CN117453137A - 云化智能运维系统数据管理系统 - Google Patents

Abstract

本发明公开了数据管理技术领域的云化智能运维系统数据管理系统，本系统可搭载在一个具备处理器的计算机上使用，包括：数据存储和处理模块：系统基于云平台，采用分布式存储方式，实时接收和处理大规模的运维系统数据；实时监控和预警模块：系统实时监控各个运维系统的状态和性指标，并提供友好的可视化界面，自动发出预警信息。云平台支持：采用云平台技术，实现分布式存储和计算，提高系统的灵活性和扩展性。实时监控和预警：系统能够实时监控各个运维系统的状态和性能指标，并能够在出现异常情况时自动发出预警信息。

Description

云化智能运维系统数据管理系统

技术领域

本发明涉及数据管理技术领域，具体是云化智能运维系统数据管理系统。

背景技术

数据管理是利用计算机硬件和软件技术对数据进行有效地收集、存储、处理和应用的过程。其目的在于充分有效地发挥数据的作用。实现数据有效管理的关键是数据组织。

现有的运维系统数据管理系统往往面临着以下挑战：数据存储、处理和分析效率低下，缺乏实时监控和友好的可视化界面，因此，本申请提出云化智能运维系统数据管理系统。

发明内容

本发明的目的在于提供云化智能运维系统数据管理系统，旨在提供高效的数据管理、实时监控和智能分析功能，以解决上述背景技术中提出的现有的运维系统数据管理系统往往面临着以下挑战：数据存储、处理和分析效率低下，缺乏实时监控和友好的可视化界面问题。

为实现上述目的，本发明提供如下技术方案：云化智运维系统数据管理系统，本系统可搭载在一个具备处理器的计算机上使用，包括：

数据存储和处理模块：系统基于云平台，采用分布式存储方式，实时接收和处理大规模的运维系统数据；

实时监控和预警模块：系统实时监控各个运维系统的状态和性指标，并提供友好的可视化界面，自动发出预警信息；

智分析和决策支持模块：系统采用机器学习和人工智算法，对运维系统数据进行深度学习和分析，通过对历史数据的挖掘和模式识别，提供智能化的故障诊断和优化建议；

所述系统还包括数据接收模块、数据存储模块、实时监控模块、预警模块和分析模块，数据接收模块负责实时接收各个运维系统的数据，并将其存储到云平台上的分布式数据库中，数据存储模块采用分布式存储技术，保证数据的高可靠性和可扩展性，实时监控模块显示各个运维系统的状态和性指标，并提供实时的图表和报表展示，预警模块通过设置合理的阈值和规则，在出现异常情况时自动发出预警信息，分析模块采用机器学习和人工智算法，对历史数据进行分析和学习，为运维人员提供智化的故障诊断和优化建议。

