Logipõhine jälgimine jäädvustab üksikasjalikke sündmuste andmeid põhjalikuks tõrkeotsinguks, samas kui mõõdikutepõhine jälgimine jälgib numbrilisi andmepunkte aja jooksul reaalajas jõudluse ülevaate saamiseks. Mõlemal lähenemisviisil on tänapäevastes jälgitavussüsteemides erinevad eesmärgid ja enamik meeskondi saab kasu nende koos kasutamisest, mitte ühe valimisest teisele.
Salvestab diskreetseid sündmusi koos kontekstuaalsete üksikasjadega, võimaldades kohtuekspertiisi ja algpõhjuste uurimist hajutatud süsteemides.
Kogub numbrilisi aegridade andmepunkte, et jälgida süsteemi tervist, jõudlustrende ja ressursside kasutamist reaalajas.
| Funktsioon | Logipõhine jälgimine | Mõõdikutel põhinev jälgimine |
|---|---|---|
| Andmetüüp | Rikkaliku kontekstiga sündmuste kirjed | Numbrilised aegridade andmepunktid |
| Peamine kasutusjuhtum | Põhjuste analüüs ja veaotsing | Reaalajas hoiatused ja trendianalüüs |
| Ladustamisala | Suurem kirje kohta, kõrgemad salvestuskulud | Kompaktsed andmepunktid, madalamad salvestuskulud |
| Päringumeetod | Täistekstiotsing ja filtreerimine | Agregeerimine, matemaatilised funktsioonid, ajaakna päringud |
| Reaktsiooniaeg | Suuremahuliste päringute puhul aeglasem | Peaaegu kohene armatuurlaua päringute jaoks |
| Parim vastamiseks | Miks see konkreetne sündmus aset leidis? | Milline on süsteemi praegune olek? |
| Levinud tööriistad | ELK Stack, Splunk, Loki, Fluentd | Prometheus, Grafana, Datadog, CloudWatch |
| Häireteadete saatmise võimalus | Piiratud, nõuab sageli logide parsimise reegleid | Natiivne läviväärtus ja anomaaliapõhised hoiatused |
Logipõhine jälgimine jäädvustab iga diskreetse sündmuse koos ümbritseva kontekstiga, sealhulgas kasutajatunnused, päringute kasulik koormus, veapinu jäljed ja keskkonnamuutujad. See muudab logid hindamatuks, kui teil on vaja täpselt rekonstrueerida, mis konkreetse intsidendi ajal juhtus. Mõõdikutepõhine jälgimine seevastu võtab süsteemi käitumise kokku numbrilisteks väärtusteks, ohverdades üksikute sündmuste üksikasjad kompaktse ja päringuid hõlbustava vormingu nimel, mis toimib hästi pikkade ajavahemike jooksul.
Mõõdikute andmebaasid on optimeeritud suure kirjutamisläbilaskevõime ja kiire koondamise jaoks, mistõttu platvormid nagu Prometheus suudavad iga paari sekundi tagant tuhandeid sihtmärke ilma higistamata kraapida. Logisüsteemid vajavad rohkem arvutuslikku üldkulu, kuna need indekseerivad vabas vormis teksti ja toetavad keerukaid otsingupäringuid. Kuna logide maht kasvab terabaitidesse päevas, peavad meeskonnad kulude haldamiseks sageli investeerima astmelisse salvestusruumi, valimstrateegiatesse või säilituspoliitikatesse.
Reaalajas teavituste puhul on mõõdikud suurepärased, kuna numbrilise lävendi hindamine ajaseeria suhtes on arvutuslikult triviaalne. Minimaalse üldkuluga saab seadistada teavitusi, näiteks „Protsessori koormus üle 90% 5 minuti jooksul”. Logipõhine teavitus on võimalik, kuid tavaliselt nõuab mustrite tuvastamiseks parsimisreegleid või logipäringumootoreid, mis lisab latentsust ja keerukust. Süsteemi tervise kohta koheste teavituste saamiseks on mõõdikud tavaliselt kiirem viis.
Kui midagi katki läheb, on logid sageli esimene koht, mida insenerid vaatavad, sest need säilitavad juhtunu kirjelduse. Üks logikirje võib paljastada täpse veateate, mõjutatud kasutaja ja rikke käivitanud kooditee. Mõõdikud võivad teile öelda, et veamäärad tõusid kell 14:34, kuid need selgitavad harva, miks. Seetõttu käsitlevad küpsed insenerimeeskonnad logisid oma uurimisvahendina ja mõõdikuid varajase hoiatamise süsteemina.
Logide salvestamine on üldiselt kallim kui mõõdikute salvestamine, kuna iga kirje sisaldab rohkem andmeid ja säilitusperioodid on vastavuse või auditeerimise tõttu sageli pikemad. Keskmise suurusega rakendus võib genereerida iga päev miljoneid logiridu, tootes samal ajal vaid paar sada unikaalset mõõdikute seeriat. Paljud organisatsioonid rakendavad kulude kontrollimiseks logide valimit, filtreerimist allikal või astmelist salvestamist, samas kui mõõdikute säilitamine võib tavaliselt odavalt kesta kuid või aastaid.
