可观察性是借助日志、指标和跟踪等工具测量服务或软件系统状态的能力。它是分布式系统的一个重要方面，因为它允许软件工程师、站点可靠性工程师 和产品经理解决其服务问题、监控性能并深入了解软件系统的行为。它还有助于提高重要产品决策的可见性，例如监控新功能的采用率、分析用户反馈以及识别和修复任何性能问题，以确保稳定且愉快的客户体验。
在本文中，我们将讨论分布式系统中可观察性的重要性、用于监控的不同工具以及可观察性的未来和 生成式人工智能。
分布式系统中可观察性的重要性
分布式系统是一种软件架构，涉及多个服务和服务器协同工作以实现共同目标。分布式应用程序的一些示例包括：
- 流媒体服务：Netflix 和 Spotify 等流媒体服务使用分布式系统来处理大量数据并确保用户流畅播放。
- 拼车应用：Uber 和 Lyft 等拼车应用依靠分布式系统来匹配司机与乘客、跟踪车辆位置并处理付款。
分布式系统有几个优点，例如：
- 可用性：如果网络上的一台服务器或 Pod 出现故障，另一台服务器或 Pod 可以启动并接手工作，从而确保高可用性。
- 可扩展性：分布式系统可以通过添加更多服务器进行扩展，以适应增加的负载，从而更轻松地快速扩展、处理更多用户或处理更多数据。
- 可维护性：分布式系统比集中式系统更易于维护，因为可以更新或更换单个服务器，而不会影响整个系统。
但是，分布式系统也有缺点，例如随着管理复杂性的增加以及对系统组件深入了解的需要。可观察性有助于应对这些挑战。
疑难解答
可观察性允许工程师通过提供有关系统性能和行为的深入信息来更有效地诊断分布式系统中的问题。举个例子：当视频流服务的用户遇到意外缓冲时，可观察性工具可以帮助工程师快速识别原因是否是服务器过载、网络瓶颈或部署不良，从而能够快速解决问题，让观看者保持愉快的心情流式传输。
预防措施
通过在潜在问题发生之前识别它们，可观察性有助于防止故障并提高系统可靠性。例如，如果我们的视频流服务的指标显示 CPU 使用率激增，工程师可以将原因确定为特定微服务中的内存泄漏。通过主动解决此问题，他们可以防止服务崩溃并确保用户获得流畅的流媒体体验。
业务洞察
分布式系统的可观察性模式为业务决策提供了有价值的信息。就我们的视频流服务而言，可观察性工具可以揭示用户参与模式，例如高峰观看时间，可以为服务器扩展策略提供信息，以在新剧集发布期间处理高流量，从而提高用户满意度并减少流失。
可观察性的三大支柱
日志、指标和跟踪通常被称为三个可观察性的支柱。如果充分理解这些强大的工具，就可以释放构建更好系统的能力。
1.日志
事件日志是一段时间内发生的离散事件的不可变的、带时间戳的记录。它们提供有关系统活动和时间戳的信息。让我们回到视频流服务的示例。每次用户观看视频时，都会创建一个事件日志。此日志包含用户 ID、视频 ID、播放开始时间、事件时间戳以及流式传输过程中遇到的任何错误等详细信息。如果在视频播放过程中发现错误，工程师可以查看这些日志以了解特定观看会话期间发生的情况。
2.指标
指标是衡量系统性能和产品使用情况各个方面的定量数据点。持续监控传输视频内容的服务器的 CPU 使用率、内存使用率和网络带宽等指标。可以根据指标阈值配置警报。如果页面加载延迟突然激增，则会发出警报，表明存在需要解决的问题，以防止客户体验下降。
3.痕迹
跟踪提供了请求通过分布式系统的路径的详细视图。对于视频流服务，跟踪可以显示用户从登录平台并点击播放到视频开始流的请求过程。该跟踪将包括所有涉及的微服务，例如身份验证、内容交付和数据存储。如果视频开始时间出现延迟，跟踪可以帮助准确查明延迟发生在过程中的哪个位置。
一些流行的可观察性工具示例包括 DataDog、New Relic 和 Splunk 以及 Prometheus 和 Grafana 等开源替代品，它们提供了强大的功能。此外，一些科技公司利用 Prometheus 和 Grafana 等开源工具的灵活性和强大功能来构建内部可观测平台。
可观察性和生成式人工智能的未来
当我们展望分布式系统中可观测性的未来时，人工智能 (AI)，特别是生成式 AI 的应用，引入了创新的解决方案，这些解决方案可能会简化工程师的生活，帮助他们专注于关键的工作问题。
自动模式识别
生成式 AI 擅长分析大量数据集并自动识别其中的异常模式。此功能可以为待命工程师节省大量时间，因为它可以快速识别问题，使他们能够专注于解决问题，而不是大海捞针。
认知事件响应
人工智能驱动的系统可以通过了解错误的背景并根据过去的事件建议错误诊断来提供认知事件响应。此功能可以实现更智能的警报，仅针对新的和严重的事件向团队发出警报，并让可观察性工具处理已知问题。
利用 AI 聊天机器人增强可观察性
想象一个场景，您团队中的工程师可以简单地用日常语言请求所需的数据，而人工智能驱动的可观察性工具则完成繁重的工作。这些工具可以筛选日志、指标和跟踪，以提供您正在寻找的答案。例如，使用 Coralogix 的查询助手，用户可以提出诸如“每个 Redis 实例有哪些可用指标？”之类的问题。系统不仅会理解查询，还会以易于理解的仪表板或可视化形式呈现信息。
这种级别的交互简化了工程师和不太熟悉复杂查询语言的人员的调试过程，使数据探索变得更加容易。
鉴于人工智能领域的快速发展及其与可观测性工具的集成，我对未来的发展感到非常兴奋。人工智能丰富了可观察性的未来，它不仅为复杂系统提供了单一的事实来源，而且还为工程师和其他利益相关者提供了一种更智能、更直观的方式来处理数据，推动更好的业务成果，并实现对创造力和关键性的关注。日常任务中发生的事件。