作为本发明进一步的方案：所述数据存储和处理模块还包括下述子模块：

数据存储和处理：系统基于云平台，采用分布式存储和处理技术，实时接收和处理大规模的运维系统数据；

数据采集和传输：系统配备高性能的数据采集模块，从多个运维系统中获取数据并进行实时传输；

数据分片和负载均衡：提高数据的读写效率和系统的容灾力，系统采用数据分片和负载均衡技术；

数据压缩和优化：降低数据存储的成本和提高数据的读写速度，系统采用数据压缩和优化技术；

数据备份和容灾：系统会定期对数据进行备份，并将备份数据存储在不同的物理节点上，以确保数据的安全性和可靠性；

数据迁移和追踪：满足不同运维系统的数据管理需求，系统提供数据迁移和追踪功能；

数据权限和安全：提供细粒度的数据权限管理功能，运维人员根据需要设置不同用户或用户组对数据的读写权限；

数据清理和归档：优化存储空间和性，系统提供数据清理和归档功能。

作为本发明再进一步的方案：所述实时监控和预警模块还包括下述子模块：

实时监控和可视化界面：系统提供实时监控功能，实时显示各个运维系统的状态和性指标；

自定义监控指标和阈值：系统允许运维人员根据具体需求，自定义监控指标和阈值；

预警信息的发送和通知：系统具备预警功能，在出现异常情况时发出预警信息；

预测性和趋势分析：系统会对历史数据进行分析和学习，基于统计模型和机器学习算法，预测系统的未来状态和新趋势；

异常事件的自动记录和分析：通过对异常事件的归类、分析和统计，系统提供详细的异常事件报告；

事件关联和自动化处理：当多个异常事件发生时，系统自动将它们进行关联，帮助运维人员快速追踪事件的起因和影响；

数据的回溯和历史查询：系统提供数据的回溯和历史查询功能。

作为本发明再进一步的方案：所述智分析和决策支持模块还包括下述子模块：

智数据分析：系统具备智数据分析功能，对大量的数据进行深入分析和挖掘；

自动化故障诊断：系统通过分析实时数据和历史数据，自动进行故障诊断；

智决策支持：系统提供智决策支持功能，帮助运维人员做出更明智和科学的决策；

异常时间自动化响应：系统自动响应异常事件，并执行适当的自动化操作；

智资源调度和优化：通过对系统资源的实时监控和分析，系统自动判断资源的利用情况和需求，并根据实际情况进行动态调整；

预测性维护：通过对设备状态和运行数据的分析，系统预测设备的寿命和故障风险；

数据可视化和报表分析：通过动态图表、热图和趋势分析可视化手段，系统帮助运维人员更好地理解数据和分析结果，并支持决策和优化的过程；

智协同和任务分配：系统具备智协同和任务分配功能，根据系统的运行状态和需求，智地分配任务给不同的运维人员。

与现有技术相比，本发明的有益效果是：

云平台支持：采用云平台技术，实现分布式存储和计算，提高系统的灵活性和扩展性；

实时监控和预警：系统能够实时监控各个运维系统的状态和性能指标，并能够在出现异常情况时自动发出预警信息；

智能分析和决策支持：通过机器学习和人工智能算法，提供智能化的故障诊断和优化建议，帮助运维人员提高工作效率和系统可靠性。

附图说明

图1为本发明云化智运维系统数据管理系统的系统结构示意图；

图2为本发明云化智运维系统数据管理系统中数据存储和处理模块的系统结构示意图；

图3为本发明云化智运维系统数据管理系统中实时监控和预警模块的系统结构示意图；

图4为本发明云化智运维系统数据管理系统中智能分析和决策支持模块的系统结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。

在本发明的描述中，需要理解的是，术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“设置”应做广义理解，例如，可以是固定相连、设置，也可以是可拆卸连接、设置，或一体地连接、设置。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

请参阅图1～4，本发明实施例中，云化智运维系统数据管理系统，本系统可搭载在一个具备处理器的计算机上使用，包括：

数据存储和处理模块：系统基于云平台，采用分布式存储方式，实时接收和处理大规模的运维系统数据；

实时监控和预警模块：系统实时监控各个运维系统的状态和性指标，并提供友好的可视化界面，自动发出预警信息；

智分析和决策支持模块：系统采用机器学习和人工智算法，对运维系统数据进行深度学习和分析，通过对历史数据的挖掘和模式识别，提供智能化的故障诊断和优化建议；

系统还包括数据接收模块、数据存储模块、实时监控模块、预警模块和分析模块，数据接收模块负责实时接收各个运维系统的数据，并将其存储到云平台上的分布式数据库中，数据存储模块采用分布式存储技术，保证数据的高可靠性和可扩展性，实时监控模块显示各个运维系统的状态和性指标，并提供实时的图表和报表展示，预警模块通过设置合理的阈值和规则，在出现异常情况时自动发出预警信息，分析模块采用机器学习和人工智算法，对历史数据进行分析和学习，为运维人员提供智化的故障诊断和优化建议。

优选的：

数据存储和处理模块还包括下述子模块：

数据存储和处理：系统基于云平台，采用分布式存储和处理技术，能够实时接收和处理大规模的运维系统数据。

数据采集和传输：系统配备高性能的数据采集模块，能够从多个运维系统中获取数据并进行实时传输。通过采用高效的数据传输协议和压缩算法，系统能够有效地减少数据传输的带宽占用和延迟。

数据分片和负载均衡：为了提高数据的读写效率和系统的容灾能力，系统采用数据分片和负载均衡技术。数据会被分割成多个块，并存储在多个物理节点上，从而充分利用分布式存储系统的并行处理能力。同时，系统会动态地调整数据块的分布和负载，确保系统的高可用性和高性能。

数据压缩和优化：为了降低数据存储的成本和提高数据的读写速度，系统采用数据压缩和优化技术。通过采用高效的压缩算法，系统可以显著减少数据的存储空间，并在数据读取时进行实时解压，以加快数据的读取速度。

数据备份和容灾：系统会定期对数据进行备份，并将备份数据存储在不同的物理节点上，以确保数据的安全性和可靠性。同时，系统还提供了容灾功能，当某个节点发生故障时，系统会自动切换到其他可用节点上，保证数据的连续可用性。

数据迁移和追踪：为了满足不同运维系统的数据管理需求，系统提供了数据迁移和追踪功能。运维人员可以根据需要将数据从一个系统迁移到另一个系统，并可以追踪数据的传输过程和状态，确保数据的完整性和一致性。

