可观测性Observability近年来备受关注，尤其在运维领域。本文从实际应用出发，探讨了可观测性的核心内容，包括Metrics、Traces和Logs的结合。作者指出，单纯的技术结合并不足以实现可观测性，真正关键在于SRE方法论、AIOps算法能力和对业务架构的深入理解。文章详细阐述了SRE如何帮助识别关键指标，AIOps如何在复杂系统中发挥作用，以及业务架构理解的重要性。
自打去年以来，可观测性Observability这个概念又非常的火，按照我的感受，在运维领域，这个概念是近两年即AIOps之后，热度最高的一个了。
无论是国内还是海外的运维相关的公司，都给了自己一个新的定位，就是可观测性平台，或者叫做可观测云，相对应的产品也是层出不穷。
对于我来讲，我看一个趋势，往往会从落地的角度，从实际情况来分析，反向去看，而不是单纯地看技术多么酷炫。
所以，我观测了很久Observability之后，打算还是从实际情况入手来聊聊这个概念，看看可观测这个东西到底包含哪些内容？它们之间是什么关系？
如果要落地，里面真正核心的、决定成败的又到底是哪些东西？
先做个简要概述：
Observability是来自控制论的一个概念：
In control theory, observability is a measure for how well internal states of a system can be inferred by knowledge of its external outputs. The observability and controllability of a system are mathematical duals. The concept ofobservability was introduced by American-Hungarian scientist Rudolf E. Kalmanfor linear dynamic systems.
这里我们不做详细描述，大家感兴趣可以自行查询一下。
通常我们在IT领域看到的关于可观测性概念的介绍，都会提到它是Metrics, Traces以及Logs的结合，通常会以下图来呈现。
这里我找了一个Splunk的Demo，我们可以直观的感受一下，可观测性的实际效果是怎样的。
大家看完这个示意，对可观测性就有更直观的理解了，不做赘述。
但是这个Demo就只能作为Demo看
最低0.47元/天 解锁文章
2322
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
