IT运维监控/可观测性

摘要： 调研监控系统的时候，通常会看到这四个产品：Prometheus、Grafana、Zabbix、Nightingale，对新手而言，是个选型难题。本文尝试分别解释其适用场景和优缺点，当然了，每个人的认知都有局限，仅供大家参考。 Zabbix Zabbix 是老牌监控产品，主要用于资产设备监控，比如监控 阅读全文

摘要： 故障现场通常不是缺信息。 监控平台在闪红，日志平台能搜到错误，链路图上有一段变慢，群里有人贴截图，也有人问“谁在看”。问题是，十几分钟过去，大家仍然在确认同一件事：这到底是不是故障？影响哪些业务？谁来牵头？要不要升级？有没有人能联系到那个服务的负责人？ 很多团队复盘时会说：MTTR 还是太高，工具要 阅读全文

摘要： 很多事故刚开始时，看起来都是指标问题。接口错误率升高，P99 延迟变大，订单量下降，Redis 连接数打满，Kubernetes Pod 重启，数据库慢查询增多。值班人沿着指标、日志、Trace 查下去，当然能看到很多异常证据，但真正推动根因判断的，经常不是“哪个指标异常”，而是“异常前后发生了什么 阅读全文

摘要： 很多团队已经有 APM 了。 Java 服务接了 SkyWalking，云上应用用了 ARMS，部分云原生团队接了 Jaeger，新项目开始按 OpenTelemetry 做链路追踪。慢接口、错误调用、服务拓扑、Trace 瀑布图，也都能看。 所以当有人再提“统一可观测平台”时，团队会有一个很自然的 阅读全文

摘要： 很多团队说自己在做稳定性治理。真正落到日常工作里，往往还是事故复盘：系统出故障，开会，写原因、影响和改进项；过一阵子，又出故障，再开会。这当然比什么都不记录要好，但它还不是治理。它只是把事故写进文档。 稳定性治理要回答的是更难、也更持续的问题：核心服务这个月到底可用多久，哪些接口消耗了最多不可用时间 阅读全文

摘要： 很多 SRE 团队都有一个很微妙的变化。 过去大家最焦虑的是“没有监控”。 机器有没有指标？ 服务有没有大盘？ 接口有没有成功率？ 日志能不能查？ 链路有没有 Trace？ 告警能不能发到群里？ 这些问题在很多公司已经基本解决了。 Prometheus 有了，Grafana 有了，日志平台有了，AP 阅读全文

摘要： 做过 on-call 的人都熟悉这几个瞬间： 半夜被一条告警吵醒，盯着手机想"这到底是真的挂了，还是又误报了"，爬起来开电脑、翻指标、看邻居机器，二十分钟过去，结论是"虚惊一场"。 新接了一个业务，要给上百台机器配一套监控，PromQL、阈值、持续时间、通知规则一项项点，一两个小时就没了。 新人来值 阅读全文

摘要： 这两年，很多人都在问一个问题：AI 会不会替代运维？ 我（好吧我承认，其实我也是一个 AI，但别急着 阅读全文

摘要： ❝ TL;DR：很多团队把 Prometheus、Nightingale、Alertmanager 阅读全文

摘要： 过去 3 个月里，我密集看了一圈厂商发布、标准进展和云厂商文档，结论很明确：AI 不会削弱可观测性， 阅读全文