Keuntungan:
- Keupayaan untuk mentafsir metrik dengan betul dengan sokongan kecerdasan buatan dengan menggunakan persentil (p95/p99) dan garis dasar dan bukannya purata
- Keupayaan untuk memisahkan bermusim daripada trend dan menghasilkan unjuran kapasiti sebagai julat optimis-pesimis dan bukannya satu nombor
- Memahami bahawa pelaburan sumber dan keputusan ambang penggera adalah manusia, bersama-sama dengan masa utama sumber dan konteks perniagaan.
Pemantauan Kapasiti dan Prestasi: Metrik Membaca dengan AI dan Merancang Masa Depan
Anda tidak boleh melihat kesihatan sistem dengan mata anda sendiri; Anda memahaminya melalui metrik. Metrik ialah nilai berangka bergantung pada masa bagi ciri yang boleh diukur sistem: penggunaan CPU, penghunian memori, ruang kosong cakera, kependaman rangkaian, permintaan sesaat. Pemantauan prestasi secara berterusan mengumpul metrik ini dan menjawab soalan "adakah sistem OK sekarang?" Perancangan kapasiti melangkah lebih jauh: Ia menjawab soalan "pada kadar ini, bila saya akan menjadi tidak mencukupi, bila saya perlu membeli sumber baharu?" Di sini, AI ialah pembantu berkemahiran tinggi dalam mentafsir timbunan metrik, menandai anomali, membaca arah aliran dan menghasilkan unjuran masa hadapan. Tetapi satu kaveat diutamakan di atas semua: AI mengekstrak corak daripada data sejarah; Anda adalah orang yang membuat pelaburan sumber, penskalaan dan keputusan ambang amaran dengan konteks.
Dalam unit ini, konsep pemantauan seperti garis dasar (garisan tingkah laku normal), anomali (sisihan daripada normal), persentil (persentil); Tafsiran metrik dengan AI; trend dan ramalan pertumbuhan; dan anda akan belajar untuk menetapkan ambang penggera yang betul.
Pembohongan purata: mengapa persentil?
Kesilapan yang paling biasa dalam penjejakan ialah mengukur segala-galanya dengan purata. Katakan masa tindak balas anda ialah 200 ms secara purata. Kedengaran bagus. Tetapi 5% pengguna mungkin menunggu 8 saat; Rata-rata menyembunyikan perkara ini. Itulah sebabnya profesional menggunakan persentil: p95 = "95% permintaan berada di bawah tempoh masa ini." Jika masa tindak balas p95 ialah 8 saat, satu daripada dua puluh pengguna mengalami pengalaman yang mengerikan — purata tidak pernah menunjukkannya. Apabila memberikan metrik kepada AI, jelaskan statistik yang anda mahukan: "tafsirkan p50, p95 dan p99 kepada saya, bukan purata." Tabiat yang satu ini mendedahkan masalah tersembunyi.
Petua: Lihat persentil untuk setiap metrik yang melibatkan pengalaman pengguna (masa tindak balas, kependaman); p95/p99 bukannya purata membawa anda kepada minoriti sebenar yang menderita. Dalam metrik sumber (CPU, memori), lihat pada kedua-dua nilai puncak dan berterusan.
Tidak ada anomali tanpa garis dasar
Sebelum anda boleh mengetahui sama ada sesuatu metrik adalah "tidak normal", anda perlu mengetahui "normal". Garis dasar ialah julat tingkah laku biasa sistem pada hari yang sihat: "CPU tengah hari hari kerja perkhidmatan ini biasanya 40–60%". Tanpa garis dasar, anda tidak boleh mengetahui sama ada nilai 70% itu menakutkan atau normal. Anda boleh menetapkan garis dasar dengan memberikan data sejarah yang sihat kepada AI dan menyebut "ekstrak julat normal dan corak harian/mingguan metrik ini". Kemudian anda mentafsir data baharu mengikut garis dasar ini: "di manakah nilai ini dalam keadaan normal?" Anomali ialah sisihan yang ketara dan berterusan daripada garis dasar — satu lompatan mengejut selalunya ialah bunyi bising.
Langkah demi langkah: unjuran kapasiti
- Kumpul sejarah yang bersih dan mencukupi. Trend memerlukan sekurang-kurangnya beberapa minggu data, sebaik-baiknya setiap bulan. Unjuran yang dibuat dengan sedikit data adalah tekaan, bukan ramalan.
- Bermusim yang berasingan. Trafik menurun pada hujung minggu, meningkat pada akhir bulan dan meletup semasa kempen. Beritahu AI kitaran ini supaya ia tidak mengelirukan pertumbuhan dengan turun naik bermusim.
