中国联通数字化监控平台可观测实践

如何获得讲师PPT：

扫码关注公众号，后台回复「1019」即可获得讲师PPT哟～

还能一键订阅后续精彩活动内容～

Q&A环节答疑：

生产运营工作台右下角的报表是用了metabase?

其实没有用这种特殊的工具，是把相关的信息收集下来，然后自己去做统计分析，比如说：用户登录。肯定是有记录的，那登录的一个趋势是什么样子？用户的一个使用应用的数据是什么样？然后使用这些菜单的情况是什么样？因为我们本身就这个埋点的情况，我们就可以把这些数据全都收集下来，那通过这些收集下来，做这些统计分析就可以，其实也不是所谓的报表，就是一个统计分析 ，也就没有用metabase

看到老师分享“亚健康检查”有提到监控指标。请问监控指标怎么去梳理?除了基础指标，还有哪些关键监控指标？怎么才能做到监控覆盖全?

对于亚健康检查，存在一些黄金核心指标。但并不是所有全量指标都需要关注，我们建议注重精要和重要的指标。如何确定这些黄金指标？首先，我们会请正向的专家团队进行梳理。他们来自不同领域，在应用、组建和基础设施方面拥有专业知识，能够判断哪些指标更为核心。此外，我们也会关注反向的问题和事件，以判断之前未关注的指标是否需要补充。通过正向的梳理和反向的补充，我们能够确定整个亚健康检查的黄金核心指标。

老师好，如果构建这么一套厉害的监控系统，需要什么样的能力技术、人员、流程、规范的准备，技术栈有什么建议吗？

监控系统和数字化监控平台通常非常庞大，涵盖了监控、自动化运维、配置管理和测试等多个领域。然而，这样全面的系统并非一蹴而就，我们是逐年建设的。例如，我们从2017年开始建设这个系统，并经过多年的不断打磨和完善，最终构建成了一个整体系统。在建设过程中，技术人员需要具备学习的能力，关键是要知道学习哪些技术能力。我们首先要基于历史问题和故障进行反思，了解哪些方面还不足以及需要做哪些改进。例如，在做到监控之后，我们发现快速诊断问题的重要性，因此我们引入了快速诊断技术。此外，我们也关注故障管理和预防、事前应急和全链路压测等方面的补充。确定学习哪些技术和如何实施需要进行整体规划，并与同行业分享经验，例如参加社区活动和直播。除了技术人员，流程规范也是重要的，涉及到保障体系的建立、人员配备和运营机制等方面。通过建立完善的体系，可以有效提升系统的保障和提升能力。平台工具、场景、数据和流程是系统工具的重要组成部分，也是整体体系的关键。如果有机会，我们可以线下交流中国联通在安全保障体系方面的经验。此外，我之前也在其他地方分享过不同阶段的核心工作，包括稳定性架构、验证测试和保障阶段的工作。

老师好，故障知识库可以展开讲下吗？感觉最近经常听到

故障知识库是我们对历史故障进行沉淀和总结的重要工具。通过它，我们可以了解故障发生的具体时间、系统问题所在、问题的根本原因、影响范围以及处理故障的标准动作。此外，我们还可以从中吸取经验教训，进行整改，并跟踪整体情况以便及时处置。
沉淀故障知识库的好处在于，我们可以反思如何在系统层面上保障我们的监控平台或保障性平台。有了这些知识，我们可以针对性地改进和优化系统建设，以提升保障系统的稳定性。
通过统计和分析故障知识库中的数据，我们可以判断哪些故障需要进一步整改，哪些可以进行优化，以及如何建设系统。此外，我们还可以利用LM大模型等工具，推荐处理方法，查找历史相似故障案例以便快速应急。
总之，故障知识库不仅提供了历史的经验教训，还可以帮助我们确定未来的改进方向和工具支撑的重点。