由于云计算的广泛应用,智能运维吸引了大量的关注,因为它可以协助运维工程师完成大规模云服务中的实时监控、事件分析和IT（Information Technology）服务自动化。智能运维平台是结合大数据和人工智能功能的软件系统,其工作流程一般包括四个阶段:安装配置、数据采集、数据处理和智能运维监测。随着智能运维平台越来越多的被使用,问答社区（Stack Overflow）出现了大量关于智能运维平台的讨论。为了了解IT运维工程师们在使用智能运维平台时所面临的挑战,并提供使用和改进智能运维平台的建议,我们对三个在Stack Overflow上问题最多的智能运维平台Elastic Stack,Splunk和Datadog进行了深入的实证研究。首先,本文通过基于预训练模型的问题分类器Post-Pre-trained-Classifier（PPC）,将问题分类到各个平台的不同工作阶段。然后,利用开放式编码方法,对各平台不同阶段的问题类别进行了总结。基于问题的分类进一步分析了他们的关注度和困难度,最后,本文还分析了智能运维平台不同阶段的演变模式。我们发现:1)Elastic Stack和Splunk分别有39%和42%的问题属于数据处理阶段。这个阶段的数据查询类问题都是两个平台占比最高的问题,分别为24.41%和35.98%。2)Datadog有36%的问题属于数据采集阶段,其中采集方法类问题占比最高,有21.89%。3)Elastic Stack安装配置阶段的三类问题软件安装,环境配置和第三方配置都是属于既受关注但解决起来有困难的问题。为了能够验证以上的分析结果,并对Elastic Stack,Splunk和Datadog三个智能运维平台进行更深入的研究,我们在本地实现了Google的Web服务实例Online Boutique,并部署了这三个智能运维平台来监控Online Boutique的运行。通过对实际运维平台工作中的分析比较,我们建议:1)智能运维工程师在使用Elastic Stack和Splunk前需要提前学习Elastic SQL和SPL;2)智能运维研究人员需要关注数据采集类错误和数据处理类错误的相关问题,这类问题比较受关注且不容易解决;3)智能运维平台供应商需要进一步改进平台的自动化机制,因为平台缺少自动修复错误的能力。除了这些建议,我们还从四方面讨论了智能运维平台的未来发展趋势,例如多渠道的数据来源,面向不同角色对于智能运维平台的需求,自动化智能运维机制和智能运维平台的可移植性。我们的研究结果不仅能够帮助运维工程师解决使用智能运维平台时遇到的问题,提升工作效率,同时能够帮助改进智能运维平台,为平台的未来发展提供指导。