Architekturstrategien für das Entwerfen eines Überwachungssystems

Gilt für diese Azure Well-Architected Framework Operational Excellence Checklist empfehlung:

Observability, oder Monitoring, ist eine wichtige operative Praxis, die dem Workload-Team die Möglichkeit gibt, den internen Zustand eines Systems anhand der externen Daten zu verstehen, die es erzeugt. Im Gegensatz zum funktionalen Stapel, der Geschäftslogik und Kernfeatures implementiert, wird der Überwachungsstapel parallel ausgeführt. Es sammelt und analysiert Metriken, Protokolle, Ablaufverfolgungen und Ereignisse, die zeigen, wie Sich Workloads unter realen Bedingungen verhalten.

Für das Entwerfen des Überwachungsstapels ist eine sorgfältige Planung erforderlich, da sie Einblicke in übergreifende Bedenken wie Zuverlässigkeit, Leistung, Sicherheit und Kosten bietet. Ein gut durchdachter Überwachungsstapel ermöglicht frühzeitige Problemerkennung, effektive Reaktion auf Vorfälle und fundierte operative Entscheidungen. Sie bildet die Grundlage für proaktives Management und kontinuierliche Verbesserung.

In diesem Leitfaden werden die wichtigsten Strategien zum Entwerfen eines Überwachungsstapels beschrieben, der Überwachungs-, Erkennungs- und Warnfunktionen unterstützt. Anleitungen zur Implementierung, einschließlich schrittweiser Prozesse und Playbooks, finden Sie im Begleitartikel: Build a monitoring system for Azure workloads.

Definitionen

Telemetrie an Gesundheits- und KPI-Modelle ausrichten

Definieren Sie Workload-Gesundheitsindikatoren, KPIs und Leistungsmetriken, damit Strategien zur Sammlung von Telemetriedaten diese Ziele widerspiegeln. Verfolgen Sie diese Indikatoren, um Anomalien zu erkennen, damit Sie Entscheidungen über Korrekturmaßnahmen treffen können.

Verknüpfen Sie Telemetriedaten mit System- und Benutzerabläufen und modellieren Sie diese Abläufe als Entitäten in Ihrem Zustandsmodell. Dieser Ansatz verknüpft den Zustand auf Anwendungsebene mit Signalen auf Ressourcenebene und dem Gesamtzustand der Workload, sodass sich eine Verschlechterung in einer Abhängigkeit auf der Ebene zeigt, auf der die geschäftlichen Auswirkungen sichtbar sind.

KI-Chance: Teams verbringen Zeit damit, KPIs und Telemetrie manuell zu definieren. KI-unterstützte Tools können häufig verwendete Telemetrie basierend auf Architektur, Dienstabhängigkeiten und Code vorschlagen. Tools wie GitHub Copilot oder Claude Code können auch dazu beitragen, Instrumentierung hinzuzufügen und Abfragen oder Infrastruktur als Codevorlagen (IaC) zu generieren. Sorgen Sie für menschliche Kontrolle, um sicherzustellen, dass die KI-gesteuerte Observability präzise bleibt und mit Standards im Einklang steht.

Emittieren von Telemetrie aus Workloadkomponenten

Erfassen Sie aussagekräftige Signale aus Anwendungen, Infrastrukturen und Vorgängen. Protokollieren Sie kritische Ausnahmen mit ausreichenden Details, wobei die Ausführlichkeit angepasst werden kann, um unnötigen Lärm zu vermeiden.

Bevorzugen Sie strukturierte Telemetrie, damit die Daten abfragbar und durchsuchbar sind. Verwenden Sie konsistente Schemas, und fügen Sie kontextbezogene Informationen wie die Quellkomponente, Zeitstempel usw. ein. Streben Sie nach Konsistenz, da dies eine genauere Analyse von Ereignissen und eine klarere Korrelation mit Benutzeranforderungen ermöglicht. Um dies zu erreichen, übernehmen Sie ein konfigurierbares Protokollierungsframework, das die Erfassung von Informationen im gesamten System standardisiert.

