云杉网络发布数据驱动的云网可视化与分析产品

云杉网络

August 1, 2017

产品资讯

网络与业务正在脱节 通常来说,企业业务的经营与管理离不开“业务架构”、“应用系统”和“IT基础设施”三个有机部分。其中,应用系统是业务的直观体现,而业务架构彰显的是运营模式,IT基础设施则作为前两者的载体存在。 1 在云计算时代,企业本身朝着数字化转型,业务架构朝着服务化转型,应用系统则迈入了DevOps时代,随之,IT基础设施迎来云时代。在IT基础设施中,和计算、存储一样,网络(网络架构、网络服务、网络运维管理)如果不变革,网络将无法适应业务发展的需求,其结果就是与业务逐渐脱节。

云网时代及其挑战

在SDxCentral发布的《2017下一代数据中心网络研究报告》中指出,下一代数据中心对网络的关键需求为可视化与Troubleshooting、关键趋势为大数据分析。企业数据中心网络正在积极拥抱SDN,以最大程度上适应云网时代的发展、消除网络与业务的脱节。迈入虚拟化及云网时代的数据中心网络具有以下三大特征。 1、虚拟化:网络及网络功能变得由软件定义和用户可编程 2、去边界化:内网流量成主导,虚拟化让传统网络的边界消失。 3、高度动态化:业务的动态性要求网络可以更快地响应。 2

什么是云网?

云网是随着虚拟化和云计算诞生的一种新架构的网络形态,以开放可编程、细粒度可控等用户需求为目标,以SDN、NFV等网络技术为支撑,通过软件定义、数据驱动的方式进行管理。云网旨在提供一个敏捷的虚拟化的网络环境,使海量数据更快速、更高效的传输 可视化让网络运营管理人员对整个交换矩阵发生的事情一目了然,有利于快速定位网络故障或者洞察流量突发。网络生成的数据流本身就是一个大数据用例,因而成为下一代数据中心网络的典型应用场景;很多厂商、组织和用户通过对流量数据的收集和分析来进行排障、网络优化和安全防范。网络在变得虚拟化和云化的同时,网络的运维管理将面临新的环境和挑战: 1、不断增长的网络复杂性:多租户海量业务和应用,使得网络动态连接和传输的数据指数级增长。 2、更高的网络服务要求:业务追求极致的用户体验,对网络提出更高的可靠性要求。 3、失效的传统网络运维:现有运维架构和方式难以应对复杂网络的排障和优化。 时至今日,仍有大量网络领域的创业公司不断涌现,在降低网络的复杂性、使之更敏捷更适用于业务、使网络更开放更可控等方面,无论是巨头还是创业公司,都还有很长的路要走。

DeepFlow®,打造数据驱动的下一代数据中心网络

网络构架将现实进行了分层,最低的物理层看到的是电位变化,中间传输层看到的是数据包,只有上面的应用层才知道数据的意义。为应对网络变革,云杉网络基于SDN、云计算及大数据技术,推出了虚拟化网络的可视化与分析产品「DeepFlow®虚拟网络流量采集、分发与分析平台」,以Flow粒度的网络流量数据为核心,打造数据驱动的下一代数据中心网络。 3

什么是数据驱动?

电商、金融、政务民生,各行各业,人人都在谈大数据。数据是一切系统运作的核心,数据蕴含着尚未发掘的价值。数据分析提供具有指导意义的情报,能为业务带来更高的价值。迈入复杂的云网时代,数据的价值将进一步凸显。围绕数据进行的采集、分析和控制,将为数据中心网络的运维和管理带来全新变革

关于DeepFlow®虚拟网络流量采集、分发与分析平台的10个问题

4

1、DeepFlow®是什么

精准的虚拟网络流量采集、高效分发与分析平台。

2、DeepFlow®解决哪些问题

1)面向云数据中心,提供一体化的虚拟网络流量采集与分发解决方案。 2)通过对虚拟网络数据的采集、分析和呈现,保障业务上云后的安全性和稳定性。

3、为什么云数据中心需要DeepFlow®

1)企业普遍缺乏针对虚拟网络的有效管理手段,难以解决其业务上云后的安全性和稳定性问题。 2)面对虚拟网络时,传统的数据中心网络存在工具链孤岛现象,不同部门、不同设备对虚拟网络流量的需求差异较大。 3)针对虚拟网络推出的DeepFlow®产品,为多种云平台提供一体化的整体网络解决方案,提升了数据中心网络的运行效率,保障了云端业务的安全和稳定

4、DeepFlow®有哪些使用场景

场景一:混合云数据中心。
  • 基于细粒度的流量采集、高效的网络数据分析、灵活的控制策略,为异构网络环境的提供混合云互联、业务网络全景图、边界网络服务、基于业务的安全策略管理等服务。
场景二:私有云数据中心。
  • 实现了对大规模虚拟网络流量的精准采集、按需分发,支持虚拟网络流量的性能分析、安全分析、回溯分析,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、精细化运营等需求场景。

5、DeepFlow®有哪些独特的地方

1)DeepFlow®支持云原生部署,可以关联多类云平台的信息,面向虚拟网络进行监控和诊断。 2)DeepFlow®基于业务的细粒度过滤,实现了对任意云资源之间虚拟网络流量的精准采集。 3)DeepFlow®面向各类安全组、白名单等云安全策略管理,针对异常流量事件实时检测和告警。

6、DeepFlow®和现有网络方案相比的优势

1)采集器支持对指定资源组流量进行去重、压缩、截短、封装等操作,采集信息传输带宽占比高达1:1000。 2)采集器默认消耗1核CPU、1G内存,支持用户自定义采集器的资源占用。 3)对生产网络零侵扰、对系统组件无依赖,并且有过载保护机制。 4)单台控制器可管理500个以上的采集节点,满足大规模虚拟网络采集需求。 5)支持三层端到端的隧道的封装与分发,满足绝大多数第三方流量使用场景。 6)从业务视角、租户视角、网络视角多维度分析虚拟流量,并能对多类云平台信息进行关联分析。

7、DeepFlow®带给用户的价值

稳定:保障云端业务的稳定性。 高效:提升云数据中心运营效率。 安全:满足上云的安全合规要求。

8、DeepFlow®的未来发展方向

1)覆盖更多的使用场景(包括公有云、私有云、混合云以及容器等)。 2)不断提升DeepFlow®的性能和稳定性,满足行业用户的需求。

9、云杉网络是一支什么样的团队

云杉网络(北京云杉世纪网络科技有限公司)是中国领先的软件定义网络实践创新企业,公司先后获得北极光、红点、经纬、联想创投等多家投资,成为2018年国内估值最高的SDN企业。从2011年12月成立以来先后在北京、苏州、上海、广州、深圳、成都以及硅谷等地建立了完善的产品研发、销售和服务体系。核心产品DeepFlow®率先在金融、电信、制造行业近30家世界500强企业部署。

10、怎样了解更多DeepFlow®的有关信息。

关注云杉网络公众号,回复“精选”查看; 关注云杉网络公众号,回复“订阅”订阅; 云杉网络官方网站:yunshan.net %e5%93%81%e7%89%8c%e5%85%ac%e4%bc%97%e5%8f%b7%e4%ba%8c%e7%bb%b4%e7%a0%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