一、业务迁移引发运维新需求

在数字化转型的浪潮中，国网四川省电力公司信息通信公司作为四川电力系统的核心技术支撑单位，肩负着保障电力核心业务稳定运转的重要使命。随着2020年华为云平台建成并投入使用，公司业务系统逐步向云原生架构迁移。至2024年，营销2.0系统完成云上迁移，标志着核心业务全面转向云原生模式。

这一转变虽然提升了业务灵活性，却也带来了新的运维挑战。云平台规模庞大，承载了约4400台虚拟机和1700个容器节点，运行着营销2.0、门户系统、电力交易系统等关键业务，其稳定运行直接关系到电力服务的连续性和用户体验。

二、复杂云环境下的四大运维难题

随着云原生架构的深入应用，对日常运维保障的精细化与智能化提出了更高要求。

2.1 监控覆盖范围需进一步整合与提升

当前主机、平台、网络采用多种监测方式并行，但单一监控方案均存在功能局限性，无法实现全设备、全场景的全覆盖监测，存在明显的监控盲区，难以满足复杂云环境下的综合监测需求。

2.2 云内虚拟网络可视化能力待强化

华为云平台作为新型云网络架构，其内部网络与主机性能监测机制尚未完善，传统 NPM（网络性能监控）技术依赖交换机端口镜像，无法对云平台内部虚拟网络进行有效监管，导致底层网络运行状态处于 “不可见” 状态。

2.3 跨云与深层链路的感知能力待拓展

现有华为云 APM（应用性能监控）仅能实现主机应用层访问情况的监测，无法深入覆盖华为云底层网络运行状态、云主机深层运行情况，且仅能针对华为云平台本身进行监测，无法实现云上与云下业务网络运行情况的统一管控。

2.4 云原生架构下的运维机制待转型升级

营销2.0系统从传统物理服务器架构迁移至云平台架构后，原有底层运维方式已无法适配新的云原生架构，亟需建立与之匹配的流量监测及业务应用流量监测机制，保障运维工作的有效性。

三、以可观测性构建解决方案

为应对这些挑战，公司创新性地构建了基于 DeepFlow 可观测性平台的智能运维解决方案。该方案以 DeepFlow 可观测性平台为数据底座，构建了基于 AI Agent 技术的智能运维体系，实现了电力 IT 系统运维的智能化升级。同时实现对华为云平台营销2.0系统关键节点的全覆盖监测，包括系统相关的虚拟机、容器节点、网络链路等关键资源。

DeepFlow 可观测性平台基于 eBPF 的零侵入采集技术，无需修改应用代码即可采集全栈数据，通过 AutoTracing 技术自动生成分布式调用链路，深度解析网络协议构建服务依赖拓扑。集中存储指标、日志、链路、流量四类数据，形成统一的数据湖，为上层 AI 分析提供坚实的数据基础。

3.1 AI 技术层

在 AI 技术层面，系统构建了包含1000多个故障案例、80多个运维 SOP、250多个配置基线的知识库系统。

• 采用 RAG 检索增强生成技术，实现语义级知识匹配，并建立持续学习机制，自动从运维实践中提取新知识，动态更新知识图谱。
• 动态思维链引擎将复杂问题分解为子任务序列，进行多步推理，根据中间结果动态调整推理路径，同时验证多个假设分支，输出完整的可解释推理过程。
• MCP 协议统一封装了告警查询、配置变更、指标分析等运维工具，所有操作在安全沙箱中执行，支持审批和回滚机制。

3.2 技术架构

在技术架构上，方案采用“可观测性+智能体”的分层设计，通过 DeepFlow 全链路监控工具和可观测平台实现对传统 IT 系统与云原生环境的统一数据采集，在此基础上构建可观测性智能体，实现从数据感知到智能决策的完整闭环。