Tradeoff: Erhöhen Sie die Protokollierungsdetails, um die Debugbarkeit und Rückverfolgbarkeit zu verbessern, beachten Sie jedoch, dass es höhere Speicher- und Verarbeitungskosten gibt. Um diesen Kompromiss zu verwalten, verwenden Sie ausführliche Protokollierung in der Entwicklung und verringerte Ausführlichkeit in der Produktion, und verlassen Sie sich auf Korrelations-IDs, um die Sichtbarkeit von End-to-End-Transaktionen ohne übermäßiges Protokollvolumen zu erhalten.

Sie haben eine Möglichkeit, Telemetrie nach betrieblichen Bedenken zu klassifizieren, z. B. Überwachung, Sicherheit, Debugging und Leistung, um das Filtern und Erzwingen der richtigen Zugriffssteuerungen zu vereinfachen. Stellen Sie sicher, dass Workloaddaten nicht mit Telemetrie gemischt werden. Bereinigen Sie sensible System- oder Benutzerinformationen, bevor Sie protokollieren, und erhalten Sie dabei genügend Kontext für die Diagnose.

Stellen Sie sicher, dass Instrumentierungsmethoden betriebssicher sind. Die Protokollierung sollte einmalig erfolgen, damit sie den Geschäftsbetrieb nicht behindert, außer in kritischen Prüfungsszenarien. Lassen Sie die Instrumentierung erweiterbar und von bestimmten Back-Ends entkoppelt, und stellen Sie sicher, dass Fehler in telemetrie nicht in Anwendungsfehler überlappen.

Behandeln Sie die Instrumentierung als iterative Disziplin. Überprüfen und verfeinern Sie die Telemetrie regelmäßig, um Klarheit, Relevanz und Leistung zu gewährleisten, während sich das System weiterentwickelt.

Erfassen von Telemetrie im gesamten Workload

Telemetriesysteme verwenden zwei grundlegende Sammlungsmodelle. In einem Pullmodell sammelt eine Komponente Telemetrie durch Abfragen eines Zielsystems. In einem Pushmodell geben Komponenten Telemetrie aus, während sie Daten nach außen senden. Wählen Sie ein Modell basierend auf Faktoren aus, die für Ihre Workload gelten. Sind beispielsweise regelmäßige Momentaufnahmen ausreichend, oder benötigen Sie nahezu Echtzeitdaten? Was ist das erwartete Telemetrievolumen? Handelt es sich bei dem Datentyp um einen zustandsbasierten Typ oder um Protokolle, Ereignisse und Ablaufverfolgungen?

Es ist üblich, einen kombinierten Ansatz zu verwenden. Beispielsweise können Überwachungs-Agents ein Pullmodell verwenden, das lokal zusammen mit jeder Anwendungsinstanz ausgeführt wird, um regelmäßig Daten zu sammeln und in freigegebenen Speicher zu schreiben. Gleichzeitig können Sie ein Pushmodell für Anwendungstelemetrie verwenden, bei dem jede Instanz Protokolle, Ablaufverfolgungen und Metriken an eine Nachrichtenwarteschlange oder einen Ereignisstream sendet, wenn Ereignisse auftreten.

Priorisieren Sie die Datenübertragung basierend auf der Wichtigkeit. Weniger dringende Daten können in Batches übertragen werden, aber zeitsensible Informationen sollten sofort gesendet werden.

Standardisieren der Datenkonsolidierung

Verschieben Sie Telemetrie aus lokalen Silos, und konsolidieren Sie sie in ein zentrales Repository, wenn dies von der Organisation vorgeschrieben ist. Sammeln und speichern Sie daten für multiregionsübergreifende Lösungen zuerst regional, und aggregieren Sie sie dann zentral. Für unternehmenskritische Workloads empfehlen wir jedoch die autonome Speicherung von Daten.

