首页 > 传媒 > 关键词  > 监控系统最新资讯  > 正文

监控系统泛滥:CTO 面临的隐形成本危机

2024-04-15 11:08 · 稿源: 站长之家用户

在信息技术飞速发展的今天,构建和维护现代化数字系统变得日益复杂和关键;在这样的背景下,监控系统的作用变得尤为突出。正如业界广泛流传的一句经验之谈“无监控,不运维”所揭示的道理一样,对于任何具有一定复杂性的数字系统来说,如果没有一个全面且精细的监控体系作为支撑,系统的维护和管理工作将变得极为困难,甚至不能有效地进行。

缺乏有效的监控机制,系统一旦出现任何异常或故障,工程师们将难以迅速地对问题进行定性分析和准确定位。这不仅会拖延问题的解决速度,增加系统的停机时间,还可能导致一系列的连锁反应,影响到整个业务的连续性和稳定性。在这样的情况下,工程师们的工作就像是在没有视觉指引的情况下进行精密手术,不仅效率低下,而且风险极 高。因此,为了确保数字系统的有效运行和可靠性,建立一个全方位、多层次、实时性的监控系统是至关重要的。这样的监控系统能够提供深入的洞察力,使得工程师们能够及时发现并解决潜在的问题,优化系统性能,并保障业务的顺畅运行。简而言之,监控系统不仅是运维工作的基础,更是确保整个数字生态系统健康稳定的关键所在。

然而,构建一个完整的监控体系是一项非常复杂的任务,一个完整的业务需要的监控系统可能包括了云和基础设施监控、容器平台监控、中间件监控、日志分析监控、应用性能监控、终端应用监控、网站应用监控及用户行为分析监控等等。传统的监控建设方式通常是基于业务需求来定制和部署监控解决方案。在这种模式下,每个业务部门或团队往往会根据自身特定的需求来选择和配置监控平台。这意味着随着组织业务线的扩展和多样化,将会陆续涌现出众多独立的监控系统,每一个系统都需针对特定业务或应用进行专门的优化与调整。同时,在采用多云环境的情况下,组织往往会依赖于多个云服务提供商的资源和服务来搭建及运行其业务应用。这种做法虽然为组织带来了灵活性、可扩展性以及成本效益等显著优势,但也对监控系统提出了新的挑战,进一步加剧了监控系统过度增殖的问题。

因此,我们可以观察到一个现象:即使是规模较小的公司,也可能至少部署和维护着三到五套不同的监控系统,以满足其多样化的业务需求和技术支持。不难想象,对于大型企业来说,这一数字可能会更加惊人,他们可能同时运行着数十套监控平台。

「监控系统的过度增殖,不仅会消耗宝贵的资源,更会加剧管理的复杂性,成为CTO们无法回避的成本和效率难题。」

监控系统的"增生"带来了哪些问题?

从单体角度来看,每套监控系统对硬件资源的占用可能并不显著,但当这些系统数量累积起来时,总体的硬件成本就会变得不容忽视。此外,不同监控系统之间的技术异构性也导致了资源的分散和利用率的下降。企业需要为每一套系统配置独立的硬件资源,而这些资源在实际运行中可能并未得到充分利用,从而导致了资源浪费。

同时,随着监控系统数量的增加,企业在硬件维护和管理上的工作量也随之增加,这不仅增加了运维成本,也可能影响到监控系统的稳定性和可靠性。对于那些采用商业监控产品的企业来说,这个问题尤为突出,因为商业产品往往伴随着昂贵的授权费用、升级服务费以及技术支持费等额外开销。随着监控系统的增多,商业成本将成倍增加,企业财务状况也要面对较大压力。