数据权限和安全：系统提供了细粒度的数据权限管理功能，运维人员可以根据需要设置不同用户或用户组对数据的读写权限。同时，系统采用加密和身份验证等安全技术，保护数据在传输和存储过程中的安全性，防止数据的泄露和篡改。

数据清理和归档：为了优化存储空间和性能，系统提供了数据清理和归档功能。通过设置合理的数据保留期限和归档策略，系统可以自动清理过期的数据，并将长时间未使用的数据归档到低成本的存储介质中，减少数据存储的成本和管理的工作量。

实时监控和预警模块还包括下述子模块：

实时监控和可视化界面：系统提供了实时监控功能，能够实时显示各个运维系统的状态和性能指标。通过友好的可视化界面，运维人员可以直观地了解系统的运行情况，并能够及时发现潜在的问题。

自定义监控指标和阈值：系统允许运维人员根据具体需求，自定义监控指标和阈值。运维人员可以根据系统的特点和运行环境，设置适合的监控指标，以便更全面和准确地监控系统的运行状况。同时，还可以设置合理的阈值，当指标超出阈值时，系统将触发预警机制。

预警信息的发送和通知：系统具备预警功能，能够在出现异常情况时发出预警信息。预警信息可以通过多种方式进行发送和通知，如电子邮件、短信、即时通讯工具等。预警信息中会包含详细的异常内容和位置信息，方便运维人员快速定位和处理问题。

预测性和趋势分析：除了实时监控，系统还能进行预测性和趋势分析。系统会对历史数据进行分析和学习，基于统计模型和机器学习算法，预测系统的未来状态和性能趋势。通过提前发现潜在问题和变化趋势，系统可以在问题发生前采取相应的措施，提高系统的稳定性和可靠性。

异常事件的自动记录和分析：系统能够自动记录和分析异常事件，并生成相应的报告。通过对异常事件的归类、分析和统计，系统可以提供详细的异常事件报告，帮助运维人员深入了解问题的根本原因和解决方案。

事件关联和自动化处理：系统能够实现事件的关联和自动化处理。当多个异常事件发生时，系统可以自动将它们进行关联，帮助运维人员快速追踪事件的起因和影响。同时，系统还可以根据预先设定的规则和策略，自动对一些常见的异常事件进行处理，提高运维的效率和响应速度。

数据的回溯和历史查询：系统提供了数据的回溯和历史查询功能。运维人员可以根据需要，查看过去一段时间的数据趋势和性能变化，以及异常事件的发生和处理过程。通过回溯和查询，运维人员可以更好地了解系统的历史情况，为问题的分析和解决提供依据。

智能分析和决策支持模块还包括下述子模块：

智能数据分析：系统具备智能数据分析功能，能够对大量的数据进行深入分析和挖掘。通过应用机器学习、数据挖掘和统计分析等技术，系统可以识别出隐藏的模式、趋势和关联规则，从而提供更深入和全面的数据分析结果。

自动化故障诊断：系统能够通过分析实时数据和历史数据，自动进行故障诊断。基于故障模式库和故障知识库，系统能够快速识别故障的类型和原因，并给出相应的解决方案。通过自动化故障诊断，系统可以减少人工干预的需求，提高故障处理的效率和准确性。

智能决策支持：系统提供智能决策支持功能，能够帮助运维人员做出更明智和科学的决策。通过对实时数据和历史数据的分析，系统可以提供决策建议和预测结果。运维人员可以根据系统提供的信息和建议，做出合理的决策，以优化系统的性能和资源利用率。

异常事件自动化响应：系统能够自动响应异常事件，并执行适当的自动化操作。当系统检测到异常事件时，系统可以根据预先设定的规则和策略，自动进行一系列的操作，如重启服务、调整配置参数等。通过自动化响应，系统可以快速恢复正常运行，减少人工干预的需求，提高系统的稳定性和可靠性。

智能资源调度和优化：系统能够智能地进行资源调度和优化。通过对系统资源的实时监控和分析，系统可以自动判断资源的利用情况和需求，并根据实际情况进行动态调整。系统可以自动化地分配和调度资源，以最大程度地提高资源的利用率和系统的性能。

预测性维护：系统能够进行预测性维护。通过对设备状态和运行数据的分析，系统可以预测设备的寿命和故障风险。系统会根据预测结果，提前制定维护计划和预防措施，以避免设备故障和生产中断，减少维修成本和提高设备的可靠性。