Verwenden Sie konsistente Formate und Sammlungsmethoden, damit auf Daten für Analysen, Dashboards, Warnungen und Berichte zugegriffen werden kann. Vermeiden Sie den manuellen Abruf von Komponenten, da dadurch Mehraufwand und Inkonsistenzen entstehen.

Verwenden Sie Datenkonsolidierungsdienste für Folgendes:

• Daten deduplizieren.
• Zusammenführen verwandter Ereignisse mithilfe von Korrelations-IDs.
• Filtert unnötige Informationen.

Risiko: Beachten Sie, dass es Kostenauswirkungen für regionale und zentralisierte Datenspeicher gibt.

Anpassen von Speicher und Aufbewahrung für Verwendungsmuster

Wählen Sie Speicherlösungen in erster Linie basierend auf Abfrageanforderungen und Zugriffsmustern aus. Beispielsweise müssen schnell auf Daten zugegriffen werden, die Warnungen generieren, sodass sie in schneller Datenspeicherung gehalten und indiziert oder strukturiert werden sollten, um die Abfragen zu optimieren.

Verwenden Sie polyglot persistenz, um verschiedene Datentypen in Technologien zu speichern, die für ihre Verwendung geeignet sind:

• SQL-Datenbanken für Leistungsindikatoren
• Azure Monitor-Protokolle oder Azure Data Explorer für Nachverfolgungsprotokolle
• Hadoop Distributed File System (HDFS) für Sicherheitsinformationen

Trennen Sie außerdem die Datenspeicherung nach Umgebung. Diese Trennung verhindert, dass nicht kritische Umgebungsdaten die Produktionsüberwachung erschweren.

Planen Sie die Aufbewahrung basierend auf der Verwendung der Daten. Bewahren Sie hochauflösende Daten für kurzfristige Analysen und Debugging auf, und bewahren Sie Aggregate mit geringerer Auflösung für langfristige Trends auf. Verschieben Sie ältere oder selten aufgerufene Daten in einen günstigeren Speicher, und halten Sie aktuelle Daten in schnelleren Systemen zur schnellen Analyse. Dadurch wird die Leistung mit Kosten ausgeglichen. Legen Sie Aufbewahrungszeiträume so fest, dass sie den betrieblichen Anforderungen und den Complianceanforderungen entsprechen, sodass Daten bei Bedarf ohne unnötigen Speicheraufwand verfügbar sind.

Behandeln Sie Überwachungsdaten wie alle anderen kritischen Daten. Wenden Sie den geeigneten Schutz an – Zugriffssteuerung, vorläufiges Löschen und Schutz vor versehentlichen Änderungen.

Korrelieren von Daten für End-to-End-Einblicke

Entwerfen Sie die Observability, um Telemetrie aus Metriken, Protokollen und Ablaufverfolgungen über alle Komponenten hinweg zu verbinden. Dieses Design ermöglicht die verteilte Ablaufverfolgung von Vorgängen über Dienste hinweg, wodurch Sie Probleme diagnostizieren können, die sich über mehrere Ebenen erstrecken.

Verwenden Sie Korrelations-IDs konsistent, um Transaktionen über Präsentations-, Mittel- und Datenebenen nachzuverfolgen.

Aggregierte Protokolle auf Anwendungsebene und Ressourcenebene, um die Problembehandlung zu verbessern und die Problemerkennung zu beschleunigen. Erwägen Sie eine einheitliche Lösung, z. B. Azure Log Analytics, um Daten auf Ebenen abzufragen und zu analysieren.

Richten Sie Telemetrie an System- und Benutzerflows aus, um die Flussgesundheit mit der allgemeinen Workload-Gesundheit zu korrelieren. Wenn Sie diese Abläufe verstehen, können Sie sicherstellen, dass Ihre Observability-Strategie sowohl das Verhalten auf Komponentenebene als auch das End-to-End-Systemverhalten widerspiegelt.