运维成本的增加不仅体现在硬件资源的投入上,更体现在软件层面的技术维护和升级上。首先,因为技术选择的多样性,每个监控系统可能基于不同的技术栈和架构设计。这就要求运维团队必须精通多种技术,以便有效地维护和管理这些系统。这不仅增加了团队的学习成本,还提高了对专业技能的依赖。同时,技术栈之间的差异也可能导致解决方案的不一致,增加了故障排查和解决问题的复杂性。

其次,由于不同监控系统可能是在不同时间引入的,因此即使是相同技术方案的监控系统,也可能存在多个版本。例如,企业可能同时运行着多个版本的ELK(Elasticsearch、Logstash、Kibana)堆栈,每个版本都可能需要不同的维护策略和升级路径。这种情况下,保持各个版本的兼容性和安全性就成为了一项挑战,同时也增加了维护系统的工作量和潜在的风险。 此外,不同版本的监控系统还可能导致数据格式和接口的不一致,这也会造成数据整合和分析的障碍,运维团队需要投入额外的时间和精力来处理这些差异,以确保监控数据的准确性和可用性。

分散的监控系统是工程师低效的“罪魁祸首”

传统的监控系统往往是从运维的角度出发,注重保障系统的稳定性和可用性。这类监控系统侧重于监测硬件性能、网络状况和服务响应时间等关键指标,并利用告警机制向运维团队报告潜在或已经发生的问题。然而,这种以运维为中心的监控建设方式往往忽视了研发团队在应用开发和维护过程中的特殊需求。随着应用的复杂性增加,研发团队可能需要引入如APM(应用性能管理)等工具来更好地进行故障定位和性能优化。这类工具能提供更为细致的应用级监控数据,帮助研发团队深入理解应用的运行状况。

而当运维和研发团队使用不同的监控工具和数据维度时,信息孤岛和协作障碍便成了问题。这种分割的监控系统可能导致巨大的合作成本,工程师可能需要花费大量时间在多个孤立、数据格式不一致的系统中寻找支持证据,有时甚至需要直接登录到业务系统中检查日志,这可能占据了他们超过30%,甚至50%的工作时间。

传统监控系统可能成为信息安全的伤口

传统的分散式监控系统建设模式,由于缺乏集中化的设计和规划,往往会导致管理层面的重大挑战。在这样的体系下,各种独立的监控系统和日志收集平台可能遍布于企业的各个角落,它们各自为政,缺乏有效的沟通和协调机制。这些分散的系统中,很可能存储和处理着大量的敏感信息,包括但不限于个人隐私数据、商业秘密、知识产权等,这些信息对于企业来说具有很高的价值和重要性。

然而,正是这些分散的系统,由于缺乏统一的管理策略和治理框架,使得对这些敏感信息的有效保护变得异常困难。企业可能无法对这些关键数据进行有效分类、风险评估和合规性审查。

此外,由于缺乏统一的数据访问控制和用户权限管理,敏感信息的安全性和保密性难以得到保障,增加了数据泄露的风险。不少情况下,工程师可能因缺乏监管而轻易地将监控系统的信息或者截图分享到公开平台以寻求相关的帮助,也许这些信息里面包含了一些企业重要数据,这样的案例如今已经屡见不鲜了。因此,引入全面的可观测性策略是实现IT基础设施有效管理和成本优化的关键。

结束语

在这个数字化时代,面对传统监控过度增殖所带来的挑战,如何有效管理众多分散且独立的监控系统成为企业战略举足轻重的一环。幸运的是,市场上已有一些综合性的监控解决方案能够为企业提供一个统一的数据视角,从根本上协助CTO们降低长期运维带来的的成本负担,优化整个监控流程。

观测云就是这样一款面向工程师的统一化全功能和全链路可观测性产品,助力企业快速洞察系统及业务运行状况并及时发现、解决问题。观测云具有强大的数据关联分析能力,帮助团队站在同一数据视角上无缝协作。这一策略不仅可以优化工作流程上的效率,还能促进跨部门间的沟通与协作,极大地提升协作效率与响应速度,确保所有团队都能基于统一的数据视角深入理解并有效解决问题,从而保障决策一致性与行动协同性。这对于快速定位问题、减少系统停机时间以及提高服务质量至关重要。与此同时,观测云也十分关注数据安全性,通过加强对访问权限的管理和数据加密等措施,确保数据安全和隐私保护,帮助企业建立完善的内部管理制度和技术防范措施,以应对潜在的安全风险。