数据可视化和报表分析：系统提供数据可视化和报表分析功能，能够将分析结果以直观和易懂的形式呈现给运维人员。通过动态图表、热图和趋势分析等可视化手段，系统能够帮助运维人员更好地理解数据和分析结果，并支持决策和优化的过程。

智能协同和任务分配：系统具备智能协同和任务分配功能，能够根据系统的运行状态和需求，智能地分配任务给不同的运维人员。通过智能调度和分配，系统可以提高任务执行的效率和响应速度，同时也可以减轻运维人员的工作负担。

优选的，本发明中数据存储和处理中的数据处理方法如下：

数据采集和收集：系统通过各种数据采集设备和传感器，实时地采集和收集相关的数据。这些数据可以包括设备的实时状态、性能指标、日志文件、传感器数据等。系统能够自动识别和接收各种类型的数据，并将其存储到数据存储设备中。

数据清洗和预处理：系统对采集到的原始数据进行清洗和预处理。清洗过程包括去除重复数据、处理异常值、填补缺失值等。预处理过程则包括数据格式转换、数据归一化、特征提取等。通过数据清洗和预处理，系统可以提高数据的准确性和一致性，为后续的数据处理做好准备。

数据存储和管理：系统采用高效可靠的数据存储方案，将清洗和预处理后的数据进行存储和管理。数据存储可以采用传统的关系型数据库、分布式文件系统、对象存储等技术，以满足不同的存储需求。系统会根据数据的特点和访问需求，选择合适的存储方式和优化策略。

数据索引和检索：系统会对存储的数据进行索引和建立相应的索引结构，以支持快速的数据检索和查询。索引可以根据数据的关键属性、时间戳等进行建立，以提高数据的检索效率。系统可以根据用户的查询需求，通过索引快速定位和检索相应的数据。

数据处理和分析：系统具备数据处理和分析的能力，能够对存储的数据进行各种复杂的处理和分析操作。系统可以应用统计分析、数据挖掘、机器学习等方法，从数据中提取有价值的信息和知识。数据处理和分析的结果可以用于监控、预测、故障诊断、决策支持等方面。

数据可视化和呈现：系统能够将处理和分析的结果以可视化的方式进行展示和呈现。通过动态图表、热图、地图等可视化手段，系统可以直观地展示数据的特征、趋势和关联关系。数据可视化可以帮助用户更好地理解数据，并从中发现潜在的问题和机会。

数据安全和隐私保护：系统会采取相应的安全措施来保护存储和处理的数据。这包括数据加密、访问控制、日志审计、备份和恢复等措施。系统还会遵守相关的隐私法规和规范，保护用户的数据隐私和个人信息安全。

数据生命周期管理：系统会对存储的数据进行生命周期管理，包括数据的归档、迁移、删除等操作。通过合理管理数据的生命周期，系统可以有效地利用存储资源，提高系统的性能和效率。同时，也可以保护敏感数据的安全和隐私。

本发明中智能分析和决策支持的分析方法及决策支持方式如下：

智能分析方法：本发明中的智能分析方法包括以下几种：

机器学习算法：利用机器学习算法，系统能够自动识别数据中的模式和趋势，进行分类、回归、聚类等任务。通过对大量历史数据的学习，系统可以建立起预测模型，用于未来数据的预测和分析。

数据挖掘技术：系统可以应用数据挖掘技术，从大量数据中发掘潜在的规律和关联性。通过挖掘数据中的隐藏模式和知识，系统可以提供更深入和全面的分析结果，用于决策支持和优化。

统计分析方法：系统可以应用统计分析方法，对数据的分布、关联、相关性等进行分析。统计分析可以帮助系统理解数据的性质和特征，并提供相应的统计指标和报告。

自然语言处理技术：系统利用自然语言处理技术，可以对文本数据进行语义分析和情感分析。通过自然语言处理，系统可以从文本数据中提取出有用信息，进行情感分析和舆情监测。

决策支持方式：本发明中的决策支持方式包括以下几种：

决策建议：系统可以根据智能分析的结果，提供针对特定问题的决策建议。这些建议可以以可视化的形式展示，也可以以文字或报表的形式呈现。运维人员可以根据系统提供的建议，作出明智的决策。

预测和预警：系统可以根据智能分析的结果，进行未来的预测和预警。通过对历史数据的学习和分析，系统可以预测未来的趋势和可能出现的问题。运维人员可以根据系统提供的预测和预警信息，及时采取相应的措施，避免潜在的故障和问题。

自动化决策：系统可以根据预设的规则和策略，自动进行决策和执行相应的操作。通过预先设定的规则和策略，系统可以在特定条件下自动触发相应的决策和操作，提高决策的效率和准确性。