Analysieren und visualisieren, um umsetzbare Entscheidungen zu unterstützen

Entwerfen Sie Dashboards und Berichte zu Betriebsintegritätsmodellen. Visualisierungen sollten Es Teams ermöglichen, Probleme schnell zu erkennen, Trends zu verstehen und Antworten zu priorisieren.

Ein Zustandsmodell bildet die semantische Ebene zwischen Telemetrie und Betriebsentscheidungen. Anstelle von kennzahlenbasierten Dashboards sollten Gesundheitszustände visualisiert werden, die von der Workloadebene bis hin zu einzelnen Ressourcen führen. Nutzen Sie Azure Monitor Integritätsmodelle, um integrierte Visualisierungen des Integritätszustands über die Entitätshierarchie und den API-Zugriff für die Integration von Integritätsdaten in Tools wie Grafana zu erhalten.

Verwenden Sie bewährte Überwachungsmuster und -architekturen anstelle von benutzerdefinierten Implementierungen oder Ad-hoc-Lösungen. Stellen Sie sicher, dass Dashboards sinnvoll und umsetzbar sind. Analysten können parametrisierte Dashboards verwenden, um zugrunde liegende Daten zu untersuchen.

Bewerten Sie für Datenbankworkloads integrierte Überwachungsdashboards, die Clouddienste bereitstellen. Beispielsweise bietet Azure Database for PostgreSQL built-in Grafana Dashboards im Azure Portal über Azure Monitor Integration an. Diese Dashboards zeigen CPU-Auslastung, Speicher, aktive Verbindungen und Abfragedurchsatz mit Protokollkorrelation an, wodurch die Notwendigkeit separater Überwachungsbereitstellungen reduziert wird.

KI-Potenzial: Dashboards konzentrieren sich häufig entweder auf Geschäfts- oder auf Entwicklungsmetriken. KI kann Daten aus allen relevanten Quellen analysieren und Ihnen dabei helfen, integrierte Dashboards mit den richtigen Konfigurationen und Visualisierungen zu entwerfen. Dieses Design reduziert den manuellen Aufwand und zeigt Einblicke, die andernfalls übersehen werden könnten.

Definieren von Warnungen zu aussagekräftigen Betriebsbedingungen

Legen Sie Warnungen basierend auf der Auslastungsgesundheit und nicht auf beliebige Werte fest. Warnungen sollten handlungsfähig sein und Kontext bereitstellen. Richten Sie einen klaren, verantwortlichen Warnungsprozess ein, der Besitzer, Aktionen und Bereich definiert. Konfigurieren Sie Warnungen mit geeigneter Granularität und Ausführlichkeit, um Rauschen zu minimieren und gleichzeitig sicherzustellen, dass kritische Probleme umgehend erkannt werden.

Verwenden Sie ein Integritätsmodell, das mehrere korrelierte Signale in Integritätszustände aggregiert und dann bei Zustandsübergängen benachrichtigt und keine isolierten Metrikschwellenwerte enthält.

Überprüfen Sie Schwellenwerte basierend auf früheren Erfahrungen und regelmäßigen Tests. Verwenden Sie schnellen Speicher für warnungsgenerierende Daten, um schnelle Benachrichtigungen zu ermöglichen. Konfigurieren Sie Warnungen für klar definierte Bereiche, und passen Sie die Ausführlichkeit an, um Rauschen zu minimieren.

Automatisieren Sie Warnungen und verknüpfen Sie Warnungen mit Ticketingsystemen. Überwachen Sie den Dienststatus der Cloudplattform, Ausfälle, Wartung und Empfehlungen.

KI-basierte Operationstools wie Azure SRE Agent können Warnungsmuster analysieren und häufige Probleme wie Pod-Absturzschleifen oder erhöhte Fehlerraten diagnostizieren. Diese Tools unterstützen konfigurierbare Autonomie, beginnend mit empfohlenen Aktionen und schrittweisen Aktivieren automatisierter Reaktionen innerhalb definierter Schutzschienen.