对于首席技术官(CTO)来说,采纳这类先进的IT管理技术不仅仅是一次技术上的革新,更是一次管理理念的飞跃。通过这样的转变,企业将能够更好地适应不断变化的市场需求,实现可持续发展,迈向一个更加有效、安全且具备竞争力的数字化未来。

推广

特别声明:以上内容(如有图片或视频亦包括在内)均为站长传媒平台用户上传并发布,本平台仅提供信息存储服务,对本页面内容所引致的错误、不确或遗漏,概不负任何法律责任,相关信息仅供参考。站长之家将尽力确保所提供信息的准确性及可靠性,但不保证有关资料的准确性及可靠性,读者在使用前请进一步核实,并对任何自主决定的行为负责。任何单位或个人认为本页面内容可能涉嫌侵犯其知识产权或存在不实内容时,可及时向站长之家提出书面权利通知或不实情况说明,并提供身份证明、权属证明及详细侵权或不实情况证明(点击查看反馈联系地址)。本网站在收到上述法律文件后,将会依法依规核实信息,沟通删除相关内容或断开相关链接。

  • 相关推荐
  • 大家在看
  • ViViD:视频虚拟试穿技术

    ViViD是一个利用扩散模型进行视频虚拟试穿的新框架。它通过设计服装编码器提取精细的服装语义特征,并引入轻量级姿态编码器以确保时空一致性,生成逼真的视频试穿效果。ViViD收集了迄今为止规模最大、服装类型最多样化、分辨率最高的视频虚拟试穿数据集。

  • xinsir:深度学习、表示学习、细粒度分类

    xinsir (qi) 是一个关于深度学习、表示学习和细粒度分类的产品。它提供了强大的功能和技术,具有主要优点和背景信息。该产品具有多个模型可供选择。

  • 腾讯元宝:是一个多功能工具,帮助用户轻松工作和享受多彩生活。

    腾讯元宝是一款集成了多种实用工具和服务的生产力工具,旨在提高用户工作效率和生活品质。其背景信息是由腾讯公司推出,定位为全面满足用户工作和生活需求的综合性工具。腾讯元宝提供了丰富的功能和服务,包括日程管理、文件存储、社交聊天、视频会议等,用户可以在一个平台上完成各种任务。

  • GPTResearcher:AI助力的快速洞察和全面研究助手

    GPT Researcher是一个领先的自主研究代理,专为多代理框架设计,提供实时、准确和事实性的结果。它能够简化数据收集,通过一个函数调用提供可信赖、聚合和策划的结果。它支持超过100种不同的大型语言模型(LLMs),并且可以与任何搜索引擎协作,从Google到DuckDuckGo。用户可以轻松搜索本地文档和文件,并生成超过2000字的长篇报告,支持多种格式的导出,如PDF、Word、Markdown、JSON和CSV。

  • DenserRetriever:先进的AI检索器,用于RAG。

    DenserRetriever是一个开源的AI检索模型,专为RAG(Retrieval-Augmented Generation)设计,利用社区协作的力量,采用XGBoost机器学习技术有效结合异构检索器,旨在满足大型企业的需求,并且易于部署,支持docker快速启动。它在MTEB检索基准测试中达到了最先进的准确性,并且Hugging Face排行榜上也有其身影。

