Vor 20 Jahren eroberte Software die Welt. Die alten Methoden der Überwachung, des Failovers oder des routinemäßigen Neustarts wurden schnell unzureichend, und mit einem neuen Fokus auf Software-Exzellenz musste überdacht werden, wie wir diese überwachen und warten.
Schon damals, als neue Software jährlich veröffentlicht wurde, war klar, dass Entwickler und Zukunftsforscher ihre Herangehensweise aufbauen, informieren und optimieren mussten, was ein tieferes Verständnis der Anwendungserfahrung erforderte. So schlug die frühe Saat des Leistungsmanagements und der Observability Wurzeln.
Das unerfüllte Versprechen der frühen Observability
Im Kern wurde Observability entwickelt, um drei zentrale Versprechen zu erfüllen: die Systemgesundheit sicherzustellen, Probleme mit Zuverlässigkeit, Leistung oder Sicherheit zu identifizieren und diese effizient zu lösen. Aber dies erforderte eine enorme Menge an Daten zu einer Zeit, als Daten teuer und schwer zu sammeln waren, ganz zu schweigen von der Analyse. In den letzten zehn Jahren wurden verschiedene Methoden und Telemetrie kombiniert, was heute als der bevorzugter Ansatz der Observability definiert wird: Logs, Metriken und die verteiltes Anwendungstracing.
Nach zehn Jahren des Versuchs war diese Kombination nur eine weitere bruchstückhafte Telemetrie, die zu viel Aufwand für zu wenig Ertrag erforderte. Ohne die Möglichkeit, auf andere Weise tiefe Einblicke in die Infrastruktur oder Anwendungen zu erhalten, wandten sich die Entwickler den Traces zu. Sie instrumentieren den Code, um die überschaubaren Slices zu verfolgen und einen Einblick in die Anwendungserfahrung und die Code-Abhängigkeiten zu erhalten, selbst wenn es sich nur um kleine Teile ihrer Anwendungen handelt.
Tracing war zwar nützlich, aber nicht die vollständige Antwort. Die Kombination aus hohen Kosten, Komplexität und arbeitsintensiven Prozessen führte zu einem erheblichen Mehraufwand bei der Kodierung. Dies führte oft zu Ermüdungserscheinungen bei den Entwicklern, verlangsamte die Veröffentlichungsgeschwindigkeit und deckte nur selten den gesamten Umfang einer Anwendung ab.
Einige haben vorgeschlagen, die Version „Observability 2.0“ zu verwenden, um diese Probleme zu lösen, aber ein iterativer Ansatz verstärkt nur ein veraltetes Modell. Wir müssen agiler werden. Der Markt fordert eine SaaS-gesteuerte Observability-Lösung, die sich kontinuierlich weiterentwickelt, und einen neuen Ansatz, der die Fehler der Vergangenheit nicht wiederholt.
Logs: Das Fundament der modernen Observability
Dieser neue Ansatz wird auf umfangreichen, unstrukturierten Logdaten beruhen. In Peter Bourgons früher Analysewurden Logs als diskrete, begrenzte Datenseinheiten betrachtet. Dies bezog sich eindeutig auf strukturierte Logs, statische Daten, die immer in bestimmten Datenformaten präsentiert wurden. Obwohl er ihre Rolle verstand, unterschätzte er, wie Anwendungen, Entwicklung und letztlich Logdaten so mächtig werden würden.
In den 20 Jahren der Observability hat sich so viel verändert. Software und Code werden jetzt mehrmals am Tag veröffentlicht, manchmal sogar tausende Male pro Tag über Hunderte von Microservices hinweg! Um mit der Instrumentierung Schritt zu halten, müssten Entwickler eine weitere Anwendung neben ihren Geschäftsapplikationen pflegen, um so viel Tracing wie möglich zu orchestrieren, und sie würden trotzdem wichtige Teile des Gesamtbildes verpassen.
Heute fungieren unstrukturierte Logs wie „digitale Abgase“, die kontinuierlich mit minimalem Aufwand oder Instrumentierung erzeugt werden. Von detaillierten Fehlermeldungen, die von Entwicklern individuell geschrieben wurden, bis hin zu natürlicher Sprache und einzigartigen Kundendaten geht diese moderne, unstrukturierte Log-Daten weit über die strukturierten Ereignisse hinaus, die in frühen Ansätzen der Observability beschrieben wurden. Sie bieten granulare Einblicke und erfordern leistungsstarke unstrukturierte Log-Analyse, um die atomaren Operationen eines Systems zu enthüllen.
Logs sind heute von grundlegender Bedeutung für die umfassende Diskussion eines Vorfalls. Ganz gleich, ob Sie eine Ursachenanalyse durchführen oder Service-Abhängigkeiten abbilden möchten – umfangreiche unstrukturierte Logdaten können die notwendigen Erkenntnisse liefern. Logging ist in unsere Entwicklungshygiene und unsere kontinuierlichen Innovations- und Bereitstellungspipelines eingebettet. Es ist entwicklerfreundlich und erfordert keine nachträgliche Instrumentierung. Tun Sie es einmal, und zwar richtig.
In Kombination mit maschinellem Lernen und generativer KI gibt es noch mehr Potenzial für Innovationen. Mit den einzigartigen Nutzungsmodellen von heute, wie unserem kostenlosen Log-Ingest und Flex Licensing ermöglicht es unternehmensweite Auswirkungen und Einblicke in das maschinelle Lernen der nächsten Stufe. Je größer der Datensatz der umfangreichen Logs wird, desto genauer wird das maschinelle Lernen und desto leistungsfähiger wird die generative KI. Anstatt kleine Ausschnitte von Logdaten zu erfassen, können Unternehmen jetzt ihre gesamte Log-Intelligenz in einer einzigen Plattform zusammenfassen.
Wenn Sie Zugriff auf alle Logs haben, sowohl strukturierte als auch unstrukturierte, wird eine komplizierte Instrumentierung unnötig. Während Traces einen Einblick in einen Teil Ihres Codes gewähren, bietet dieser neue Ansatz der Log-Analyse eine einheitliche verlässliche Datenquelle – eine einheitliche Ansicht –, die es den Teams ermöglicht, das gesamte Bild zu sehen, anstatt fragmentierte oder disparate Ansichten des Systemverhaltens zusammenzusetzen. Auf dieser Grundlage können alle traditionellen Ansätze und Erkenntnisse repliziert werden … Sie erhalten Metrik- und Trace-Transparenz, vor allem aber Service-Abhängigkeiten in Echtzeit sowie Empfehlungen zur Identifizierung von Ursachen und deren Behebung, selbst in der heutigen globalen Cloud Computing-Umgebung.
Moderne Observability erfüllt ihr Versprechen, indem sie die Leistungsfähigkeit umfassender Logs nutzt, ohne mehr Budget, Zeit oder kritische Entwicklerstunden zu erfordern. Wir freuen uns, Ihnen mehr über unsere Vision und die bevorstehenden Innovationen mitteilen zu können, die den nächsten Ansatz definieren werden: organische Observability auf der Grundlage von Logs.
Erfahren Sie mehr über Logs als Aufzeichnungssystem für Insight-Systeme.