KI-Chance: Sie können KI verwenden, um das "gesunde" Systemverhalten dynamisch zu definieren. Verwenden Sie KI, um Muster in geschäftsübergreifenden Kontexten wie Spitzenverkehr, Werbeaktionen, Ruhezeiten und regionalen Variationen zu erlernen. KI kann dann Metriken, Protokolle und Vorfalldaten analysieren, um Probleme vorherzusagen und Schwellenwerte zu empfehlen.

Entwerfen von skalierbaren, dauerhaften Telemetriepipelines

Observability-Systeme müssen hohe Skalierungen ohne Engpässe oder Datenverlust verarbeiten. Um den Telemetriefluss unter Last aufrechtzuerhalten, schließen Sie Pufferungs-, Warteschlangen- und skalierbare Aufnahmepfade ein.

Verwenden Sie Warteschlangenmechanismen für Umgebungen mit hoher Skalierung, um Spitzenbelastungen zu bewältigen. Implementieren Sie Redundanz, um zu verhindern, dass wichtige Daten verloren gehen. Planen Sie die Skalierung während des Entwurfs, um sicherzustellen, dass Überwachungssysteme mit Arbeitsauslastungsanforderungen wachsen.

Verwenden Sie für komplexe Workloads Nachrichtenwarteschlangen mit at-least-once-Semantik. Führen Sie mehrere Speicherschreibdienste aus, um hohe Volumes zu verarbeiten. Erwägen Sie die Verwendung von Azure Event Hubs, um die Telemetrieverarbeitung zu verteilen und E/A-Engpässe an einzelnen Punkten zu vermeiden.

Verwenden der Beobachtbarkeit zur Kontinuierlichen Verbesserung

Behandeln Sie Beobachtbarkeit als Feedbackschleife. Verwenden Sie Produktionsdaten zum Verfeinern des Workloadentwurfs, der Telemetrieerfassung und der Überwachung von Schwellenwerten.

Ausgleichen der Automatisierung und der menschlichen Kontrolle, um die Genauigkeit zu gewährleisten. Überprüfen und entwickeln Sie kontinuierlich Überwachungsansätze, wenn sich Arbeitslasten ändern. Verwenden Sie Telemetrie, um Optimierungsmöglichkeiten zu identifizieren, Architekturentscheidungen zu validieren und zukünftige Designs zu leiten.

Schließen Sie die Überwachung und Warnung in die Allgemeinen Workloadtests ein. Automatisieren Sie Funktionen, und behalten Sie gleichzeitig die Möglichkeit, Trends für die Vorhersage von betrieblichen Problemen und der Planung der Kapazität zu analysieren.

Achten Sie auf Antipattern

Viele Überwachungsfehler ergeben sich aus schlechten Architekturentscheidungen und nicht aus Toolsinschränkungen.

Beheben Sie nicht nur die Symptome, sondern analysieren Sie, warum die Antipattern entstanden sind, und behandeln Sie die zugrunde liegende Designschwäche. Wenden Sie dann Minderungsmaßnahmen an, zum Beispiel durch die Verwendung klarer Telemetriestandards, die Ausrichtung auf geschäftsorientierte Metriken oder die Schaffung eines Kostenbewusstseins.

Es wird empfohlen, diesen Abschnitt im Begleitimplementierungshandbuch zu lesen: Antipattern und wie sie vermieden werden.

Azure Unterstützung

• Azure Monitor ist eine Überwachungslösung zum Sammeln, Analysieren und Reagieren auf Überwachungsdaten aus Ihrer Cloud und lokalen Umgebungen.

• Azure Monitor Integritätsmodelle helfen Ihnen beim Definieren, Messen und Visualisieren der Arbeitsauslastungsintegrität, indem Sie Metriken, Protokolle und Ablaufverfolgungen in aktionsfähige Integritätszustände über Azure Ressourcen und Komponenten hinweg korrelieren.

• Log Analytics ist ein Tool im Azure Portal, mit dem Sie Protokollabfragen für Daten im Log Analytics Arbeitsbereich bearbeiten und ausführen können.