- Keluarkan trend. "Berapa GB secara purata telah berkembang cakera ini setiap minggu dalam tempoh 8 minggu yang lalu?" AI mengira kadar pertumbuhan.
- Minta unjuran, jarakkannya. "Pada kadar ini, bilakah cakera akan 90% penuh?" — tetapi minta julat optimistik/pesimis, bukan satu tarikh. Masa depan tidak pasti; nombor ganjil ialah ketepatan palsu.
- Tentukan ambang keputusan dengan orang. Jika unjuran mengatakan "Ia akan disiapkan dalam masa 6 minggu", anda mempertimbangkan masa penyumberan (pembelian, kelulusan) dan memutuskan sama ada untuk mengambil tindakan hari ini.
- Tetapkan penggera dengan betul. Penggera yang sangat sensitif menghasilkan bunyi bising dan keletihan penggera; penggera yang terlalu longgar akan terlepas acara itu. Dapatkan pengesyoran ambang daripada AI, tetapi tentukan ambang akhir dengan toleransi risiko anda sendiri.
tiga kes mini
Kes 1 — Purata disembunyikan, p99 ditunjukkan. Satu pasukan berpendapat API mereka ialah "180 ms secara purata, baik sahaja." Apabila saya menghantar metrik kepada AI dan meminta tafsiran persentil, ternyata p99 ialah 6,400 ms — satu dalam setiap seratus permintaan adalah lebih perlahan daripada 6 saat. Puncanya ialah pertanyaan pangkalan data yang perlahan. Walaupun rata-rata kelihatan sihat, minoriti mempunyai pengalaman yang mengerikan.
Kes 2 — Unjuran diberi amaran 3 minggu lebih awal. Pentadbir memberikan data penghunian cakera log kepada AI. AI menyimpulkan trend pertumbuhan mingguan sebanyak ~7 GB dan mengunjurkan bahawa pada kadar semasa, 90% akan dicapai dalam masa 19 hari, dengan julat optimistik-pesimis 16–23 hari. Memandangkan ia mengambil masa 10 hari untuk membekalkan cakera baharu, pasukan itu memesan serta-merta dan menghalang gangguan sebelum ia berlaku.
Kes 3 — Kembali daripada anomali palsu. Penggera pemantauan berbunyi setiap malam Ahad mengatakan CPU meningkat kepada 95%. Sebelum panik, jurutera meminta AI menaikkan garis dasar: lompatan ini adalah kerja sandaran yang dirancang yang berlaku pada masa yang sama setiap minggu, jadi ia adalah sebahagian daripada norma. Ia bukan satu anomali; garis dasar telah tiada. Ambang penggera telah diperbetulkan untuk tempoh masa itu dan bangun malam yang tidak perlu telah hilang.
Empat templat yang boleh disalin
1) Tafsiran metrik (persentil):
Di bawah ialah metrik masa tindak balas [perkhidmatan] (bertopeng). Komen kepada saya p50, p95 dan p99, bukan purata. Apakah maksud perbezaan antara p99 dan p50, masalah pengalaman pengguna manakah yang ditunjukkan? Jangan tambah nilai yang dibuat-buat, cuma tafsirkan data yang saya berikan kepada anda. Data: [metrik]
2) Penolakan garis dasar:
Di bawah ialah data [metrik] yang sihat untuk 4 minggu yang lalu. Ekstrak (1) julat normal (2) corak harian dan mingguan (cth. malam rendah, tengah hari tinggi) metrik ini. Kemudian saya akan memberikan satu nilai baru; kelaskannya sebagai "biasa/berhati-hati/tidak normal" berdasarkan garis dasar ini.Data: [metrik sejarah]
3) Unjuran kapasiti (dengan julat):
Di bawah ialah 8 minggu terakhir data penghunian [sumber]. (1) Kira kadar pertumbuhan purata mingguan, (2) nyatakan kesan bermusim, (3) anggarkan masa untuk mencapai ambang 90% pada kadar semasa, dengan julat OPTIMIS dan PESIMISTIK. Berikan satu tarikh, berikan julat, dan tuliskan andaian anda. Data: [siri masa]
4) Pengesyoran ambang penggera:
Garis asas saya untuk [metrik] ialah [julat]. Matlamat saya adalah untuk meminimumkan penggera palsu tanpa kehilangan masalah sebenar. Beri saya cadangan untuk (1) amaran dan (2) ambang kritikal, mewajarkan setiap satu dan menilai risiko keletihan penggera. Saya akan menentukan ambang akhir.
Gesaan lemah / Gesaan kuat
Gesaan yang lemah:
Adakah pelayan saya lambat?
