लवचिक परिचय
नेटवर्क घटनांचे निदान करण्यासाठी लॉग हे “का” शोधण्याचे प्राथमिक साधन बनले आहेत
आधुनिक आयटी वातावरण डेटा समस्येने ग्रस्त आहे: त्यात बरेच काही आहे. ज्या संस्थांना त्यांचे एंटरप्राइझ वातावरण व्यवस्थापित करण्याची आवश्यकता आहे त्यांना रिअल-टाइममध्ये समस्या शोधणे आणि निदान करणे, कार्यप्रदर्शन ऑप्टिमाइझ करणे, विश्वासार्हता सुधारणे आणि सुरक्षितता आणि अनुपालन सुनिश्चित करणे – सर्व काही मर्यादित बजेटमध्येच आहे.
आधुनिक निरीक्षणक्षमता लँडस्केपमध्ये अनेक साधने आहेत जी समाधान देतात. बहुतेक DevOps टीम किंवा साइट रिलायबिलिटी इंजिनिअर्स (SRE) भोवती फिरतात जे नमुने उघड करण्यासाठी लॉग, मेट्रिक्स आणि ट्रेसचे विश्लेषण करतात, नेटवर्कवर काय चालले आहे ते पहा आणि समस्या किंवा घटना का आली याचे निदान करतात. समस्या अशी आहे की या प्रक्रियेमुळे माहितीचा ओव्हरलोड होतो: कुबर्नेट्स क्लस्टर एकट्याने दररोज 30-50 गीगाबाइट लॉग उत्सर्जित करू शकतो आणि संशयास्पद वागणूक नमुने माणसांच्या नजरेतून सरकू शकतात.
"कृत्रिम बुद्धिमत्तेच्या जगात, पायाभूत सुविधांवर देखरेख करणाऱ्या मानवांचा विचार करणे हे आता एक विसंगती आहे," इलास्टिकचे मुख्य उत्पादन अधिकारी केन एक्सनर म्हणतात. "मला तुमच्याशी ते तोडणे आवडत नाही, परंतु यंत्रे माणसांपेक्षा पॅटर्न मॅचिंगमध्ये चांगली आहेत.
लक्षणे दृश्यमान करण्यावर उद्योग-व्यापी फोकस अभियंत्यांना व्यक्तिचलितपणे उत्तरे शोधण्यास भाग पाडतात. निर्णायक "का" नोंदींमध्ये दफन केलेले, परंतु त्यात मोठ्या प्रमाणात असंरचित डेटा असल्याने, उद्योग अंतिम उपाय म्हणून त्यांचा वापर करतात. यामुळे संघांना महागडे ट्रेड-ऑफ करण्यास भाग पाडले आहे: एकतर जटिल डेटा पाइपलाइन तयार करण्यात अगणित तास घालवणे, मौल्यवान लॉग डेटा टाकणे आणि गंभीर दृश्यमानता अंतर जोखीम करणे किंवा लॉग आणि विसरणे.
इलास्टिक, सर्च एआय कंपनीने अलीकडेच स्ट्रीम्स नावाचे एक नवीन निरीक्षणक्षमता वैशिष्ट्य जारी केले आहे, ज्याचे उद्दिष्ट गोंगाट करणारे नोंदी घेऊन आणि त्यांना नमुने, संदर्भ आणि अर्थामध्ये बदलून तपासासाठी जाण्यासाठी सिग्नल बनणे आहे.
स्ट्रीम्स AI चा वापर आपोआप विभागणी करण्यासाठी आणि कच्च्या रेकॉर्डचे विश्लेषण करण्यासाठी संबंधित फील्ड काढण्यासाठी करतात, ज्यामुळे रेकॉर्ड वापरण्यायोग्य बनवण्यासाठी SREs द्वारे आवश्यक असलेले प्रयत्न नाटकीयरित्या कमी करतात. संदर्भ-समृद्ध नोंदींमधील गंभीर त्रुटी आणि विसंगती, SRE ला लवकर इशारे देणे आणि त्यांच्या वर्कलोड्सची स्पष्ट समज प्रदान करणे, त्यांना समस्यांचा तपास आणि जलद निराकरण करण्यात सक्षम करणे यासारख्या महत्त्वाच्या घटनांना प्रवाह देखील आपोआप समोर आणतात. उपचाराची पायरी दर्शविणे हे अंतिम ध्येय आहे.
"मोठ्या, गोंधळलेल्या कच्च्या डेटामधून, स्ट्रीम आपोआप रचना तयार करते, ती वापरण्यायोग्य स्वरूपात ठेवते, आपोआप समस्यांबद्दल तुम्हाला सूचना देते आणि त्यांचे निराकरण करण्यात मदत करते," एक्सनर म्हणतात. "ही टेबलची जादू आहे."