  Wenn Sie mehrere Arbeitsbereiche verwenden, finden Sie unter Log Analytics Arbeitsbereich architecture guide bewährte Methoden.

• Application Insights ist eine Erweiterung von Azure Monitor. Es stellt APM-Features bereit.

• Azure Monitor Insights sind erweiterte Analysetools für bestimmte Azure Technologien (z. B. VMs, App-Dienste und Container). Diese Tools sind Teil von Azure Monitor und Log Analytics.

• Azure Monitor für SAP-Lösungen ist ein Azure-Überwachungstool für SAP-Landschaften, die auf Azure ausgeführt werden.

• Azure Policy kann Ihnen helfen, organisatorische Standards zu erzwingen und die Compliance im großen Maßstab zu bewerten.

• Azure Network Watcher ist ein Tool, das Ihr Netzwerk überwacht, verwaltet und überwacht, um Sicherheit, Compliance und Leistung sicherzustellen.

• Verbindungsdiagnose ist ein Diagnosetool in Network Watcher. Es bietet On-Demand-Diagnose und Paketerfassung (PCAP), um Konnektivitätsprobleme zu untersuchen.

• Connection monitor ist ein Überwachungstool in Network Watcher. Es führt kontinuierliche synthetische Tests aus und sendet Echtzeitwarnungen für Konnektivitäts- und Leistungsprobleme.

• Traffic Analytics ist eine Verkehrsanalyselösung in Network Watcher. Es visualisiert die Datenverkehrsverteilung, identifiziert top-Talker und zeigt Bandbreitennutzungstrends an. Diese Fähigkeiten bieten eine einheitliche Ansicht der Netzwerkgesundheit.

• Virtuelle Netzwerkflussprotokolle verfügen jetzt über einen systemeigenen Microsoft Sentinel Connector, der die Netzwerktelemetrie in das SIEM Ihrer Organisation exportiert. Diese Integration bringt Flussdaten in die gleiche Analyseebene wie Identitäts- und Endpunktsignale und verbessert die Korrelation bei Sicherheitsuntersuchungen. Steuern Sie Protokollaufkommen und Analysekosten, wenn Sie die Datenerfassung skalieren.

• Azure Monitor Protokollbenachrichtigungen können dynamische Schwellenwerte verwenden, die vom historischen Verhalten abgeleitet werden. Verwenden Sie sie zum Skalieren der Anomalieerkennung über sich ändernde Basispläne hinweg, aber überprüfen Sie saisonale Muster, und stellen Sie sicher, dass die Antwortenden die erwartete Aktion kennen.

• Azure Functions enthält integrierte Grafana-Dashboards, die sofort Übersichten zum Systemzustand ohne benutzerdefinierte Konfiguration bereitstellen. Verwenden Sie sie, um die anfängliche Sichtbarkeit zu beschleunigen, aber weiterhin SLO-gesteuerte Warnungen, Dashboards und Runbooks zu definieren.

• Azure Container Apps können OpenTelemetry-Daten über verwaltete Integrationen in externe Back-Ends exportieren. Standardisieren Sie Ziele bewusst und steuern Sie Routing-, Aufbewahrungs- und Aufnahmekosten, bevor Sie die Telemetrieverteilung erweitern.

Verwandte Links

• Instrumentierungsleitfaden
• Empfehlungen für das Entwerfen einer zuverlässigen Überwachungs- und Warnstrategie
• Empfehlungen für überwachung und Bedrohungserkennung
• Empfehlungen zum Sammeln von Leistungsdaten

Communitylinks

• Azure Monitor Baseline Alerts (AMBA) ist ein zentrales Repository von Warnungsdefinitionen, mit denen Kunden und Partner ihre Beobachtbarkeit durch die Einführung von Azure Monitor verbessern können.

Checkliste für operative Exzellenz

Lesen Sie den vollständigen Satz von Empfehlungen.