可视化决策支持：系统可以通过交互式图表、可视化工具和仪表盘等方式，提供直观和易懂的决策支持。运维人员可以通过可视化界面，直观地了解系统的状态和性能，并进行相应的决策和调整。

多场景决策支持：系统提供多场景的决策支持功能，可以根据不同的应用场景和需求，提供相应的决策支持。系统可以针对不同的问题和任务，提供个性化的决策支持方案，满足不同用户的需求。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。

上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。

Claims (4)

1.云化智运维系统数据管理系统，本系统可搭载在一个具备处理器的计算机上使用，其特征在于：包括：

数据存储和处理模块：系统基于云平台，采用分布式存储方式，实时接收和处理大规模的运维系统数据；

实时监控和预警模块：系统实时监控各个运维系统的状态和性指标，并提供友好的可视化界面，自动发出预警信息；

智分析和决策支持模块：系统采用机器学习和人工智算法，对运维系统数据进行深度学习和分析，通过对历史数据的挖掘和模式识别，提供智能化的故障诊断和优化建议；

所述系统还包括数据接收模块、数据存储模块、实时监控模块、预警模块和分析模块，数据接收模块负责实时接收各个运维系统的数据，并将其存储到云平台上的分布式数据库中，数据存储模块采用分布式存储技术，保证数据的高可靠性和可扩展性，实时监控模块显示各个运维系统的状态和性指标，并提供实时的图表和报表展示，预警模块通过设置合理的阈值和规则，在出现异常情况时自动发出预警信息，分析模块采用机器学习和人工智算法，对历史数据进行分析和学习，为运维人员提供智化的故障诊断和优化建议。

2.根据权利要求1所述的云化智运维系统数据管理系统，其特征在于：所述数据存储和处理模块还包括下述子模块：

数据存储和处理：系统基于云平台，采用分布式存储和处理技术，实时接收和处理大规模的运维系统数据；

数据采集和传输：系统配备高性能的数据采集模块，从多个运维系统中获取数据并进行实时传输；

数据分片和负载均衡：提高数据的读写效率和系统的容灾力，系统采用数据分片和负载均衡技术；

数据压缩和优化：降低数据存储的成本和提高数据的读写速度，系统采用数据压缩和优化技术；

数据备份和容灾：系统会定期对数据进行备份，并将备份数据存储在不同的物理节点上，以确保数据的安全性和可靠性；

数据迁移和追踪：满足不同运维系统的数据管理需求，系统提供数据迁移和追踪功能；

数据权限和安全：提供细粒度的数据权限管理功能，运维人员根据需要设置不同用户或用户组对数据的读写权限；

数据清理和归档：优化存储空间和性，系统提供数据清理和归档功能。

3.根据权利要求1所述的云化智运维系统数据管理系统，其特征在于：所述实时监控和预警模块还包括下述子模块：

实时监控和可视化界面：系统提供实时监控功能，实时显示各个运维系统的状态和性指标；

自定义监控指标和阈值：系统允许运维人员根据具体需求，自定义监控指标和阈值；

预警信息的发送和通知：系统具备预警功能，在出现异常情况时发出预警信息；

预测性和趋势分析：系统会对历史数据进行分析和学习，基于统计模型和机器学习算法，预测系统的未来状态和新趋势；

异常事件的自动记录和分析：通过对异常事件的归类、分析和统计，系统提供详细的异常事件报告；

事件关联和自动化处理：当多个异常事件发生时，系统自动将它们进行关联，帮助运维人员快速追踪事件的起因和影响；

数据的回溯和历史查询：系统提供数据的回溯和历史查询功能。

4.根据权利要求1所述的云化智运维系统数据管理系统，其特征在于：所述智分析和决策支持模块还包括下述子模块：

智数据分析：系统具备智数据分析功能，对大量的数据进行深入分析和挖掘；

自动化故障诊断：系统通过分析实时数据和历史数据，自动进行故障诊断；

智决策支持：系统提供智决策支持功能，帮助运维人员做出更明智和科学的决策；

异常时间自动化响应：系统自动响应异常事件，并执行适当的自动化操作；

智资源调度和优化：通过对系统资源的实时监控和分析，系统自动判断资源的利用情况和需求，并根据实际情况进行动态调整；

预测性维护：通过对设备状态和运行数据的分析，系统预测设备的寿命和故障风险；

数据可视化和报表分析：通过动态图表、热图和趋势分析可视化手段，系统帮助运维人员更好地理解数据和分析结果，并支持决策和优化的过程；

智协同和任务分配：系统具备智协同和任务分配功能，根据系统的运行状态和需求，智地分配任务给不同的运维人员。