3.2.1 应用系统与基础设施层

是整个架构的数据源头，包含四川电力的业务应用和云管平台。业务应用层涵盖生产控制、营销服务、调度管理等核心系统，云管平台统一管理网络、云资源、容器和安全等基础设施。该层既包括传统架构的单体应用，也包括基于 Kubernetes 的云原生微服务，形成混合 IT 环境。02

3.2.2 全链路监控工具/可观测平台层

基于 DeepFlow 技术构建统一的数据采集和存储能力。该层通过数仓整合来自网络、系统、应用、分析、日志等五个维度的数据，采用 eBPF 零侵入技术实现对传统应用和云原生应用的全覆盖采集。平台自动完成指标、日志、链路追踪和网络流量的关联分析，将分散的数据孤岛转化为统一的数据视图，并通过数据流集向上层智能体提供实时数据供给和历史数据查询能力。

3.2.3 可观测性智能体层

采用三层架构实现 AI 驱动的智能运维。感知层包括感知工具、感知知识、特征提取工具和模式识别工具四大模块，负责从海量可观测数据中识别异常模式和提取关键特征。推理层集成规则推理、大语言模型和长短期记忆三种推理机制，其中大语言模型基于电力行业运维知识进行垂直领域优化，长短期记忆模块实现对历史故障模式的学习和知识沉淀。执行层包括建议工具、任务编排、配置工具和校验工具，负责将推理结果转化为具体的运维操作，通过 MCP 协议标准化工具调用接口，确保操作的安全性和可审计性。

3.2.4 交互层

为不同角色提供差异化的服务界面。ChatUI 提供自然语言交互能力，运维人员可以用日常语言查询系统状态和诊断故障。场景编排支持将常见运维场景封装为标准化流程，实现一键执行。历史归档保存完整的诊断过程和决策依据，支持事后审计和经验复用。知识库持续积累运维知识，包1000多个故障案例、80多个运维 SOP 和250多个配置基线。系统管理提供权限控制、审计日志和配置管理等管理功能。

整个架构的数据流转路径清晰高效。底层应用系统和基础设施产生的各类数据，通过 DeepFlow 可观测性平台完成采集、清洗和关联分析后，实时推送到智能体的感知层。感知层识别异常并提取特征后，推理层基于知识库和大语言模型进行多步推理，构建故障传播图谱并定位根因。执行层根据推理结果生成修复建议或直接执行自动化操作，操作结果反馈到知识库形成经验沉淀。实现了从数据采集、异常识别、智能推理到自动执行的端到端智能化运维闭环。

四、实现效率与收益双提升

运维效率显著提升：通过全链路追踪与可视化能力，故障定位时间大幅缩短，复杂业务故障可在10分钟内完成根因分析，较原有方式效率提升10倍以上；拓扑自动化绘制与性能指标可视化功能，使运维人员直观掌握业务访问关系与运行状态，降低运维复杂度。

资源配置持续优化：基于监控数据识别无请求虚机等资源浪费场景，助力公司回收数百台虚机资源，最大化资源使用收益；通过监测数据复用，为营销2.0系统运行优化提供精准决策支持，优化公司整体资源配置。

运营成本有效降低：故障解决时间缩短减少了维护人力与时间成本；资源利用率提升降低了硬件投入与能耗成本；无侵入式部署避免了系统改造与应用重启带来的间接成本，整体运营成本显著降低。

系统稳定性全面增强：实现营销2.0系统关键节点的全覆盖监测与实时告警，及时发现并处置运行隐患，系统响应速度与运行稳定性大幅提升，有效避免因系统故障导致的业务中断。

五、赋能能源行业数字化转型

通过部署 DeepFlow 可观测性平台，公司显著提升了营销2.0等核心系统的稳定运行与智能化保障能力，为电力连续可靠供应筑牢技术底座，积极践行社会责任。同时，“可观测性 + 智能体”的创新实践，为能源行业数字化与智能化转型提供了可落地、可复制的示范样板。