Наблюдаемость: почему это популярный технический термин

Недавно IBM заключила сделку по приобретению Databand.ai, которая разрабатывает программное обеспечение для наблюдения за данными. Сумма покупки не сообщается. Тем не менее, это приобретение показывает важность наблюдаемости, поскольку IBM приобрела аналогичные компании за последние пару лет.

«Наблюдаемость выходит за рамки традиционного мониторинга и становится особенно актуальной, поскольку инфраструктура и ландшафты приложений становятся все более сложными, — сказал Джозеф Джордж, вице-президент по управлению продуктами, BMC. «Повышенная прозрачность дает заинтересованным сторонам более полное представление о проблемах и пользовательском опыте, сокращает время, затрачиваемое на тушение пожаров, и освобождает время для более стратегических инициатив».

Наблюдаемость — огромная категория. Он охватывает аналитику журналов, мониторинг производительности приложений (APM) и кибербезопасность, и этот термин применяется в других областях ИТ, таких как сети. Например, по данным Gartner, к 2024 году расходы на технологию APM составят 6,8 млрд долларов.

Так что же делает наблюдаемость уникальной? И почему он становится важной частью корпоративного технологического стека? Что ж, давайте посмотрим.

Как работает наблюдаемость

Конечная цель наблюдаемости — выйти далеко за рамки традиционных возможностей мониторинга, предоставив ИТ-командам возможность с первого взгляда понять состояние системы.

Платформа наблюдаемости выполняет несколько важных функций. Один из них — найти основные причины проблемы, которая может быть нарушением безопасности или ошибкой в ​​​​приложении. В некоторых случаях система предложит исправление. Иногда платформа наблюдения вносит исправления самостоятельно.

«Наблюдаемость — это не функция, которую вы можете установить, или услуга, на которую вы можете подписаться, — сказал Фрэнк Рено, старший менеджер по продуктам Humio. «Наблюдаемость — это то, что у вас либо есть, либо нет. Это достигается только тогда, когда у вас есть все данные, чтобы ответить на любой вопрос о состоянии вашей системы, предсказуемом или нет».

Традиционный подход заключается в обработке огромных объемов необработанных данных телеметрии и их анализе в центральном хранилище. Однако это может быть сложно сделать на периферии, где требуются решения в реальном времени.

«Появляющийся альтернативный подход к наблюдаемости — это подход „небольших данных“, ориентированный на выполнение анализа потоков данных в реальном времени непосредственно в источнике и сбор только ценной информации», — сказал Шеннон Вейрик, вице-президент по исследованиям NS1. «Это может обеспечить немедленное понимание бизнеса, сузить цикл обратной связи при отладке проблем и помочь выявить слабые места в системе безопасности. Он обеспечивает последовательный анализ независимо от объема анализируемых необработанных данных, что позволяет масштабировать его по мере производства данных».

Рычаги наблюдения

Самым большим фактором роста наблюдаемости является стратегическое значение программного обеспечения. Это стало обязательным для большинства предприятий.

«Программное обеспечение стало основой того, как организации взаимодействуют со своими клиентами, управляют своей цепочкой поставок и сравнивают их с конкурентами», — сказал Патрик Лин, вице-президент по управлению продуктами для наблюдения, Splunk. «Особенно по мере модернизации команды должны отслеживать и реагировать на гораздо больше вещей — гибридные среды, более частые изменения программного обеспечения, больше данных телеметрии, передаваемых через фрагментированные инструменты, и больше предупреждений. Устранение неполадок в этих программных системах еще никогда не было таким сложным, и традиционный способ мониторинга уже не подходит».

Типичное предприятие имеет десятки традиционных инструментов для мониторинга инфраструктуры, приложений и цифровых технологий. В результате появляются хранилища данных, которые могут снизить эффективность этих инструментов. В некоторых случаях это может означать катастрофические сбои или простои.

Но с наблюдаемостью данные централизованы. Это позволяет повысить прозрачность всего предприятия.

«Вы быстро добираетесь до первопричины», — сказал Лин. «Вы понимаете не только когда возникает проблема, но и то, что ее вызвало и почему. Вы улучшаете среднее время обнаружения (MTTD) и среднее время решения (MTTR), заблаговременно обнаруживая возникающие проблемы до того, как они повлияют на клиентов».

Проблемы наблюдаемости

Конечно, наблюдаемость — не панацея. Технология, безусловно, имеет недостатки и риски.

На самом деле, одним из насущных вопросов является фактор ажиотажа. В конечном итоге это может навредить категории. «Существует значительное количество отмывок наблюдаемости от устаревших поставщиков, что сбивает с толку конечных пользователей, пытающихся понять, что такое наблюдаемость и какую пользу она может им принести», — сказал Ник Хьюдекер, старший директор по рыночной стратегии и конкурентной разведке, Cribl.

Правда, это проблема любой успешной технологии. Но клиентам определенно нужно проявлять должную осмотрительность.

Наблюдаемость также не является технологией plug-and-play. Существует потребность в управлении изменениями. И да, у вас должна быть высококвалифицированная команда, чтобы получить максимальную отдачу от технологии.

«Самым большим недостатком наблюдаемости является то, что кому-то, например, инженеру или сотруднику DevOps или организации, занимающейся проектированием надежности сайта (SRE), необходимо осуществлять фактическое наблюдение», — сказал Гэвин Коэн, вице-президент по продукту, Zebrium. «Например, когда возникает проблема, инструменты наблюдения отлично подходят для предоставления доступа и возможностей детализации к огромному количеству полезной информации. Но инженер должен просеять и интерпретировать эту информацию, а затем решить, что делать дальше, чтобы определить первопричину. Это требует навыков, времени, терпения и опыта».

Хотя с развитием искусственного интеллекта (ИИ) и машинного обучения (МО) это можно решить. Другими словами, инструменты нового поколения могут помочь автоматизировать роль наблюдателя. «Для этого требуется глубокое понимание наблюдаемых систем, например, сложное моделирование, детализированные детали и комплексный ИИ», — сказал Кунал Агарвал, основатель и генеральный директор Unravel Data.