Định nghĩa

Telemetry Dựa trên Mô hình (MBT) là một kỹ thuật giám sát tiên tiến vượt xa việc cảnh báo dựa trên ngưỡng đơn giản. Thay vì chỉ báo cáo các số liệu thô (như mức sử dụng CPU hoặc độ trễ), MBT tích hợp các mô hình học máy để hiểu hành vi mong đợi của một hệ thống trong các điều kiện khác nhau. Nó sử dụng các mô hình đã học này để dự đoán các trạng thái trong tương lai và xác định các sai lệch báo hiệu các vấn đề tiềm ẩn trước khi chúng ảnh hưởng đến người dùng.

Tại sao nó quan trọng

Trong các hệ thống hiện đại, phức tạp và phân tán, việc giám sát tĩnh truyền thống thất bại vì hành vi hoạt động bình thường là động. Một sự gia tăng đột ngột về độ trễ có thể là bình thường trong thời gian tải cao điểm, nhưng MBT có thể phân biệt điều này với một sự gia tăng bất thường cho thấy sự suy giảm chất lượng dịch vụ. Nó chuyển đổi việc giám sát từ việc xử lý sự cố bị động sang quản lý rủi ro chủ động.

Cách thức hoạt động

MBT bao gồm một số giai đoạn chính. Đầu tiên, dữ liệu telemetry lịch sử được thu thập. Thứ hai, các thuật toán ML (như dự báo chuỗi thời gian hoặc mô hình học sâu) được huấn luyện trên dữ liệu này để xây dựng một mô hình cơ sở về trạng thái 'bình thường'. Thứ ba, telemetry thời gian thực đến được đưa vào mô hình đã được huấn luyện này. Mô hình sau đó đưa ra dự đoán về những gì số liệu nên là. Bất kỳ sự khác biệt đáng kể nào giữa dự đoán và quan sát thực tế sẽ kích hoạt một cảnh báo thông minh.

Các trường hợp sử dụng phổ biến

MBT rất có giá trị trong nhiều lĩnh vực:

• Giám sát Cơ sở hạ tầng: Dự đoán lỗi phần cứng hoặc cạn kiệt tài nguyên trước khi chúng xảy ra.
• Giám sát Hiệu suất Ứng dụng (APM): Phát hiện sự suy giảm hiệu suất tinh vi không vượt qua các ngưỡng cứng nhưng cho thấy sự suy giảm chậm.
• Phát hiện Trôi dạt Mô hình ML: Giám sát phân phối dữ liệu đầu vào của các mô hình đã triển khai để đảm bảo chúng vẫn chính xác theo thời gian.
• Phân tích Lưu lượng Mạng: Xác định các mẫu tinh vi cho thấy các mối đe dọa bảo mật hoặc tắc nghẽn.

Lợi ích chính

Ưu điểm chính của MBT là khả năng giảm sự mệt mỏi do cảnh báo. Bằng cách hiểu ngữ cảnh, nó lọc bỏ nhiễu, đảm bảo rằng các đội vận hành chỉ nhận được cảnh báo về các sự kiện thực sự đại diện cho sự sai lệch so với hành vi lành mạnh, mong đợi. Điều này dẫn đến Thời gian Khắc phục Trung bình (MTTR) nhanh hơn và thời gian hoạt động hệ thống được cải thiện.

Thách thức

Việc triển khai MBT không hề đơn giản. Nó đòi hỏi dữ liệu lịch sử được gán nhãn và chất lượng cao để huấn luyện mô hình hiệu quả. Hơn nữa, bản thân các mô hình cần được bảo trì và huấn luyện lại liên tục khi hệ thống cơ bản phát triển (trôi dạt khái niệm). Độ phức tạp thiết lập ban đầu và chi phí tính toán cũng là những cân nhắc đáng kể.

Các khái niệm liên quan

MBT có mối liên hệ chặt chẽ với Khả năng Quan sát (Observability), là phương pháp rộng hơn về việc trang bị các hệ thống để hiểu trạng thái nội bộ. Nó cũng chồng lấn với Bảo trì Dự đoán và AIOps, nơi AI được áp dụng để tự động hóa các hoạt động CNTT.