%的複合年增長率增長，數據中心規模不斷擴大，數據中心伺服器規模已經達到10萬級，這不僅需要更多的運維工程師，給企業增加運維成本，同時給運維工程師也帶來了極大的難度和挑戰：如何及時發現異常設備？異常根因是什麼？故障是否能自愈？是否能預測故障？性能趨勢是什麼？如何決策？
運維發展歷程：人肉運維、自動化運維和智能運維
早期的運維工作，大部分是由運維工程師手工完成，這被稱作人肉運維。伺服器運行狀態，全靠運維工程師每日肉眼查看，進行問題定位與解決。自動化運維應運而生，大大提升了發現異常設備的效率，降低了運維成本。但是，面對故障根因、故障預測、性能趨勢和控制決策，自動化運維力不從心。
Gartner在2016時提出了智能運維（Artificial Intelligence for IT Operations）的概念，並預測到2020年，智能運維的採用率將高達50%。從伺服器運維的角度來分析伺服器智能運維，目標就是通過對帶外信息（配置信息、狀態信息、性能信息、日誌等）和帶內信息（配置參數、性能信息、日誌信息）進行採集，通過機器學習的方式來解決運維問題，提高系統預警能力和穩定性，降低運維成本，提高運維效率。
異常快速檢測，問題準確告警
在伺服器運維中，異常檢測是根本，常見的有三大監控數據：狀態指標、性能指標和日誌數據，狀態指標一般誤報率較少，而傳統性能指標的設置閾值，常常某一時刻產生噪點數據而產生誤報；對於周期性變化的數據又無法進行動態調整，也常常產生誤報，大大降低了告警的準確性。日誌一般是半結構化數據，根據日誌級別產生告警，其準確性極差，並且只能檢測到已知和確定模式的異常。
浪潮伺服器智能運維採用無閾值告警，無需人為設置閾值，通過對時序數據進行去噪、升維、方差等處理後，經過神經網絡、LSTM、隨機森林等算法進行動態的學習，達到對監控的性能指標，自動、實時、準確的識別出異常數據。對於日誌的處理，通過對單條日誌的語義識別和日誌文件的時序識別方式，經過自然語言、專家系統、神經網絡、深度學習等算法進行訓練或者維護，從而不斷完善，達到日誌異常的準確檢測。
故障智能處理，輕鬆運維so easy
智能故障診斷是建立在異常檢測之上，有了準確的異常檢測，通過綜合各個異常指標進行數據的融合、過濾、權重等處理，使用神經網絡、SVM、隨機森林等智能算法，尋找問題根因，給出問題解決方案，使得運維工程師能夠分鐘級解決問題。
智能故障預測是對設備某一部件的性能數據和狀態的動態檢測，對原始數據進行數據挖掘，尋找特徵數據建立數學模型，使用神經網絡、SVM等智能算法進行在線/離線訓練，形成預測模型。在部件發生故障前，感知故障，從而避免業務宕機，提高系統穩定性。
智能故障自愈是指故障確認後或者預測到故障時，無需人為幹預，能夠通過重啟、配置或者一定的流程，使得系統能夠恢復正常。故障自愈，需要維護一定的規則或者對故障進行標記，經過神經網絡、SVM等算法進行訓練，形成自愈模型，實現系統的故障自愈。
智能決策，感知未來發展
浪潮伺服器智能運維工具可對伺服器的性能數據進行預測，經過ARIMA、最小二乘法、指數平滑、LSTM等智能算法，能夠感知系統在未來幾個小時、幾天或者一年的數據的走勢、增長量或者周期性變化等，不僅為人工預測或者智能決策提供基礎數據，還能夠為業務系統提供優化建議。
浪潮伺服器智能決策是建立在異常檢測、故障診斷、故障預測、性能預測等之上，通過建立數據模型，經過神經網絡、深度學習、專家系統等智能算法的不斷學習，形成決策模型，無需人為幹預，對伺服器的配置參數進行智能調整，版本基線的升級/回退等決策，從而達到系統性能最優、異常最少、功耗最低等效果。
例如監控伺服器運行的性能，在業務少的時候，可以將伺服器功耗降低，在集群方式下，甚至可以進行伺服器關機操作，在業務量大的時候，將伺服器性能調整至最優等智能決策。在整機櫃/機房中，功耗的管理，當伺服器都處於滿載時，伺服器的功耗是否超越了整個機房或者機櫃的最大功耗，超越之後如何進行智能決策等。
智能推薦，發掘無限價值
智能推薦是對平臺大量數據的統計、計算、分析和挖掘等處理，建立數據模型，通過神經網絡、深度學習、最小二乘法、SVM等智能算法，建立推薦模型，實現對整個數據中心進行分析和預測，來指導客戶決策伺服器下架、備件量、擴容量、縮容量、採購廠商等。例如某一型號伺服器的故障率過高，維護費用相應增高，建議下架，又由於業務的增長，需要採購新的伺服器，通過智能算法評估採購量，進行推薦。
目前，浪潮依託自身技術優勢，已自主研發了一系列自動化、智能化伺服器管理軟體集，從伺服器上架、配置、部署、監控、故障分析等實現了全生命周期運維管理。其中ISPIM（浪潮物理基礎設施管理平臺）突破了大規模基礎設施智能管理平臺的分布式網格架構、高性能數據採集框架及智能分析系統、無狀態管理技術，實現大規模伺服器的全生命周期的智能管理。