Jälgitavuse kolm sammast on logid, mõõdikud ja jäljed ning enamik tootmisklassi süsteeme tugineb kõigile kolmele. Mõõdikud pakuvad üldist terviseülevaadet, logid pakuvad põhjalikku diagnostilist teavet ja hajutatud jäljed ühendavad neid kahte, näidates päringute vooge teenuste vahel. Logipõhise ja mõõdikutepõhise jälgimise vahel valimine on harva kas-või otsus; selle asemel otsustavad meeskonnad, kuidas tasakaalustada investeeringuid mõlemasse, lähtudes oma tegevusvajadustest ja eelarvest.
Usaldusväärse süsteemi käitamiseks on vaja ainult ühte tüüpi jälgimist.
Enamik tootmissüsteeme saavad kasu mõlemast lähenemisviisist. Mõõdikud tuvastavad probleemid varakult teadete kaudu, samas kui logid aitavad inseneridel mõista probleemi algpõhjust pärast selle avastamist. Ainult ühele lootmine jätab pimedaid kohti, mis võivad katkestusi pikendada.
Palgid on pikaajaliseks pidamiseks alati liiga kallid.
Kuigi toorlogide salvestamine võib olla kulukas, muudavad astmelised salvestamisstrateegiad, tihendamine ja intelligentne valimte tegemine pikaajalise säilitamise teostatavaks. Paljud vastavusraamistikud nõuavad teatud logide säilitamist kuid või aastaid, seega on kulude haldamine pigem strateegia kui vältimine.
Mõõdikud saavad silumisel logisid asendada.
Mõõdikud näitavad, et midagi on muutunud, kuid harva selgitavad, miks. Konkreetse kasutajakaebuse või haruldase vea uurimisel on logid tavaliselt ainus viis tegeliku põhjuse leidmiseks. Mõõdikutel ja logidel on intsidentidele reageerimisel teineteist täiendavad rollid.
Rohkem logiandmeid tähendab alati paremat jälgimist.
Liigne logimine tekitab müra, suurendab kulusid ja võib tegelikult tõrkeotsingut aeglustada. Tõhus logipõhine jälgimine keskendub oluliste sündmuste jäädvustamisele struktureeritud väljade abil, mitte iga võimaliku detaili struktureerimata tekstina esitamisele.
Mõõdikutel põhinev jälgimine tabab automaatselt kõik anomaaliad.
Mõõdikud tuvastavad ainult seda, mida te otseselt mõõdate. Kui ilmneb uus rikkerežiim, mida keegi ei mõelnud jälgida, jäävad mõõdikud sellest täiesti ilma. Logid seevastu jäädvustavad ootamatuid sündmusi seni, kuni rakendus neid kirjutab.
Valige logipõhine jälgimine, kui teie peamine vajadus on sügav silumine, auditeerimisjäljed või konkreetsete sündmuste konteksti mõistmine. Valige mõõdikutepõhine jälgimine, kui vajate reaalajas juhtpaneele, kiiret teavitamist ja pikaajalist trendianalüüsi suures mahus. Praktikas ühendavad tugevaimad jälgitavusstrateegiad mõlemat, kasutades mõõdikuid varajaseks avastamiseks ja logisid põhjalikuks uurimiseks.
Adaptiivne infrastruktuur kohandub dünaamiliselt muutuvate töökoormustega automatiseerimise ja reaalajas skaleerimise abil, samas kui staatiline infrastruktuuri disain tugineb fikseeritud, eelkonfigureeritud ressurssidele. Nende vahel valik sõltub töökoormuse varieeruvusest, eelarve prognoositavusest ja teie pilvekeskkonna tegevusküpsusest.
Andmeedastuse kitsaskohad aeglustavad masinõppe protsesse, piirates teabe liikumiskiirust salvestus-, mälu- ja arvutusressursside vahel, samas kui mudelarvutuse kitsaskohad tekivad siis, kui piiravaks teguriks saab graafikaprotsessori või protsessori töötlemisvõimsus. Erinevuse mõistmine aitab meeskondadel optimeerida taristukulusid ja koolituse tõhusust.
Andmeinfrastruktuuri kiht tegeleb toorandmete torujuhtmete salvestamise, töötlemise ja haldamisega, samas kui mudelitreeningu kiht keskendub algoritmide käitamisele masinõppe mudelite treenimiseks. Mõlemad on tehisintellekti süsteemides olulised, kuid täidavad arendustsüklis põhimõtteliselt erinevaid rolle.
Kasutaja ID alusel andmete killustamine jaotab kirjed unikaalsete kasutajaidentifikaatorite alusel prognoositavate juurdepääsumustrite jaoks, samas kui geograafilise asukoha killustamine jaotab andmed piirkondade kaupa, et minimeerida latentsust ja järgida andmete suveräänsuse seadusi. Mõlemad strateegiad lahendavad mastaabiprobleeme, kuid optimeerivad põhimõtteliselt erinevate prioriteetide jaoks.
Andmekanali optimeerimine keskendub toorandmete tõhusale liigutamisele ja teisendamisele analüüsi jaoks, samas kui mudelikanali optimeerimine lihtsustab masinõppemudelite koolitamist, valideerimist ja juurutamist. Mõlemad on skaleeritavate tehisintellekti süsteemide jaoks kriitilise tähtsusega, kuid on suunatud masinõppe elutsükli erinevatele etappidele.
