云原生可观测性平台DeepFlow的实战经验

随着 DeepFlow 云原生可观测性平台的深入应用，在光大银行的全栈云及云原生应用运维中，通过大量的运维实战案例，充分说明了可观测性对于企业 IT 开发、运维、运营的巨大价值，真正实现了云原生业务的洞察能力和稳定性保障能力的，在实际运维中云原生可观测性平台发挥了直接有效的作用：
1、在某应用从传统分布式环境向容器平台迁移工作中，开发测试环节发现该应用遇到性能压测明显受限的问题，通过传统的测试工具、APM 工具在数周的定位过程中均无法找到问题根因，导致该应用的云原生迁移进度严重受阻，因此 DeepFlow 云原生可观测性平台紧急增加对该环境的采集覆盖和分析，在1分钟后完成了对该应用访问关系的绘制和应用调用追踪，在5分钟内通过指标分析发现了微服务中的性能瓶颈点和性能瓶颈根因。
2、在云上某次***业务异常的故障定位中，需要消耗2名中级运维工程师数十个小时的工作量，进行 Pcap 抓包、读包定位，改用 DeepFlow 可观测平台提供的手段，通过1步绘制拓扑，8个指标观测，3端日志的关联分析，在30分钟内确定服务端软件异常，进而指导业务运维人员定位发现
3、RabbitMQ 消息队列未及时处理，队列积压导致的应用同步状态异常问题。
4、在某次云上数据库偶发性故障定位中，通过1步绘制拓扑，5个指标观测，3分钟内的日志分析，快速界定出故障源为数据库应用异常。
5、在某次云上虚拟机访问不通的故障定位中，通过1步绘制拓扑，3个指标观测，1分钟内的日志分析，确定是由于虚拟机路由配置缺失导致。
实现价值
通过 DeepFlow 云原生可观测性平台的构建，在光大银行的运维实践中，产生了巨大的实战价值，包括：
打开云、网、应用“黑盒”
通过 DeepFlow 云原生可观测性平台，打开了云网黑盒，打开了云原生平台的系统黑盒，打开了云原生微服务调用的黑盒。
闪速故障定责定界定位
DeepFlow 云原生可观测性平台的数据关联分析、极简高效的数据呈现，实现了分钟级时延故障定界，分钟级丢包故障定位，分钟级业务异常故障定界，疑难杂症的定位周期由数天缩短至30分钟内。
加速云原生迁移
在实践中，我们还发现通过可观测性不仅仅能加速光大银行线上生产故障定位，提升在线业务可靠性，还能够助力光大银行开发、测试阶段的异常发现、异常定位，缩短开发周期，提高上线代码质量。
而且通过 DeepFlow 可观测性的快速定界能力，能够厘清故障界面，提升光大银行内部对云、容器平台的可靠性认可，提升应用向云原生重构、迁移的信心。
打破组织边界，构建融合统一运维能力
随着云原生的发展，IT 开发组织、运维组织的形态也正在快速变革中，通过DeepFlow 可观测性构建光大银行跨云、容器、网络、应用的统一可观测能力，打通了光大网络团队、云技术团队、应用运维团队三个组织的运维边界，通过统一、客观的可观测数据，为跨组织协作提供客观依据，提升沟通效率，减少运维矛盾。
思考与总结
在可观测性平台的建设过程中，我们也遇到很多挑战和困难，比如可观测性概念推广普及难，可观测性建设缺乏指导方法论和建设标准，用户组织架构与观测数据融合的矛盾。首先，对于可观测性概念用户普及难的问题，我们发现真实的原因是可观测性概念抽象、对象宽泛、与监控区分不清、缺乏衡量标准。如果要高效率的推广可观测性，首先要站在用户的角度，结合场景，合理阐述和布道可观测性。通过大量的技术通过与交流，我们总结了简单易接受的可观测性定义：
可观测性定义1：源于监控，又不止于监控；源于运维，又不局限于运维。
可观测性定义2：通过海量、多源、异构数据（指标、追踪、日志）的获取、关联、分析，最大化发掘IT系统数据资产的价值（IT系统大数据分析、数据挖掘）。
其次，对于可观测性建设缺乏指导方法论和建设标准的问题，经过在可观测性平台建设的过程中，我们认识到可观测性的建设不是一朝一夕、一蹴而就的，可观性平台的建设更要关注持续性、成长性，更要关注平台的如下几点能力：
持续提升，不断增加新数据源的能力
持续提升，不断扩充新标签关联的能力
持续提升，不断发掘新的数据价值的能力
最后，对于用户组织架构与观测数据融合的矛盾，核心在于可观测性对于组织中各个团队的价值和收益，我们在 DeepFlow 可观测性平台的建设中，以价值为锚点，不断地推广、宣传运维数据打通、运维数据关联、运维数据融合的巨大潜力和价值，从而不断争取更多的团队和角色对可观测性的建设提供支持，构筑数据更加丰富，使用功能更加强大，数据价值更大的可观测性。