  • Groqbook:使用Groq和Llama3快速生成整本书

    Groqbook是一个基于Streamlit的应用程序,它利用Llama3在Groq上从一行提示快速构建书籍。它适用于非小说类书籍的创作,并能在几秒钟内生成每一章节。该应用程序混合使用Llama3-8b和Llama3-70b模型,利用较大的模型生成结构,较小的模型创造内容。目前,模型仅使用章节标题的上下文来生成章节内容。未来,这将扩展到书籍的完整上下文,以允许Groqbook生成高质量的小说书籍。

  • MusePose:虚拟人物生成的图像到视频框架

    MusePose是由腾讯音乐娱乐的Lyra Lab开发的一款图像到视频的生成框架,旨在通过姿势控制信号生成虚拟人物的视频。它是Muse开源系列的最后一个构建块,与MuseV和MuseTalk一起,旨在推动社区向生成具有全身运动和交互能力的虚拟人物的愿景迈进。MusePose基于扩散模型和姿势引导,能够生成参考图像中人物的舞蹈视频,并且结果质量超越了当前几乎所有同一主题的开源模型。

  • Codestral-22B-v0.1:一款支持80+编程语言的AI代码生成模型

    Codestral-22B-v0.1是由Mistral AI Team开发的大型语言模型,它经过了80多种编程语言的训练,包括Python、Java、C、C++、JavaScript和Bash等。该模型能够根据指令生成代码,或对代码片段进行解释、重构等。它还支持Fill in the Middle (FIM)功能,用于预测代码中的中间部分,特别适合软件开发工具的插件使用,如VS Code。该模型目前没有内容审查机制,但开发团队正在寻求社区合作,以实现在需要内容审查的环境中部署。

  • Fryderyk:AI辅助的音乐创作伙伴

    Fryderyk是一个集成了AI助手的音乐制作网页应用程序,它提供了一个浏览器内的音乐创作环境,支持即插即用,连接麦克风或任何MIDI乐器。用户可以访问广泛的虚拟乐器库,应用混响、失真、延迟等效果和混合工具,进行音频编辑、录制和编辑音频。Fryderyk还提供云存储功能,项目自动保存并同步至所有设备。它的内置生成性AI能够扩展用户的想法或在用户遇到创作瓶颈时提供新的想法。

  • Codestral:是为代码生成任务设计的AI模型。

    Codestral是Mistral AI团队推出的首个代码生成AI模型,它能够通过共享指令和完成API端点帮助开发者编写和与代码交互。它在80多种编程语言上进行了训练,包括Python、Java、C、C++、JavaScript和Bash等,能够完成编码功能、编写测试和使用中间填充机制完成部分代码。Codestral在性能上设立了新的标准,它拥有32k的上下文窗口,比竞争对手的4k、8k或16k更大,从而在RepoBench上超越了所有其他模型。此外,它还提供了专用的API端点codestral.mistral.ai,允许用户在IDE中使用Instruct或Fill-In-the-Middle路由,并且提供了8周的免费beta期。Codestral还集成到了LlamaIndex和LangChain等应用框架中,以及VSCode和JetBrains环境中,使得开发者可以在这些环境中生成和与代码进行交互。

  • PCM:一种新的文本条件高分辨率生成模型

    Phased Consistency Model(PCM)是一种新型的生成模型,旨在解决Latent Consistency Model(LCM)在文本条件高分辨率生成中的局限性。PCM通过创新的策略在训练和推理阶段提高了生成质量,并通过广泛的实验验证了其在不同步骤(1步、2步、4步、8步、16步)下与Stable Diffusion和Stable Diffusion XL基础模型的结合效果。

  • Qaiz:创建和参与多玩家知识问答游戏

    Qaiz是一个在线平台,利用AI技术快速生成各种主题的互动式问答游戏,让用户可以与朋友和家人实时竞争,同时跟踪分数并享受实时评论。它提供了一个有趣的方式来测试和分享知识,同时具有社交和娱乐的双重属性。

