A Log Analytics mostantól Observability Analytics: Kérdezd le a naplókat és a nyomokat SQL-lel.

A hatékony alkalmazáskezeléshez és hibakereséshez a fejlesztőknek és a webhelymegbízhatósági mérnököknek (SRE) meg kell érteniük a rendszerük viselkedésének teljes kontextusát, jellemzően a naplózási és megfigyelési eszközeik részeként. Ma örömmel jelentjük be a Google Cloud Observability csomagjában elérhető új lehetőségeket: A Naplóelemzés mostantól Megfigyelési Elemzés. A Megfigyelési Elemzésen belüli nyomkövetési adatok általánosan elérhetőek (GA). A Megfigyelési API a kezeléshez és konfiguráláshoz GA. Ezek együtt összekapcsolják a naplókat és a nyomokat egy egységes élménybe, segítve a magas szintű trendek megtekintésétől a mély, kontextuális, ok-okozati elemzésig, mind az ügynöki, mind a hagyományos munkaterhelések esetében, és lehetővé teszik ezen munkaterhelések programozott konfigurálását és kezelését, a megfigyelési tárolókon belül. Ezenkívül a Cloud Trace-ben a SQL támogatása egy fontos új eszköz a toolbelünkben. Például írhat egyetlen SQL lekérdezést, amely összekapcsolja az alkalmazás naplóit az elosztott nyomkövetési eseményekkel, és megtalálhatja azokat a vásárlási kéréseket, amelyek hosszabb ideig tartottak 5 másodpercnél, hogy azonnal lássa, melyik belső mikroszolgáltatás töltötte el a legtöbb időt a feldolgozásuk során. Vagy az AI ügynökök esetében elemezheti a telemetriát több ezer futás során, hogy azonosítsa, mely eszközök hívásai hibásodnak meg a leggyakrabban, vagy kiszámíthatja az összes külső eszköz végrehajtásának aggregált P95 válaszidejét a teljesítmény szűk keresztmetszeteinek meghatározásához. A lehetőségek végtelenek! Ebben a blogban közelebbről megvizsgáljuk a Megfigyelési Elemzést és néhány kulcsfontosságú felhasználási esetet, amelyek a nyomokat és naplókat kihasználják, hogy azonnal munkába állíthassa ezeket az új lehetőségeket a környezetében. Mi az a Megfigyelési Elemzés? A Megfigyelési Elemzés, korábban Naplóelemzés, a BigQuery és SQL erejét hozza el a telemetriai adatokhoz közvetlenül a Cloud Observability keretein belül. Lehetővé teszi, hogy összetett analitikai lekérdezéseket futtasson, amelyek nagy mennyiségű napló- és nyomkövetési adatot kapcsolnak össze a minták azonosítása, a problémák hibaelhárítása és az ügynök és alkalmazás állapotára és teljesítményére vonatkozó betekintések generálása érdekében anélkül, hogy adatokat kellene átvinni vagy másolni. Ez számos fontos előnyt nyújt: Egyesített telemetria: SQL lekérdezéseket futtathat, hogy elemezze és összekapcsolja a nagy mennyiségű napló- és nyomkövetési adatokat egy helyen. Üzleti korreláció: Összekapcsolhatja a megfigyelési adathalmozókat az üzletileg kritikus BigQuery-ben tárolt adatokkal (például átváltási arányok, bevételek, működési költségek) a technikai problémák üzleti hatásának mennyiségének megragadására. Helyben végzett elemzés: Elemezheti az adatait ott, ahol már tárolják (a Cloud Loggingban és a Cloud Trace-ben), csökkentve a duplikált export tárolási költségeit és bonyolultságát. Például a Cloud Observability-val elemezheti, hogy az alkalmazás latenciája hogyan befolyásolja az átváltási arányokat, vagy azonosíthatja a szolgáltatáskimaradások pénzügyi következményeit, átalakítva a nyers telemetriát akcióképes üzleti intelligenciává. Mélyebb betekintések felfedezése a nyomok és naplók segítségével A naplók és nyomok korrelációja egyetlen analitikai nézetben lebontja az adat silókat és gyorsítja a hibaelhárítást. Most már elemezheti a teljesítmény trendjeit a nyomadatokból, és közvetlenül összekapcsolhatja őket a megfelelő alkalmazás- vagy infrastruktúra naplókkal, hogy megértse a "miért" -ot a "mi" mögött. Nézzünk meg néhány példát. 