通过对真实 IT 环境的参与者建立模型，有目的的获取相关 IT 数据，并基于获取到的数据持续优化获取的数据和方法，以实现对真实 IT 实时完整的监控。
传统的监控方式是被动的，通过被动采集是不可能采集到所有数据的，无法保证数据的真实完整。如果能够对所有的IT参与者进行建模，通过模型去感知真正参与者的身份什么样的、有哪些数据，就可以采集到更加实时和完整的数据。
1）主动感知建模主动感知的建模涉及到本地建模和全局建模。本地建模只需要关注IT参与者是什么，比如一个职场、一个主机；全局建模需要考虑全国有多少个职场、都分布在哪里、如何将它们联动起来。
2）主动感知的动作主动感知的动作包括两个方面：有主动筛选的被动感知和有主动行为的主动感知。
有主动筛选的被动感知，比如网卡流量数据都是实时监控的，但我并不会把所有数据都收集起来，只有在数据陡增或出现异常时才会收集，这就是主动筛选。
有主动行为的主动感知，在真正获取环境数据时，只是粗略获得一些内网中机器的端口，如果发现有端口是危险的，就会对这些端口进行细致的探测，包括发一些协议请求去模拟这些行为，这就是有主动行为的主动感知。
3）主动感知的方法主动感知的方法有两种：基于规则和基于智能算法（比如贝叶斯决策树）。基于规则的方法是目前使用最多的。
4）主动感知的数据类型主动感知的数据类型包括画像数据、参与者与参与者之间的关联关系、主动筛选和主动行为的细节捕捉、定位跟踪等。
5）主动感知系统主动感知系统包括全网Agent、业务Agent、网络Agent、应用Agent，这些都是我们的感知器。
4.5 全网感知模型
用一个例子来细化什么是分布式主动感知。
全网感知的背景：宜信在全国各地有很多职场，这些职场都是重要的参与者，每个职场里有很多业务人员在使用业务系统，需要对这些职场进行监控。
我们用分布式主动感知的方法，首先建立模型，即职场网络。在职场放一个Agent，因为职场分布在全国各地，本身是全网的，因此称之为全网Agent。感知的内容包括出口有哪些；网络、身份识别；这个网络有多大；边缘探测；还包括内部一系列的统计数据，同时还会做内部内网的风险监测，甚至会通过模拟数据、诱导攻击来发现内网是否存在安全隐患。
4.6 全网感知应用
全网Agent获取当地职场信息，包括出口、网段、地理位置和运营商信息，并反馈到拓扑和图谱中，同时ITSM会管理所有的组织和职场信息，这些职场身份信息和主动感知的Agent反馈的信息结合，绘制出一个准确而详细的拓扑/图谱。
全网Agent从网络中获取并反馈所有职场设备及其分布情况。
全网Agent会嗅探风险端口、扫描攻击，并反馈风险的细节扫描数据。
全网Agent会将网络统计数据反馈到系统中，帮助完善拓扑和监控。
我们可以通过网格数据加上职场身份给不同 Agent加上不同的监测模拟配置，由Agent发起模拟监测的数据。当发现异常时，可以从全网获取更详细的拓扑网络监测和密集系统检测数据。
上图展示的是我们全网感知的一些示例，包括职场信息、组织信息、模拟监控数据、动态监测配置，不展开细述。
4.7 网络感知模型
上图展示的是网络感知模型，我们首先进行建模，建模的点，也就是网络的参与者，即每个交换机，并实时监测和扫描网络内部所有服务器。通过这个模型可以直观且实时看到异常细节数据，保证网络质量。
上图展示了网络感知的示例。
4.8 主机/应用/业务感知
除了上述应用以外，还有主机/应用/业务感知等等。
主机感知。出现异常时，异常时感知反馈进程、IO、网络 Dump 细节信息。
应用感知，根据运行状态动态调整采集密度和方法。
应用感知，包括主动业务异常捕捉和上报。
4.9 收益
分布式主动感知的收益包括：
更丰富的画像和拓扑
更有价值的监控数据
知识图谱
根因分析
异常检测
4.10 问题与前景
主动感知在AI领域的应用已经有很多成功案例，但在AIOps领域还是新兴事物，还存在很多问题：
缺乏理论支撑
缺乏智能的感知算法
主动感知数据对学习算法的挑战
较高的实施成本
2）前景AIOT带来的前所未有的运维数据爆炸
商用领域越来越丰富的算法应用降低落地门槛
SD(X) 系列的普及
IOT 带来的边缘智能未来
五、社区