  • Trip Tunes:自动生成适合旅行的个性化音乐播放列表

    Trip Tunes是一款为旅行者设计的应用程序,能够自动创建与旅行氛围相匹配的音乐播放列表。用户只需输入旅行的基本信息和音乐偏好,应用程序就会利用算法精心挑选出符合当地音乐场景和旅行风格的曲目。该应用特别适合那些希望在旅途中享受个性化音乐体验的用户。

  • Backseat AI:与Tyler1一起在《英雄联盟》中获得专业级实时指导

    Backseat AI是由Tyler1联合创立的应用程序,它通过先进的AI技术为《英雄联盟》玩家提供实时的指导、洞察和评论。它旨在通过专业级的游戏分析帮助玩家提高游戏表现,同时保持电脑性能不受影响。Backseat AI是免费的,玩家可以选择升级到高级订阅以获得无广告体验和额外功能。

  • Tonic Textual:安全数据湖,为生成式AI开发提供数据

    Tonic Textual 是全球首个为大型语言模型(LLMs)设计的Secure Data Lakehouse。它通过自动化流程,帮助企业从云存储中提取、治理、丰富和部署非结构化数据,以支持生成式AI的发展。该产品强调数据隐私保护,利用其专有的命名实体识别(NER)模型自动检测和去标识化敏感信息,同时通过数据合成保持数据的语义真实性。它支持多种数据格式,并通过AWS Marketplace、Google Cloud Marketplace和Snowflake Marketplace提供服务。

  • Outtloud:AI语音助手,将文档转换为自然语音

    Outtloud是一款AI语音助手,可以将用户文档或文本转换成自然流畅的高保真AI语音。它支持超过10种语言和口音,提供100多种AI高级人声。用户可以以高达4倍的速度听书,节省阅读时间,同时在驾驶、通勤、锻炼等任何时间任何地点进行学习。它还具备添加笔记和书签的功能,支持在焦点模式下高亮显示正在播放的段落,以便用户跟随阅读。

  • llama3v:基于llama3 8B的SOTA视觉模型

    llama3v是一个基于Llama3 8B和siglip-so400m的SOTA(State of the Art,即最先进技术)视觉模型。它是一个开源的VLLM(视觉语言多模态学习模型),在Huggingface上提供模型权重,支持快速本地推理,并发布了推理代码。该模型结合了图像识别和文本生成,通过添加投影层将图像特征映射到LLaMA嵌入空间,以提高模型对图像的理解能力。

  • Open LLM Leaderboard:开放的大型语言模型排行榜

    Open LLM Leaderboard是一个由Hugging Face提供的空间,旨在展示和比较各种大型语言模型的性能。它为开发者、研究人员和企业提供了一个平台,可以查看不同模型在特定任务上的表现,从而帮助用户选择最适合自己需求的模型。

  • OpenCompass Multi-modal Leaderboard:实时更新的多模态模型性能排行榜

    OpenCompass多模态排行榜是一个实时更新的平台,用于评估和排名不同的多模态模型(VLMs)。它通过8个多模态基准测试来计算模型的平均得分,并提供详细的性能数据。该平台仅包含开源的VLMs或公开可用的APIs,旨在帮助研究人员和开发者了解当前多模态模型的最新进展和性能表现。

  • I2VEdit:一种基于图像到视频扩散模型的视频编辑技术

    I2VEdit是一种创新的视频编辑技术,通过预训练的图像到视频模型,将单一帧的编辑扩展到整个视频。这项技术能够适应性地保持源视频的视觉和运动完整性,并有效处理全局编辑、局部编辑以及适度的形状变化,这是现有方法所不能实现的。I2VEdit的核心包括两个主要过程:粗略运动提取和外观细化,通过粗粒度注意力匹配进行精确调整。此外,还引入了跳过间隔策略,以减轻多个视频片段自动回归生成过程中的质量下降。实验结果表明,I2VEdit在细粒度视频编辑方面的优越性能,证明了其能够产生高质量、时间一致的输出。

今日大家都在搜的词: