校准应用健康状况指标的重要性

Lori Mac Vittie杰出工程师兼首席技术布道师 | F5

最近，当我重新开始饲养珊瑚礁生态缸时，再次意识到校准测量结果的重要性。正如应用领域日新月异一样，珊瑚礁生态缸的饲养方式在过去5年中也发生了巨大变化。

如今，借助互联的监测器和探头，我可以自动跟踪水族箱的情况，并在出现异常时收到提醒。通过Web和移动端仪表板，我可以进行监控和设置，还能一目了然地查看水族箱的健康状况，以及维持其运行的众多设备的状态。

细心的读者会注意到，pH值似乎“低于下限”。不必担心，一切正常。探头（传感器）并未正确校准。这是一个常见问题，探头校准过程很容易失败。目前，我知道探头的校准值偏低，因此会据此自动调整测量值。

应用的健康状况与珊瑚礁水族箱一样，需要密切关注关键指标。指标偏离正常范围，尤其是大幅波动，可能意味着存在问题。对于应用，不应采用手动调整指标的方式。手动调整或许适用于一两个应用，但一般组织的数字化产品组合中有100至200个应用。因此，需要以典型的健康模式为基准进行校准，获得准确的测量结果。

与大多数网络和应用指标一样，这意味着需要在一段时间内采集样本，了解指标的“高值”和“低值”，然后利用阈值来判定异常行为。

问题不在于原理，而在于执行。

首先，我们通常只关注一个测量点：应用。值得注意的是，要评估珊瑚礁水族箱的健康状况，除了温度，还需要测量盐度和pH值，因为这两个数值都会受到温度影响。衡量应用健康状况也是如此，它还会受到网络性能和负载等其他指标的影响。遗憾的是，大多数组织未必会从整体角度评估应用健康状况。应用本身可能运行正常，但性能不佳的联网设备或网络却可能导致客户体验非常糟糕。

我们需要扩大测量范围，从更广的视角评估应用健康状况。此外，还需要校准新增的测量指标，以便识别哪些情况正常、哪些情况异常。因为“异常情况”可能意味着存在问题，甚至可能表明发生了攻击。

其次，规模方面的挑战源于需要对每个待监控应用的多个测量点进行校准（先透露一下：所有应用都需要监控）。我们不能指望运维人员手动校准如此多的数据点，这超出了人力所能及的范围。

这正是机器发挥作用的地方。

高级分析

高级分析和机器学习是解决规模问题的方法之一。机器能够并且确实可以高速处理海量遥测数据。它们可以摄取数据并进行标准化，分析其中的模式和关系，而如此庞大的数据量远超人类的处理能力。借助这种方式，机器学习可以基于一系列相关数据点校准“正常”状态，并立即检测出表明存在问题的异常模式。

将应用性能问题与周一早上的登录量激增关联起来并不难。难的是发现Bob通常要到周一下午才会登录，但今天却在上午登录了。这是一种异常，由于缺乏如此精细的可见性，人工操作人员很难识别。如果应用、客户端以及构成从代码到客户体验的应用服务能够发出足够的遥测数据，高级分析可以检测到这种异常。它还可以标记该异常，或触发新的业务流程，以验证是否确实是Bob本人在尝试登录。

这种能力类似于如今许多应用在设备层面采用的做法。许多数字化流程会推送验证码，并要求我们从模糊图像中识别出所有汽车，以证明是真人操作。但触发新业务流程的是设备详细信息，而不是在一天中的异常时段登录这一行为。未来，我们需要能够同时基于这两类信息触发流程，尤其是在继续支持分布式办公团队的情况下。

因此，校准成为这一流程中的关键环节。校准需要进行大量测量，以确定何为“正常”。这一过程同样超出了人工处理能力，需要由机器摄取并分析大量遥测数据。

高级分析最终将实现可观测性，并催生新的服务，从而发掘隐藏的应用洞察（DEM）、实现更智能的应用服务编排（AI Ops），并创造以往难以发现的业务价值（AI-Enhanced Services）。

为此，需要生成大量遥测数据，以便校准应用、用户以及数据路径中所有中间环节的“正常”行为。

关于作者

Lori Mac Vittie杰出工程师兼首席技术布道师 | F5

Lori MacVittie是F5首席技术官办公室的杰出工程师兼首席技术布道师，在应用交付、自动化战略和基础设施领域拥有深厚的专业知识。无论是为AI智能体定义防护机制、剖析脆弱的多云架构，还是探索可扩展系统的极限，她都善于化繁为简。她在应用开发、IT架构以及网络和系统运维领域拥有30多年的行业经验。加入F5之前，她曾担任技术编辑，并因出色表现获得奖项。 MacVittie拥有计算机科学硕士学位，著述颇丰，出版作品涵盖安全、云和企业架构领域。她还热衷于桌面游戏和电子游戏，并且对奶酪有着毫不掩饰的鲜明见解。

Lori Mac Vittie 的更多博客文章