北京轨道交通建设公司网站,动态效果的网站建设,wordpress网站欣赏,临安区做网站的公司运维的挑战与责任
在数字化时代#xff0c;运维团队面临的挑战前所未有。他们不仅要确保系统的高可用性和高性能#xff0c;还要快速响应并解决故障#xff0c;以减少对业务的影响。在这种背景下#xff0c;运维团队急需工具和技术#xff0c;能够帮助他们提高效率#…运维的挑战与责任
在数字化时代运维团队面临的挑战前所未有。他们不仅要确保系统的高可用性和高性能还要快速响应并解决故障以减少对业务的影响。在这种背景下运维团队急需工具和技术能够帮助他们提高效率减轻负担。AIOps人工智能运维应运而生旨在通过应用人工智能和机器学习技术来自动化监控、预测、优化和故障排除过程。 AIOps当前技术与输出
AIOps核心功能包括事件聚合、异常检测、自动化根因分析等。这些技术能够帮助运维团队从海量的监控数据中快速识别问题预测潜在故障并自动化常见问题的解决过程。通过AIOps许多组织已经显著提高了故障响应时间减少了误报优化了运维流程提升了IT系统的整体可靠性和性能。 AIOps仍然存在挑战故障根因与可观测性数据割裂
尽管AIOps技术取得了显著进步但在故障根因分析方面仍面临一个重大挑战故障根因与可观测性数据如日志、指标、追踪之间的割裂。AIOps系统虽然能够推荐可能的故障根因但往往难以直接将这些推荐与具体的可观测性数据紧密关联。这就要求运维人员依靠自己的经验和知识在海量的数据中寻找证据来验证这些推荐这一过程既耗时又容易出错。 Gartner 魔力象限中领先象限做到的效果
Dynatrace 效果
Dynatrace 的AI故障推理效果和介绍详情可参见 Dynatrace 官方网站。 从 Dynatrace 的视频中如果发生了故障之后AI推荐出AI根因之后用户仍然需要使用根据 Visual resolution path 去从众多的Trace以及各种可观测性数据中筛选出证据来证明这个AI的推断。
Dynatrace 做到全球最牛的地方就是能够将各种可观测性数据融为一体并以时间线为维度还原故障现场这个本质上还是人为分析所谓的AI推荐给出的是关键节点。
如果没有这个故障根因推荐用户使用 Dynatrace 怎么做呢仍然是围绕着故障时间点利用 Dynatrace 的 Visual resolution path 人为分析故障根因。
结论故障根因的推荐聊胜于无还是需要人为在可观测性数据中分析找证据。 Datadog 效果 Datadog 的 Watchdog RCA给出仍然是可能性具体从可观测性中找证据来证明这点仍然需要用户自己来做。
结论故障根因的推荐聊胜于无还是需要人为在可观测性数据中分析找证据。 可观测性盲区的存在导致AIOps的根因结论与可观测性数据存在割裂 举例说明Dynatrace 的根因例子为节点CPU利用率达到100%其实绝大多数运维人员都能识别出100% CPU利用率是有问题的。但是如果CPU利用率是50%这个时候人是很难判断程序是否会受到CPU供给瓶颈需要额外提供更多的数据去判断CPU利用50%的时候程序的执行是否会受到调度器的影响这取决于很多因素比如机器上需要调度的程序多少CPU调度器排队的长度等总而言之可观测性数据存在盲区。
可观性数据由于存在盲区导致人都很难根据可观测性数据推理出故障只能根据事后的结论去关联出CPU利用率50%在某些场景下也是存在可能性导致故障根因的资深运维人员在判断这两点的时候CPU利用率为50%是故障根因也是需要非常深厚的经验。
可观测性数据盲区更详细的介绍请参考之前的文章。
可观测性工具的盲区与故障排查困局
Log | Metrics | Trace的联动方式探讨 内核视角持续剖析解决AIOps的故障根因结论与可观测性的割裂问题
在之前的文章介绍了可以使用内核视角下持续剖析能够形成基于北极星指标的排障体系。内核视角下持续剖析 VS 代码视角下的持续剖析 基于这个标准化排障体系进行故障根因推导的时候就能够同时自动化关联相关指标。比如如果发现网络时间很长这个时候就可以关联网络相关性指标必要时还可以同步 DeepFlow 等关键网络事件及数据提供证据证明网络确实有问题。
Kindling-OriginX 按照这套理论针对故障根因提出了可解释的根因报告。填平了AIOps的故障根因结论与可观测性数据的割裂鸿沟。
