DeepFlow® v5.4.2让虚拟网络管理更简单

云杉网络

December 26, 2018

产品资讯

▌网络问题制约着企业上云的进程

云计算技术的发展日臻成熟,自2017年起,我国已有十多个省市出台政策,助推当地企业加速上云;2018年8月11日,工业和信息化部印发了《推动企业上云实施指南(2018-2020年)》通知,要求到2020年,全国新增上云企业100万家,形成典型标杆应用案例100个以上。各行各业无论是政策驱动还是业务需求,上云已经成为主流趋势。而在企业上云的过程中,复杂的虚拟网络正日益成为企业上云的桎梏。

▌让虚拟网络流量的管理与分析更高效

针对企业上云过程中遇到的网络难题,云杉网络于2015年底推出了DeepFlow®产品。经过三年的打磨,产品进行了架构上的解耦和代码上的重构,2018年12月先后推出了DeepFlow®采集分发v5.4.2版、DeepFlow®云网分析v5.4.2版。新版的DeepFlow®采集分发增强了采集分发能力,单台控制器可管理4000条采集策略、支持多路分发;新版的DeepFlow®云网分析新增了业务画像功能。主要的功能改进如下:

DeepFlow®采集分发

image11
  • 采集器:增强系统监控功能,实时显示每个采集器的信息,支持用户查看采集器的详细信息,支持启用/禁用采集器等功能;支持用户设置采集器占用资源的阈值。

  • 控制器:显示当前控制器的实时信息,并支持配置的导出和导入;支持用户配置NTP服务器地址以及控制器与采集器的同步时间间隔。

  • 分发策略:可以基于VPC、网络、IP、协议和端口做过滤,支持Payload截断配置;支持配置VXLAN隧道端点IP地址和隧道类型。

  • 云平台管理:以图表形式呈现云平台的VPC、服务器、虚拟机、虚拟网络、公网IP地址等信息。

DeepFlow®云网分析

  • 资源管理:自动学习并呈现业务的资源目录(或资产清单),包括资源组、虚拟机、IP地址以及宿主机和项目信息等,支持用户以交互操作的方式对业务资源设置控制策略。

image2
  • 业务画像:

  • 对整体业务对象的资源进行监控(以流量关系图和服务端口排名呈现并支持用户直接查看),用户能直观查看资源(组)之间的流量在不同探针位置的对比。

  • 对整体和指定线路进行用量分析,通过在检索框中检索指定资源(组),可仅展示该资源(组)的流量及源端到目的端的流量访问关系;用户还可以细粒度查看包括流量速率均值、包速率均值、新建连接数、并发连接数、中国访问者地图和运营商访问排名,在整体用量分析中还能够呈现出该业务对象资源所属的宿主机流量排名以及虚拟机资源流量排名等用量指标。

  • 用户可以查看任意资源(组)作为服务提供方时的性能指标变化趋势,包括三次握手延迟RTT、系统响应时间、应用响应时间、建连成功率、包重传、ZeroWindow、中国延迟分布、运营商延迟分布、TCP状态异常的TCP重置、半开和半闭等性能指标。

  • 支持用户下载任意资源(组)的包头,用户可根据需要对pcap包头做合并后下载。

新版DeepFlow® v5.4.2面向云数据中心管理员,增强了对大规模虚拟网络流量的精准采集、多路分发、业务画像能力,解决了大规模虚拟流量管理和业务网络可用性的难题,将显著提升客户业务上云之后的SLA保障水平。

云杉DeepFlow®简介

DeepFlow®以SDN技术为核心,基于x86集群和通用网络设备,为多种云平台提供一体化的整体网络解决方案。DeepFlow®面向云数据中心实现了对大规模虚拟网络流量的自定义采集、按需分发和实时分析,支持跨资源池的VPC互联,支持数据中心网络服务和应用的自主开发与灵活扩展。满足快速排障、安全审计、业务画像、精细化运营等场景化需求。

目前,DeepFlow®已经在金融、电信、互联网等多个行业的云数据中心落地,帮助用户在业务数字化转型的过程中,提高其数据中心运营的整体效率。

%e7%94%b3%e8%af%b7%e4%bd%93%e9%aa%8c%e4%ba%a7%e5%93%81

]]>

Related Posts

云杉网络 DeepFlow 连获中国信通院认证,智能运维落地金融、电力行业

云杉网络的DeepFlow可观测性平台近期连续获得中国信通院多项认证,其与东吴证券合作的金融全链路可观测方案和与国网四川电力合作的电力智能运维方案均入选优秀案例。该平台的核心创新在于深度融合“可观测性”与“AI智能体”技术,通过全域数据采集和智能分析,实现从被动响应到主动预防的运维模式转变。目前,DeepFlow已在金融、电力等行业成功落地,有效提升了系统稳定性与运维效率,展现了其技术先进性和跨行业普适价值,未来将继续深化生态合作,助力更多行业数字化转型。

Read More

全景性能监控如何实现多维度分析?