1. felhasználási eset: AI ügynök optimalizálás (az eszközhibák és késleltetések elemzése nagyméretben) Az AI ügynökök gyakran összetett, többlépcsős feladatokat hajtanak végre különböző külső eszközök (pl. adatbázis-lekérdezések, webes keresések, API hívások) végrehajtásával. Ügynökök optimalizálásakor nagyméretben az egyes nyomgrafikonok vizsgálata a felhasználói felületben gyakran nem elegendő. Rendszerszintű kérdésekre kell válaszolnia, mint például "Mely eszközök hibásodnak meg a leggyakrabban?" és "Melyek okozzák a késleltetési szűk keresztmetszeteket?" A Megfigyelési Elemzés segítségével aggregált lekérdezéseket futtathat milliók span eseményein keresztül, hogy kiszámolja a hibaarányokat és a késleltetési percentiliseket (például P95) minden eszköz számára a rendszerében. Példa lekérdezés: Rangsorolja az ügynök eszközeit a hibaarány és a 95. percentilis késleltetés szerint az elmúlt 7 napon. A fenti lekérdezéssel az alábbiakat teheti: Szűk keresztmetszetek észlelés: Azonnal láthatja, ha egy eszköz, mint a DatabaseQueryTool, P95 késleltetése 8 másodperc, ami jelzi, hogy optimalizálnia kell az adatbázis-indexeket vagy csatlakozásokat. Fluktuáló eszközök azonosítása: Felfedezheti, ha egy adott API eszköz 15%-os hibaaránnyal rendelkezik, ami API sebességi korlátokra vagy integrációs hibákra utal. A kiváltó okra való visszatérés: Miután azonosította a fluktuáló eszközt, follow-up lekérdezést írhat, amely összekapcsolja ezeket a nyom eseményeket az alkalmazás naplókkal, hogy kinyerje a pontos LLM promptot és a hibákhoz vezető indoklást. Íme az SQL lekérdezés: 2. felhasználási eset: Késleltetés hatásának azonosítása a specifikus ügyfelekre (üzleti kontextus) Ha nem terjeszti elő a felhasználói vagy ügyfél-azonosítókat a nyom attribútumaiban (pl. adatvédelmi vagy technikai okokból), de bejegyzi őket az alkalmazás-hozzáférési naplóiban, akkor összekapcsolhatja a nyomokat és naplókat, hogy meghatározza, mely ügyfelek tapasztalják a legrosszabb teljesítményt. Példa lekérdezés: Határozza meg a legmagasabb 95. percentilis késleltes résszel rendelkező 10 ügyfelet. További lekérdezés példák találhatók a nyomokkal kapcsolatban ezen a github repón. A Megfigyelési Elemzés oldal a napló- és nyomkutatókkal szemben A Cloud Logging és Trace továbbra is kínálni fog napló- és nyomkutatókat - olyan eszközöket, amelyek az egyes naplóbejegyzések és nyomok keresésére és vizsgálatára optimalizáltak, így ideálisak egy adott probléma feltárására. Ezzel szemben a Megfigyelési Elemzés aggregációkra és mélyreható elemzésre lett tervezve. Gondoljon rá, mint az eszközére, amellyel széles kérdésekre válaszolhat a szolgáltatásairól, például "Mi a 95. percentilis késleltetés a vásárlási szolgáltatásomra az elmúlt héten?" vagy "Mely API végpontoknak a legmagasabb a hibaaránya az utolsó telepítésünk után?" AI ügynökök képessé tétele a nyomok és naplók SQL alapú lekérdezésére Végül, a dinamikusan növekvő ügynöki asszisztensek mellett szüksége van a telemetriához való programozott hozzáférésre. A Megfigyelési API lehetővé teszi, hogy összekapcsolt BigQuery adatokat hozzon létre megfigyelési tárolóin, így az adatok közvetlenül elérhetővé válnak a BigQuery ökoszisztémából való lekérdezéshez. Most az AI ügynökei vagy analitikai munkaterhelései közvetlenül lekérdezhetik ezeket az adatokat a standard BigQuery API-kkal és eszközökkel. Kezdje el ma! Ma kezdheti el az nyomadatok elemzését a Megfigyelési Elemzésben. Egyszerűen navigáljon a Megfigyelési Elemzés oldalra a Google Cloud konzolon, hogy elkezdje felfedezni nyomadatait. Biztosítja, hogy engedélyezte a Megfigyelési API-t a konfigurációk és kezelés képességeinek feloldásához.