Tiada konteks, tiada metrik dan tiada garis dasar. AI tidak mengetahui definisi "lambat" dan tidak mempunyai nilai normal untuk membandingkannya. Jawapannya adalah tekaan terbiar.
Gesaan kuat:
Peranan anda: pakar perancangan kapasiti. Di bawah ialah 14 hari terakhir masa tindak balas p95 dan data permintaan/saat API (bertopeng). Garis dasar saya ialah 250-400 ms untuk p95. Beritahu saya (1) tandakan hari yang keluar dari garis dasar dalam 14 hari yang lalu, (2) beritahu saya jika terdapat hubungan yang nyata antara masa tindak balas dan beban permintaan (sebagai hipotesis), (3) ramalkan ke mana p95 akan pergi dalam 30 hari jika aliran ini berterusan. Data: [siri masa]
Jenis metrik
pengukuran yang salah
pengukuran yang tepat
masa tindak balas
Rata-rata sahaja
p50, p95, p99
CPU/memori
nilai serta merta
Puncak + berkekalan + garis dasar
pertumbuhan cakera
Penghunian hari ini
Trend mingguan + unjuran
Anomali
lantunan tunggal
Sisihan berterusan daripada garis dasar
penggera
Ambang tunggal sewenang-wenangnya
Amaran yang beralasan + ambang kritikal
Kesilapan biasa
- Mengukur segala-galanya dengan purata. Rata-rata menyembunyikan pengalaman buruk segelintir orang; Lihat persentil.
- Mencari anomali tanpa garis dasar. Anda tidak boleh mengatakan bahawa nilai adalah tidak normal tanpa mengetahui apa yang normal; Anda membuat penggera palsu.
- Menganggap bermusim sebagai trend. Menganggap puncak kempen sebagai pertumbuhan kekal dan mengambil sumber yang tidak perlu memerlukan wang.
- Bergantung pada unjuran nombor ganjil. "Tepat 19 hari" adalah ketepatan palsu; Gunakan julat optimistik-pesimis.
- Melupakan masa sumber. Pasukan yang tidak mengambil kira ambang unjuran dan masa pembelian bersama-sama akan terperangkap dalam gangguan.
Awas: Unjuran arah aliran AI mengandaikan bahawa masa lalu akan berterusan ke masa hadapan. Pelancaran produk baharu, penghijrahan pelanggan atau perubahan seni bina mengganggu andaian ini. Tugas anda untuk membetulkan unjuran dengan konteks anda.
Secara ringkasnya
Pemantauan prestasi menjawab soalan "adakah ia baik sekarang?" dan perancangan kapasiti menjawab soalan "bila tidak mencukupi?" AI ialah rakan kongsi yang berkuasa dalam mentafsir metrik, mewujudkan garis dasar, membenderakan anomali dan mengunjurkan arah aliran. Tetapi purata pembohongan - gunakan persentil; Tanpa garis dasar tidak ada anomali — wujudkan yang normal dahulu; asingkan bermusim daripada trend; dan ambil unjuran sebagai julat, bukan satu nombor. Pelaburan sumber dan keputusan ambang amaran adalah manusia, bersama-sama dengan masa utama sumber dan konteks perniagaan.
Tugasan permohonan
Ambil beberapa minggu terakhir data untuk mendapatkan sumber (cakera, memori, masa tindak balas) daripada sistem anda sendiri dan menutup kawasan sensitif. Tolak julat dan corak biasa dengan templat "Penolakan Garis Dasar" di atas. Kemudian minta templat "Unjuran kapasiti" meramalkan bila anda akan mencapai ambang, dengan julat optimistik-pesimis. Selain itu, minta metrik masa respons anda ditafsirkan menggunakan templat "persentil" dan lihat jika terdapat apa-apa yang disembunyikan oleh purata. Tulis penemuan anda dan tindakan yang akan anda lakukan dalam 5 perkara.
senarai semak
- [ ] Adakah saya melihat p95/p99 dan bukannya purata dalam metrik masa tindak balas?
- [ ] Adakah saya telah menetapkan garis dasar daripada data yang sihat sebelum mencari anomali?
- [ ] Adakah saya telah membezakan turun naik bermusim daripada aliran kekal?
- [ ] Adakah saya mengambil unjuran sebagai julat optimis-pesimis dan bukannya satu tarikh?
- [ ] Adakah saya telah menilai masa penyumberan bersama-sama dengan ambang unjuran?
- [ ] Adakah saya menetapkan ambang penggera berdasarkan toleransi risiko saya sendiri dan bukan cadangan AI?