Air

April 18, 2025

产品资讯

在数字化转型浪潮中,企业信息系统复杂度呈指数级增长——从云端微服务集群到边缘计算节点,从高频交易系统到物联网终端设备,性能问题已从单一服务器宕机演变为跨层级、跨区域的系统性挑战。当某电商平台大促期间因缓存雪崩导致交易链路瘫痪时,运维团队需要的不只是CPU使用率图表,而是能穿透12层调用栈的立体化观测能力。这种背景下,全景性能监控正成为技术团队破局的关键武器,其核心价值在于通过多维度分析将碎片化指标转化为可行动的决策洞察。 一、构建全景监控的三维坐标体系 传统监控工具常局限于单一维度指标收集,犹如仅用温度计诊断人体健康。真正的全景性能监控体系需要建立时间、空间、业务三维坐标: 时间维度:不仅记录实时指标,更构建分钟级到年度级的趋势基线。某银行通过对比交易响应时间的*工作日模式*与节假日模式,提前48小时预测到支付通道瓶颈。 空间维度:从物理机到容器Pod,从机房光缆延迟到CDN节点负载,实现基础设施的全域映射。全球部署的流媒体平台正是借助地理热力图,动态调整边缘节点流量分配。 业务维度:将技术指标与业务KPI(如订单转化率、用户停留时长)深度关联。当API错误率上升0.5%时,智能告警系统可同步显示对应的GMV损失预估。 这种三维建模能力,使得性能数据不再是孤立数字,而是构成业务健康的动态全息投影。 二、数据编织技术打破信息孤岛 实现多维度分析的前提,是对分散在日志文件、APM探针、基础设施监控中的数据进行有机整合。数据编织(Data Fabric)架构的应用,如同为监控数据构建中枢神经系统: 智能元数据管理:自动识别Nginx访问日志中的URI模板,将其与微服务调用链中的span名称建立映射。 上下文感知的数据关联:当数据库慢查询激增时,系统能自动关联同期进行的代码发布记录与K8s集群资源变更事件。 动态数据血缘分析:通过机器学习构建指标间的因果关系图,例如识别出内存泄漏总是先于TCP重传率上升出现。 某头部证券公司在实施数据编织后,故障定位时间从平均43分钟缩短至9分钟,关键证据链的自动拼图准确率达92%。 三、多维分析的核心方法论 在数据融合基础上,多维度分析需要组合运用多种分析范式: 1. 切片-钻取分析 横向切片:对比不同地域节点的同一服务P99延迟 纵向钻取:从集群总负载下钻到具体异常的Worker节点 某云服务商利用该方法,在5分钟内锁定导致全球API延迟飙升的特定可用区网络故障。 2. 关联规则挖掘 通过Apriori算法发现隐式规律,例如: 当Kafka消费者滞后超过5000条时,订单履约成功率下降具有87%的置信度 JVM Young GC频率与Redis缓存命中率呈强负相关 3. 异常模式识别 采用DTW(动态时间规整)算法,识别与历史故障相似的趋势形态。某智能制造企业利用该技术,提前12小时预警到与半年前产线停摆相同的传感器数据模式。 四、智能引擎驱动的决策闭环 当多维分析遇见机器学习,性能监控进入认知智能阶段: 根因定位引擎:基于贝叶斯网络构建故障传播模型,在数千个可能因素中计算各节点后验概率。某次大规模服务降级事件中,系统在17秒内将根本原因从”网络抖动”修正为”配置中心的证书轮换缺陷”。 预测性容量规划:结合业务增长预测与资源利用率趋势,自动生成扩容方案。某视频平台通过此功能,在春节流量高峰前精准完成万核级计算资源储备。 自愈策略编排:对于已识别模式的故障(如数据库连接池耗尽),自动触发预案执行。某电商在2023年双十一期间实现35%的常见故障自动修复。 这些智能能力将传统”监测-告警-处理”的线性流程,升级为”感知-分析-决策-行动”的增强闭环。 五、落地实践中的关键突破点 企业构建全景监控体系时,需重点突破三大障碍: 指标爆炸控制:通过指标分级治理(核心业务指标、辅助诊断指标、长期趋势指标)和自动相关性分析,避免陷入数据沼泽。某金融机构将监控指标从12万项精简至8600项,反而提升故障识别准确率。 可视化效能革命:采用*可观测性画布*技术,支持自由拖拽多维度数据源生成定制仪表盘。运维人员可快速构建”地域×服务版本×错误类型”的三维矩阵视图。 组织协同升级:建立SRE、开发、业务部门的联合指标评审机制,确保监控维度与业务目标对齐。某互联网公司通过该机制,将业务方关注的用户流失率纳入监控黄金指标集。 随着云原生与AIOps技术的深度融合,全景性能监控的多维度分析能力正在重新定义运维边界。当每个API调用都能被置于业务流程、基础设施、用户体验组成的多维空间中审视时,技术团队获得的不仅是故障排查的望远镜,更是业务创新的显微镜。

Read More