【AIOps探索】基于CauseInfer方法的根因定位

 

背景

近些年来,在需要支持多平台的互联网应用中,越来越多的公司选择从单体系统迁移到微服务架构。微服务系统通常包含成百上千的应用,这些系统是高度动态和复杂的,一个服务可以有几个到几千个实例运行在不同的容器和服务器上,而可用性问题一直是大规模微服务系统面临的一个关键挑战。在这些系统中,服务质量(如性能、可靠性)的任何异常都有可能沿着服务调用链传播,由少量的根因节点影响到关联节点,并最终导致业务级别的可用性问题(如访问成功率下跌)。

针对运维中的难题,全球权威的IT研究与顾问咨询公司 Gartner于2016年提出了AIOps(Artificial Intelligence for IT Operations)概念,即智能运维。AIOps分析的运维数据主要有三种:指标、日志、调用链(如上图)。本文所探索的论文《CauseInfer:Automatic and Distributed Performance Diagnosis with Hierarchical Causality Graph in Large Distributed Systems》[1] 即以性能指标数据为依据,通过构建服务调用拓扑和指标因果拓扑,利用深度优先搜索(DFS)遍历搜索根因性能指标,最终输出根因指标的排序。

根因定位浅谈

根因定位是智能化运维中一项重要且难以实现的领域,看起来很庞大,很抽象,无从下手,也被称之为运维的“终极命题”。目前行业内外有已有多种根因定位方案投入使用,但因为系统之间差异性及根因定位的复杂性,目前仍然没有一套能在所有系统行之有效的方案。

因为针对不同的系统/业务,通常要针对性的使用方法,大多数人对要解决的问题都模糊不清,就想着有“尚方宝剑”一刀切的解决这个难题,这是不现实的。根因定位要具体情况具体分析,将复杂抽象的问题分解成具体明确的条件情况,下面列举常见的根因定位场景:

  • 0
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 3
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值