定义

下一代观测性指的是用于监控、分析和理解复杂数字系统、应用程序和基础设施行为的先进、智能方法。与传统的基于日志和指标的监控不同，它将遥测数据（日志、指标、跟踪）与复杂的分析能力相结合，这些能力通常由人工智能和机器学习提供支持。

为什么它很重要

在现代的分布式架构（如微服务）中，传统监控往往无法提供整体视图。下一代观测性超越了简单地报告故障；它旨在预测故障、更快地确定根本原因，并提供对用户旅程的深度上下文理解。对于在复杂的云环境中保持高正常运行时间和优化性能至关重要。

工作原理

这种方法依赖于三个支柱：指标、日志和跟踪（可观测性的三大支柱）。下一代观测性通过以下方式增强了这一点：

• 上下文化： 自动关联不相关的各个数据点（例如，将特定的日志错误与特定的用户事务跟踪关联起来）。
• 异常检测： 使用机器学习模型建立“正常”系统行为的基线，并标记可能预示着问题的偏差，而不是等到预定义阈值被突破。
• 自动化关联： 智能地分组跨服务相关的事件，以呈现所发生事件的连贯叙述。

常见用例

• 主动事件响应： 在性能下降导致面向客户的停机之前检测到细微的性能下降。
• 性能调优： 识别在负载下引入延迟的特定代码路径或服务交互。
• 用户体验映射： 跟踪跨多个前端和后端服务的完整用户会话，以诊断用户体验瓶颈。
• 容量规划： 以高保真度分析历史负载模式，以准确预测未来的资源需求。

主要优势

主要优势是从被动的“救火”转向主动的系统管理。企业可以获得更低的平均解决时间（MTTR）、更高的服务可靠性以及可指导开发优先级的更深层次的运营智能。

挑战

实施下一代观测性是复杂的。主要挑战包括管理海量的、高基数的数据、确保跨分布式系统的数据隐私合规性，以及需要专业知识来有效地调整底层人工智能模型。

相关概念

这个概念与可观测性（Observability）密切相关，可观测性是系统的一种属性，允许从外部输出推断其内部状态。它还与 AIOps 重叠，AIOps 特别将人工智能应用于基于观测数据的自动化操作任务。