今日，如果听到许多领域的企业正在加大举措，推进DevOps在实际业务中的实践，再也不会令人惊讶。显而易见，这样的形势正是源于企业紧迫的业务需求，DevOps的实施已经写入了企业的发展宝典。

事实上，这样的变化在金融企业中体现的尤为明显。追溯过去，金融企业的运维曾受手工操作的制约，伴随运维系统的数量从上百个增长到成千上万个，传统的手工部署方式的效率方面一直存在着落差。当下，这样的落差必须尽快解决。JFrog认为，以金融行业为例，许多企业都有很大的热情和意愿希望做出改变。

我们究竟该将注意力放在哪里？如何能帮助企业提升软件发布效率、改善开发与运维协作，金融企业寻求解决方案的有效路径在哪里？又该从何下手呢？JFrog最近深入发现，致力于推动DevOps的实施，以此来消除开发和运维之间的鸿沟和沟通成本。结合金融行业的特性，以下即在2024年将会呈现的两大趋势。

1. DevSecOps - 安全性成为首要关注点

近年来，在全球尤其是北美地区，安全性已经成为备受关注的热门话题。由于黑客攻击和勒索事件频发，软件供应链安全标准（XBOM）已在美国制定。JFrog预测，在2024年，国内将出台相关标准和法规，引导金融领域加强对开源治理，特别是在DevSecOps（即在DevOps的基础上加强安全性）中加入更多的安全性措施。

DevOps牵涉到多个自动化工具链的集成，包括需求管理、代码管理、持续集成、测试、自动化部署和制品库等多个环节。为更好地支持DevOps，金融企业可能需要进行组织结构调整，并对人员进行培训。更多的金融企业通过采用DevOps将有效改变开发和运维的工作方式，以提高交付效率，增强创新能力。

目前，六大国有银行与股份制银行，基本都建立了各自的DevOps平台，实现了CICD自动化部署。在证券行业中，企业对DevOps的需求仅次于银行业，因为它涉及到证监会监管、软件发布可靠性、避免生产事故以及对软件供应链漏洞的高度关注。所以，当前的发展趋势即金融领域整体上在DevOps方面经历了学习、应用和逐渐完善的过程，不同类型的金融企业在这一进程中展现出各自的特点和进展。

金融企业成功实施DevOps的关键在于注重制品库的统一管理，特别是在CICD流程中，制品库扮演着连接CI和CD环节的关键角色。DevOps的本质是将需求转化为软件产品并部署到相应服务器，而制品库关注的正是这个软件包的生命周期信息，包括代码贡献者、需求满足情况、测试通过与否等等。在金融领域，制品库管理被看作是实现DevSecOps的基础，通过统一的制品库管理，使得整个供应链的漏洞扫描和管理得以实现。例如，某大型国有银行即通过全行范围内的制品库使用，对漏洞进行评分和管理，以此实现全行范围内的安全性提升。JFrog帮助企业快速定位了Log4j漏洞的影响范围，并且在2天之内全部修复了收到影响的组件。

此外，金融企业还需关注模型安全问题。当前国内许多模型的做法是先从各大开源模型平台获取模型，再在内网进行修改和重新包装，宣称是自己的模型。然而，这种做法就存在潜在风险，可能会导致恶意代码的嵌入，容易引发各种攻击，包括恶意代码执行、矿机部署、以及密码获取等。因此，在模型安全方面，金融企业更必须做到谨慎小心，采取相应的安全措施以保障系统的安全性。

2. AI工具对Ops开发团队的赋能

在JFrog看来，2024年，金融企业当务之急都在设法找出自己最需要改善的地方，比如在DevOps方面更应聚焦AI工具（AI Ops和ML Ops）的发展趋势，特别是在提高运维效率、处理错误日志和处理大规模模型计算方面，以确保其基础设施足够满足未来的需求。通过整合AI技术，Ops团队可以更加高效地管理和维护系统，实现自动化和智能化的运维流程，为企业带来更高的效益和竞争力。

以通过智能分析监控数据为例，通过预测系统哪个机器会宕机，从而提高运维效率，AI Ops能利用人工智能工具解决运维问题。目前，高端芯片和机器学习的结合已经用于提供代码补全等功能，未来还将支持大型模型的学习。尤其是对于金融企业而言，AI Ops能够智能预测流量高峰和低谷，实现资源的自动化调配，从而提高系统的效率。

ML Ops则是将运维平台的能力应用于模型发布的自动化，实现了用Ops来解决机器学习的运维问题。ML Ops通过DevOps平台自动化地拉取、训练、发布和更新模型，大大简化了模型开发者的工作流程。我们认为，尤其对于金融企业而言，尽管对ML Ops的需求并不饱和，但ML Ops可以帮助提高大规模机器学习模型的训练、部署和更新速度，从而提高开发效率，也存在对错误日志进行分析等需求的解决方案。

JFrog通过对Huggingface仓库的支持，通过提供本地的大模型仓库，解决了企业内部模型管理困难的问题，为企业进行大模型训练和模型分发提供了便利。

3.应对趋势，展开行动

AI Ops对DevOps的影响已经开始显现，尽管目前并非全都彼此能得到有效应用。然而，随着未来可能涌现出更为成熟的产品，我们可以期待这一趋势将在运维机器，尤其是版本发布频率不断攀升的背景下，迎来更广泛的应用。通过AI工具的引入，特别是在测试领域实现自动化的AI测试，将会极大地助力开发者。

企业若这么做，就是在做正确的事情，而且如果实施彼此匹配的测试，就能迅速提升开发者的工作效率，利用AI在测试方面展现出的强大学习能力，使其成为未来的重要利器。

在未来，我们将见证自动化工具生成的崭新发展，尤其在这一领域对研发工作提供了重要的互补支持，为Ops开发团队在2024年实现更大幅度的赋能打下了坚实的基础，同时也将深刻影响开发者的工作方式，这将是商业上的标准实务。我们必须为企业着想，讨论怎样的创新是最有效的，有哪些地方还有改善的空间。随着AI技术的不断演进，我们有望看到更多创新性的自动化工具的涌现，从而进一步推动整个开发运维领域的可持续发展。