Observability
Automatisiert und intelligent
Fortsetzung des Artikels von Teil 1
Drei Säulen der Observability
- Metriken – Werte, die als Zählungen oder Messwerte dargestellt und häufig über einen bestimmten Zeitraum berechnet oder aggregiert werden. Metriken können aus einer Vielzahl von Quellen stammen, darunter Infrastruktur, Hosts, Services sowie Cloud-Plattformen und externe Quellen.
- Distributed Traces – zeigen die Aktivität einer Transaktion oder Anfrage an, während sie sich durch die Anwendungen bewegt. Dadurch wird sichtbar, wie sich Services, einschließlich Details auf Code-Ebene, verbinden.
- Logs – Strukturierter oder unstrukturierter Text, der diskrete Ereignisse aufzeichnet, die zu einem bestimmten Zeitpunkt aufgetreten sind.
- User Experience – Diese drei Säulen sollten um die Benutzerperspektive von außen nach innen erweitert werden. Das bedeutet: Bestimmte digitale Erfahrungen mit einer Anwendung werden erkennbar, selbst in Vorproduktionsumgebungen. Die User Experience ergänzt die Observability beispielsweise mit Daten für APIs, Dienste von Drittanbietern, im Browser auftretende Fehler, demografische Daten der Nutzer und die Anwendungsperformance aus der Benutzer-Perspektive.
Typischerweise erfordert die Observability in dynamischen Multi-Cloud-Umgebungen von den Entwicklern, die Cloud-Infrastruktur und den Anwendungscode manuell zu instrumentieren. Das ist ein Prozess, der einerseits jeweils eine Handvoll Datenquellen zur Observability berücksichtigt und andererseits Entwickler und andere IT-Professionals von ihren eigentlichen Aufgaben ablenken kann. Eine andere Herangehensweise kann sich gegebenenfals anbieten, um für dynamische Multi-Cloud-Umgebungen eine skalierbarere Observability mit der notwendigen Geschwindigkeit zu erreichen: per automatisierter und intelligenter Observability.
Observability automatisieren und skalieren
Diese automatisierte Observabiity erfolgt so, dass ressourcenbeschränkte Teams in der Lage sind, auf die unzähligen in Echtzeit gesammelten Daten zu reagieren. Das wird unter anderem durch Kontext und Topologie, Continuous Automation und KI-Unterstützung möglicht. Bei Kontext und Topologie geht es zunächst um eine Instrumentierung, die ein Verständnis der Beziehungen zwischen allen Abhängigkeiten in hochdynamischen Multi-Cloud-Umgebungen mit potenziell Milliarden von miteinander verbundenen Komponenten schafft. Kontext-Metadaten ermöglichen Topologie-Maps in Echtzeit und das Verständnis kausaler Abhängigkeiten vertikal im gesamten Stack sowie horizontal über Dienste, Prozesse und Hosts hinweg.
Mit Continuous Automation wird die automatische, kontinuierliche Erkennung, Instrumentierung und das Baselining jeder Systemkomponente bezeichnet. Sie verlagert den IT-Aufwand weg von manuellen Konfigurationsarbeiten. Das bedeutet, dass Observability „always-on“ ist und mit den dynamischen Cloud-nativen Ökosystemen von heute skalieren kann. Künstliche Intelligenz kann Anwendungen, Infrastruktur und Abhängigkeiten innerhalb komplexer Umgebungen automatisch erkennen und ungewöhnliche Veränderungen aufzeigen.
So kann die Notwendigkeit, Observability manuell in Anwendungen, Services und Code zu integrieren, reduziert werden und Unternehmen haben gegebenenfalls die Möglichkeit, Umgebungen kontinuierlich zu überwachen, zu instrumentieren und Abhängigkeiten zu verstehen.
Ein Ansatz, der über die IT hinausgeht
Mit einer fortlaufenden Verbesserung ihrer Observability können Unternehmen die Vorteile der Cloud-Migration besser nutzen. Aber dieser umfassende Ansatz kann noch über die grundlegende Ebene, die Einblick in alle Anwendungen und Services bietet, hinausgehen. Mit einer skalierbaren Observability für alle Kanäle, Kunden, Mitarbeiter sowie sämtliche Anwendungsarten können die Teams aus IT, Produktion und Business ihre Aktivitäten gemeinsam priorisieren.
Michael Rudrich ist VP Central Europe bei Dynatrace
- Automatisiert und intelligent
- Drei Säulen der Observability
Lesen Sie mehr zum Thema
