Năng suất Tốt nhất trong lĩnh vực 3 cái Khả năng quan sát Công cụ AI

Một nhóm SRE tại một công ty thương mại điện tử lớn sử dụng công cụ Quan sát bằng AI để giám sát nền tảng của họ trong một sự kiện bán hàng lớn. Mô hình học máy của công cụ, được huấn luyện trên dữ liệu hiệu suất lịch sử, phát hiện ra một độ trễ tinh vi nhưng ngày càng tăng trong các truy vấn cơ sở dữ liệu mà các cảnh báo dựa trên ngưỡng truyền thống sẽ bỏ lỡ. Nó tương quan điều này với một microservice cụ thể xử lý việc thanh toán. Hệ thống chủ động cảnh báo cho nhóm, dự đoán khả năng quá tải cơ sở dữ liệu trong 30 phút. Điều này cho phép các kỹ sư mở rộng tài nguyên cơ sở dữ liệu trước thời hạn, ngăn chặn tình trạng chậm toàn trang web và bảo vệ hàng triệu doanh thu.

Một nhà phát triển được giao nhiệm vụ sửa một điểm cuối API chậm trong một kiến trúc microservices phức tạp. Thay vì kiểm tra nhật ký thủ công từ hàng chục dịch vụ, họ sử dụng một nền tảng Quan sát bằng AI. Nền tảng này tự động tạo ra một dấu vết phân tán cho yêu cầu chậm, trực quan hóa đường đi của nó qua tất cả các dịch vụ. Thành phần AI làm nổi bật một truy vấn cơ sở dữ liệu cụ thể trong một dịch vụ là nút thắt cổ chai chính, cho thấy nó có thời gian thực thi cao bất thường. Nhà phát triển có thể ngay lập tức tập trung vào việc tối ưu hóa truy vấn duy nhất đó, giảm thời gian gỡ lỗi từ hàng giờ xuống còn vài phút.

Một nhóm Vận hành CNTT quản lý một môi trường đám mây lai. Một ứng dụng quan trọng bị lỗi, và trước đây, điều này sẽ kích hoạt hàng trăm cảnh báo riêng lẻ từ máy chủ, mạng và cơ sở dữ liệu, tạo ra một 'cơn bão cảnh báo'. Với công cụ Quan sát bằng AI, hệ thống tiếp nhận tất cả các tín hiệu này và sử dụng công cụ AI của mình để tương quan chúng. Nó tạo ra một báo cáo sự cố cấp cao duy nhất xác định nguyên nhân gốc rễ: một bộ chuyển mạch mạng bị cấu hình sai. Báo cáo bao gồm ngữ cảnh, chẳng hạn như các dịch vụ bị ảnh hưởng và dòng thời gian của các sự kiện, cho phép nhóm giải quyết vấn đề nhanh hơn 90% và giảm Thời gian Trung bình để Giải quyết (MTTR).

Một nhóm FinOps được giao nhiệm vụ giảm hóa đơn đám mây hàng tháng của công ty. Họ sử dụng một công cụ Quan sát bằng AI phân tích các chỉ số sử dụng tài nguyên (CPU, bộ nhớ) cùng với dữ liệu hiệu suất ứng dụng. AI xác định một số cụm Kubernetes luôn được cấp phát quá mức, chỉ chạy ở mức 30% công suất ngay cả trong giờ cao điểm. Nó cũng gắn cờ các tài nguyên nhàn rỗi, như các ổ lưu trữ không được gắn. Dựa trên những thông tin chi tiết có thể hành động này, nhóm tự tin thu nhỏ các cụm và ngừng hoạt động các tài nguyên không sử dụng, giúp giảm 25% chi tiêu cho đám mây mà không ảnh hưởng đến hiệu suất ứng dụng.

Một nhóm phát triển di động nhận thấy sự gia tăng các đánh giá tiêu cực trên cửa hàng ứng dụng đề cập đến sự cố. Sử dụng công cụ Quan sát bằng AI, họ tương quan các báo cáo sự cố (nhật ký) với dữ liệu hiệu suất (dấu vết) từ các phiên của người dùng. Công cụ AI phát hiện ra một khuôn mẫu: sự cố chủ yếu xảy ra trên các mẫu điện thoại cũ hơn khi sử dụng tính năng bộ lọc ảnh mới. Dấu vết phân tán cho các phiên này cho thấy quá trình kết xuất của bộ lọc tiêu thụ quá nhiều CPU và bộ nhớ. Thông tin chi tiết này cho phép nhóm phát hành một bản vá có mục tiêu tối ưu hóa tính năng cho các thiết bị cấu hình thấp, nhanh chóng cải thiện sự hài lòng của người dùng và xếp hạng ứng dụng.

Một nhóm bảo mật sử dụng nền tảng Quan sát bằng AI như một phần của chiến lược phát hiện mối đe dọa của họ. AI của công cụ liên tục thiết lập đường cơ sở cho hành vi ứng dụng bình thường, bao gồm các mẫu gọi API và tần suất truy cập dữ liệu. Một ngày nọ, nó phát hiện một chuỗi gọi API rất bất thường bắt nguồn từ một tài khoản người dùng bị xâm phạm, cho thấy một nỗ lực lấy cắp dữ liệu. Không giống như các công cụ bảo mật truyền thống dựa vào các chữ ký đã biết, việc phát hiện dựa trên hành vi này sẽ gắn cờ mẫu tấn công mới trong thời gian thực. Hệ thống tự động cảnh báo cho nhóm bảo mật, cung cấp toàn bộ bối cảnh của hoạt động đáng ngờ, cho phép họ khóa tài khoản và ngăn chặn vi phạm dữ liệu.