Анализ данных о производительности приложения требует времени, но оно того стоит, ведь в будущем позволит ИТ-администраторам быстрее решать проблемы.



Как лучше всего отслеживать производительность распределенных приложений?

Организации устанавливают приложения на нескольких платформах — локально, в одном или нескольких облаках или в обеих этих средах — и используют распределенные архитектуры, для чего разворачивают код в виде микросервисов и в контейнерах. По сравнению с монолитными, распределенные приложения затрудняют мониторинг, а также не лучшим образом сказываются на эффективности и точности анализа. Поэтому организациям необходимо подобрать подходящие инструменты и реализовать правильный подход к мониторингу распределенных приложений.

По мере того как распределенные приложения и вычисления становятся все более популярными, появляются новые инструменты для прогнозной ИТ-аналитики, призванные бороться с проблемами реактивной ИТ-инфраструктуры. Прогнозная технология оценивает текущую статистику, тенденции и архивные данные, а затем с помощью машинного обучения и анализа данных делает предположения о будущем или неизвестных событиях. Несмотря на то, что для работы с прогнозной ИТ-аналитикой необходимо обладать углубленными знаниями, даже незначительное сокращение количества инцидентов при работе приложения принесет серьезную экономию. Однако прогнозный мониторинг и анализ не решат всех проблем, ведь ИТ-организациям все равно понадобится самостоятельно решать, что отслеживать и когда.

Проблемы распределенных приложений

На смену устаревшим монолитным приложениям, развернутым на одном сервере, пришли распределенные приложения с несколькими компонентами, которые установлены на множестве частей ИТ-инфраструктуры. При мониторинге приложений недопустимо смотреть лишь в одну сторону — необходимо отслеживать большой спектр ресурсов, в том числе внешнее хранилище, сети и вычислительные мощности.

И вместе с тем прогнозная аналитика распределенных приложений становится все сложнее. Чтобы выяснить, какие компоненты приложения и инфраструктуры следует отслеживать, начните с разных концов системы, а затем придите к общему знаменателю. Верхняя часть системы — это удобство использования приложения.

Аспекты приложения с точки зрения клиента сильно сказываются на общей оценке, но к ним сложно применить прогнозную аналитику. Проблемы производительности приложения (например, функции, которые работают с попеременным успехом) могут встречаться сравнительно нечасто, поэтому их сложно предугадать. Тем не менее, удобство использования — это очень важный показатель для подкрепления аналитической информации.

Если алгоритм прогнозной аналитики не позволяет применить собранную информацию в нескольких разных системах для составления полной картины, его нельзя назвать эффективным, ведь без этого будет сложно определить, как влияют проблемы одной системы на весь стек приложений. Дни разрозненных приложений позади — на их смену приходят объединенные между собой компоненты. Но с операционной точки зрения это может привести к множеству ошибок и недостающих частей.

Что стоит отслеживать

Чтобы объединить несколько аналитических инструментов в облачных и локальных системах для отслеживания распределенных приложений без каких-либо упущений, понадобится целая команда ИТ-специалистов. Если в вашем распоряжении нет неограниченного бюджета для мониторинга, это необоснованно. От методики, используемой для сбора, предоставления общего доступа и использования данных, зависит успех прогнозных инструментов — даже больше, чем от возможностей машинного обучения или изучения тенденций.

Чтобы система собирала всю информацию, необходимую для работы ИТ-отдела, прогнозная ИТ-аналитика должна также учитывать удобство использования. Если поставить удобство использования во главу стола, команда специалистов сможет предотвратить или уменьшить ошибки и сбои, с которыми сталкиваются клиенты, или хотя бы понять, как эти ошибки могут повлиять на работу, и предложить решение.

Ограничения прогнозной ИТ-аналитики

Прогнозная аналитика для мониторинга распределенных приложений призвана обнаруживать и предотвращать ошибки, однако невозможно избежать абсолютно всех ошибок или инцидентов. Аналитика происходит не в реальном времени.

Сроки выполнения прогнозной ИТ-аналитики — это еще один очень важный аспект. Машинное обучение и анализ данных несовместимы с отчетностью в реальном времени. Как руководству, так и техническому персоналу необходимо понять, что системам прогнозной ИТ-аналитики необходимо время, чтобы собрать достаточно данных для обработки и анализа, после чего можно будет ожидать каких-либо достойных результатов. В зависимости от объемов данных, на это может уйти как несколько часов, так и несколько дней. Администраторы могут уменьшить объем данных, но это может не лучшим образом сказаться на точности анализа. Прогнозная ИТ-аналитика должна предотвращать проблемы, чтобы улучшить удобство использования и оптимизировать управление ИТ-ресурсами. Для отправки сигналов об ошибках и реагирования на инциденты необходимо реализовать иные методы.

Прогнозная ИТ-аналитика не способна устранить каждый возможный инцидент, который может повлиять на стек приложений. Масштабные отключения электроэнергии, сбои в работе поставщиков облаков и крупные отказы оборудования могут происходить совершенно неожиданно. Но чем больше данных у вашей организации, тем более высоких результатов вы сможете достичь. Чтобы добиться успеха, необходимо понять недостатки и преимущества этой технологии и по максимуму использовать ее возможности.