2012年，Google 公司正式提出“知識圖譜”這一概念，旨在幫助用戶能夠更快更簡單地發現新的信息和知識。自此以後，“知識圖譜”這個詞彙頻繁出現在江湖之上，或者掀起學術鴻儒相聚一堂的討論熱潮，或者推翻歷經幾十載的行業理念給予重新定義。人們各抒己見，高談闊論，一時百家爭鳴。
什麼是知識圖譜：
為了解決語義理解的困難，Tim Berners-Lee 等人於2001年提出了語義網的概念，由此打開了世界範圍內語義網研究的序幕。知識圖譜在發展歷程中，被人們稱為語義網真正意義上的一款殺手級應有產品，極大地推動了語義網、自然語言處理、數據庫等相關技術的發展。可以說，語義網的迅猛發展，與知識圖譜的誕生，具備著相輔相成的關係。
● 知識的數據化：
在互聯網時代，人類在與自然和社會的交互中生產了異常龐大的數據，這些數據中包含了大量描述自然界和人類社會客觀規律的有用信息，這些信息以圖片、聲音、文字、視頻等各種載體表示和存儲。知識便這樣蘊含在了數據之中。
● 數據的知識化：
雖然大量的信息都存儲在互聯網中了，但是它們都是以非結構化的形式存儲和傳播的，為了讓計算機能夠處理這些信息，就需要理解這些非結構化形式數據蘊含的語義，分析其中的語義單元之間的關係，從而將其轉換成結構化形式。當數據得到系統的結構化後，便轉變成了結構化的知識。
● “兩化”構成知識圖譜：
通過科學研究發現，圖是一種能有效表示數據之間結構的表達形式，因此，把數據中蘊含的知識用圖的結構進行形式化表示。數據的結構化與已有的結構化數據進行並和關聯，就構成了知識圖譜。
知識圖譜有什麼作用？
知識圖譜的先天性優點：
● 語義表達能力豐富，能夠支持很多知識服務應用任務。知識圖譜源於語義網絡，是一階謂詞邏輯的簡化形式，並在實際應用中通過定義大量的概念和關係類型豐富了語義網絡的內涵。一方面，它能夠描述概念、事實、規則等各個層次的認知知識；另一方面，它也能夠有效組織和描述人類在自然環境和社會活動中形成的海量數據，從而為各類人工智能應用系統奠定知識基礎。
●
描述形式統一，便於不同類型知識的集成與融合。知識圖譜以語義網的資源描述框架規範形式對知識體系和實例數據進行統一表示，並可以通過對齊、匹配等操作對異構知識進行集成和融合，從而支撐更豐富。更靈活的知識服務。● 表示方法對計算機友好，支持高效推理。推理是知識表示的重要目標，傳統方法在進行知識推理時複雜度很高，難以快速有效地處理。知識圖譜的表示形式以圖結構為基礎，結合圖論相關算法的前沿技術，利用對節點和路徑的遍歷搜索，可以有效提高推理效率，極大降低計算機處理成本。
● 基於圖結構的數據格式，便於計算機系統的存儲與檢索。知識圖譜以三元組為基礎，使得在數據的標準化方面更容易推廣，相應的工具更便於統一。結合圖數據庫技術以及語義網描述體系、標準和工具，為計算機系統對大規模知識系統的存儲與檢索提供技術保障。
我們不難發現，知識圖譜對於知識服務有重要的支撐作用，能夠將傳統基於淺層語義分析的信息服務範式提升到基於深層語義的知識服務。因此，學術界和工業界都給予知識圖譜高度關注，將其作為新一代人工智能的基礎設施。
智能運維需要知識圖譜嗎？
眾所周知，智能運維（ Artificial Intelligence for IT Operations，以下簡稱 AIOps ）是 Gartner 在2016年提出的一個運維理念，通過融合 IT 數據，打破數據信息孤島、對監控、自動化、服務檯進行支持，使得 IT 能夠更好地支撐業務，利用大數據技術以及機器學習技術，回答以前很多單從業務口徑，或者單從 IT 口徑無法回答的問題。如對於運營商而言，哪種用戶轉化率較高。AIOps 以創造商業價值為導向，對 IT 運營以及業務運營產生持續洞察，為 DevOps 提供持續反饋，加快企業在競爭日趨激烈市場環境中，數字化轉型的步伐。
智能運維需要依託人工智能技術，那麼身為人工智能基礎設施的知識圖譜自然不可或缺。我們通過實體舉例，來一窺其中究竟。
從全球AIOps廠商來看，目前主要有兩大最熱門的流派：
1． 時序指標流派：選擇這個路線的前身大多都是做監控系統的，比如國外的 Appdynamic 、Newrelic 、Datadog，國內的 OneAPM 、聽雲、雲智慧等，他們利用時序數據作為 AIOps 的數據源，落地的場景多為單指標時序預測、多指標時序預測、單指標異常檢測、多指標異常檢測。
2．事件流派：選擇這個路線的廠商前身大多都是做日誌分析的，比如國外的 Splunk 、國內的日誌易、擎創等。他們採用文本型數據作為 AIOps 平臺的數據源，落地場景集中在事件降噪、事件發現、事件抑制等領域。當然也會嘗試做一些高級功能，例如事件根因分析，異常事件發現、事件解決方案推薦等。
我們可以看出無論採用哪種方式做 AIOps，隨著落地場景的不斷深入，就會遇到一些瓶頸。比如對於用時序指標來做 AIOps 的廠商而言，由於用戶的數據種類繁多，特徵各異，是不可能只使用某種單一算法來解決的。因此我們可以利用知識圖譜描述形式統一，便於不同類型知識的集成與融合的特點，在實際生產中，快捷地將時序指標和算法精準地結合起來，大幅提升效率。
再比如對於日誌分析廠商來說，一個典型場景是通過日誌數據流來做事件根因分析，知識圖譜基於圖結構的數據格式，便於計算機系統的存儲與檢索，能夠快速提供生產系統裡面應用和組件之間的關聯和承載關係，使出來的結果數據更加精確，更為精準。
因為知識圖譜豐富的語義表達能力，和對計算機友好的表示方法，我們可以建立企業自己的知識圖譜，幫助企業不斷收集基於實際生產環境的運維知識沉澱，例如硬件屬性信息，應用拓撲關係，系統配置信息等。進一步看到數據背後的真實含義和相互關係。
因此，所有智能運維服務商，都應該在現在，或者未來搭建自己的知識圖譜。
沒有知識圖譜，智能運維之路事倍功半，難有建樹；擁有知識圖譜，既能完善現有體系，又能百尺竿頭、更進一步。
基礎設施的搭建，可早不可晚，願業內同仁早早矚目，抓住時代機遇，搶佔智能運維先機，共築AIOps的輝煌之路。
本文由“睿象雲”原創，轉載請註明來源。
