Dynatrace 欢迎数千名现场和虚拟与会者参加本周在拉斯维加斯举行的年度表演会议。总体主题是“掀起浪潮”——传达跨行业发生的结构性转变以及组织推动变革影响的机会。
忠于公司的前沿本质，Dynatrace 发布了几项重大公告，这些公告将使企业能够应对当今围绕云复杂性、人工智能采用、安全威胁和可持续发展承诺的一些最紧迫的挑战。让我们深入了解关键进展。
减少 IT 碳足迹
随着气候变化的加剧，减少碳排放已成为企业的当务之急。然而，IT 基础设施极其复杂，企业很难大规模量化和优化其足迹。
Dynatrace Carbon Impact 专为应对这一挑战而设计。它将计算利用率指标等高度精细的可观测性数据转化为每个数据中心、云提供商区域、主机集群甚至单个工作负载的准确可持续性影响。
团队可以立即识别代表最高能源浪费和排放的“热点”，以集中提高效率。例如，碳影响可能会揭示重复微服务的过载，从而降低关键应用程序资源的利用率。
它还建议基于云架构和依赖项的精确优化操作，例如消除严重未充分利用的实例。此外，在采取调整规模举措或增强绿色编码等措施后，其持续监控可以对可持续性 KPI 进行超时监督。
Dynatrace 客户劳埃德银行集团 (Lloyds Banking Group) 表示，该集团的目标是到 2030 年将运营碳排放减少 75%，这些功能创造了“优化基础设施效率所需的整个 IT 生态系统的可见性和影响力。”
随着企业在云规模和复杂性中追求环境目标，Carbon Impact 使可观测性成为实现这些目标的关键推动因素。
让可观察性为人工智能服务
人工智能拥有巨大的前景，但随着大型语言模型和生成式人工智能等复杂技术的采用加速，新的可观察性挑战出现。
这些现代 AI 工作负载可能会出现意外行为，在模型中携带专有 IP，妨碍可见性，并且像黑匣子一样运行，无法追踪故障。他们的按需消费模式也使得资源使用难以预测和控制。
Dynatrace AI Observability 专为克服这些障碍而构建。它检测整个人工智能堆栈，包括 GPU 集群、ML 管道、模型治理系统和人工智能应用程序等基础设施。
这种全栈可观察性与 Davis AI 的解释模型相结合，可以精确洞察 AI 系统的起源和行为。团队可以查明模型退化的根本原因并量化准确性。
特别是对于 GPT 等大型语言模型，Dynatrace 会跟踪查询模式和令牌消耗，以防止过量。当模型不断地从新数据中学习时，它们会监控有害的漂移。这种治理可确保模型在企业规模上可靠且经济高效地运行。
在要求跨行业负责任且安全地部署 AI 的环境中，可观察性不再是可选的。 Dynatrace 使企业能够满怀信心地推动生成式 AI 和 ML 创新。
大规模推动分析和自动化
现代云原生环境会产生大量数据流，企业很难顺利管理，更不用说从中提取价值了。有限的带宽和存储使问题变得更加复杂，而临时可观测性管道和数据质量缺陷则让从业者感到头疼。
Dynatrace OpenPipeline 优雅地解决了这些挑战。它提供了一个单一的、高性能的途径，将所有可观察性、安全性和业务遥测数据从动态云工作负载转移到价值驱动的分析和自动化平台（如 Dynatrace）中。
利用正在申请专利的加速处理算法与即时查询功能相结合，OpenPipeline 可以比其他替代方案快 5-10 倍地评估传输中的惊人数据量，从而解锁以前无法实现的实时分析用例。无需笨拙的采样近似。
它还通过完整的拓扑上下文丰富了遥测，以获得精确的答案，同时允许团队根据特定分析或合规性需求无缝过滤、路由和转换采集数据。 OpenPipeline 甚至可以帮助减少高达 30% 的重复流，以最大程度地减少带宽需求和所需的数据仓库存储容量。
对于那些努力构建自定义管道来处理当今异构企业堆栈中海量、无数数据源的开发人员、SRE 和数据工程团队来说，OpenPipeline 带来了简单性和性能，让他们能够更加专注于提取见解。
确保分析和自动化质量
基于不良数据做出决策或触发关键工作流程可能会给组织带来灾难。但随着云规模和复杂性的增加，保持完美的数据质量变得越来越困难。
幸运的是，对于 Dynatrace 平台用户来说，数据可观测性有助于消除这些担忧。它利用 Davis AI 和其他 Dynatrace 模块自动跟踪摄取的关键遥测健康指标，包括新鲜度、数量模式、分布异常值，甚至架构更改。
任何威胁下游分析和自动化保真度的异常都会触发调查警报，通过沿袭跟踪甚至可以跨互连的数据管道查明根源，可以轻松地进行调查。团队节省了无数时间，不再需要手动拼凑数据缺陷的根源。
但除了被动治理之外，Dynatrace Data Observability 还通过持续评估数据源的相关性和利用率来主动优化分析。团队可以自信地淘汰浪费资源的未使用的流，或确定新的来源来合并以获得更好的见解和模型。
对于构建自定义数据集成的开发人员和管理关键业务分析的架构师来说，无忧的数据意味着更高效地为业务提供价值和创新。数据可观察性让您放心，推动关键自动化的历史数据和实时数据都是完全值得信赖的。
软件完美之路
Dynatrace Perform 2024 全面表明了人工智能和自动化将如何重塑性能工程。创始人兼首席技术官 Bernd Greifeneder 完美地总结了这一点：“我们构建 Dynatrace 是为了帮助客户实现自动化，因为这是实现软件完美的方式。这些进步为团队提供了答案和治理，以自动预防问题而不是手动修复。”
Dynatrace Perform 与会者显然对可观测性的下一个范式转变感到兴奋。