तुटलेला कार्यप्रवाह
प्रवाहाची अस्थिरता निरीक्षणक्षमतेची प्रक्रिया वाढवते जी काही जण खंडित झाल्याचे म्हणतात. SRE सामान्यत: मेट्रिक्स, लॉग आणि ट्रेस सेट करतात. ते नंतर अलर्ट आणि सेवा स्तर उद्दिष्टे (SLOs) सेट करतात – सेवा किंवा प्रक्रियेने थ्रेशोल्ड कुठे ओलांडला आहे किंवा पॅटर्न आढळला आहे हे दर्शविण्यासाठी अनेकदा कठोर-कोड केलेले नियम.
जेव्हा ॲलर्ट ट्रिगर केला जातो, तेव्हा ते सूचित करते की कोणते मीटर विसंगती दाखवत आहे. तेथून, SREs मेट्रिक्स डॅशबोर्डकडे पाहतात, जिथे ते समस्येचे दृश्यमान करू शकतात, अलर्टची इतर मेट्रिक्सशी किंवा CPU ची मेमरी आणि I/O शी तुलना करू शकतात आणि पॅटर्न शोधू शकतात.
त्यांना नंतर ट्रेस पाहण्याची आणि समस्येचे मूळ कारण पाहण्यासाठी संपूर्ण अनुप्रयोगावरील अपस्ट्रीम आणि डाउनस्ट्रीम अवलंबित्व तपासण्याची आवश्यकता असू शकते. एकदा त्यांना समस्येचे कारण सापडले की, ते त्या डेटाबेस किंवा सेवेच्या लॉगमध्ये जाऊन समस्या दुरुस्त करण्याचा प्रयत्न करतात.
जेव्हा विद्यमान साधने कुचकामी ठरतात तेव्हा काही कंपन्या अधिक साधने जोडण्याचा प्रयत्न करतात. याचा अर्थ असा की SREs त्यांच्या पायाभूत सुविधा आणि अनुप्रयोगांवर देखरेख आणि समस्यानिवारणाच्या शीर्षस्थानी राहण्यासाठी एका साधनातून दुसऱ्या साधनाकडे जातात.
"तुम्ही वेगवेगळ्या साधनांमधून नेव्हिगेट करता. तुम्ही या गोष्टींचा अर्थ लावण्यासाठी, सेवा नकाशामधील सिस्टीममधील संबंध दृष्यदृष्ट्या पाहण्यासाठी आणि मेट्रिक्स डॅशबोर्डवरील आलेख दृष्यदृष्ट्या पाहण्यासाठी, समस्या काय आहे आणि ती कुठे आहे हे पाहण्यासाठी माणसावर अवलंबून आहात, " एक्सनर म्हणतात. "परंतु कृत्रिम बुद्धिमत्ता वर्कफ्लो स्वयंचलित करते."
AI-संचालित प्रवाहांसह, लॉग केवळ समस्यांचे निराकरण करण्यासाठी प्रतिक्रियात्मकपणे वापरले जात नाहीत, तर संभाव्य समस्यांचे सक्रियपणे निराकरण करण्यासाठी आणि माहिती-समृद्ध इशारे तयार करण्यासाठी देखील कार्यसंघांना थेट समस्यांचे निराकरण करण्यात मदत करतात, निराकरण करण्यासाठी किंवा समस्येचे संपूर्ण निराकरण करण्यासाठी, कार्यसंघाला आपोआप सूचित करण्यापूर्वी, त्याची काळजी घेण्यात आली आहे.
"मला वाटते की लॉग, जे माहितीचा सर्वात श्रीमंत संच आहे, मूळ सिग्नल प्रकार, बरेच ऑटोमेशन चालविण्यास सुरवात करेल जे आज सेवा विश्वासार्हता अभियंता सामान्यत: मॅन्युअली करेल," तो जोडतो. "माणसाला या प्रक्रियेत असण्याची गरज नाही, ते स्वत: मध्ये खोदून, काय चालले आहे, कुठे आणि काय समस्या आहे हे शोधण्याचा प्रयत्न करतात आणि नंतर त्यांना मूळ कारण सापडले की ते कसे दुरुस्त करायचे ते शोधण्याचा प्रयत्न करतात."
निरीक्षणक्षमतेचे भविष्य
मोठ्या भाषिक मॉडेल्स (LLMs) हे निरीक्षणक्षमतेच्या भविष्यात एक प्रमुख खेळाडू असू शकतात. जटिल डायनॅमिकल सिस्टीममधील लॉग आणि टेलीमेट्री डेटा प्रमाणेच LLM मोठ्या प्रमाणात पुनरावृत्ती डेटामध्ये नमुना ओळखण्यात उत्कृष्ट आहे. आजच्या एलएलएम विद्यार्थ्यांना विशिष्ट आयटी ऑपरेशन्सचे प्रशिक्षण दिले जाऊ शकते. ऑटोमेशन साधनांसह, LLM कडे डेटाबेस त्रुटी, Java हीप समस्या आणि बरेच काही सोडवण्यासाठी आवश्यक असलेली माहिती आणि साधने आहेत. त्यांना संदर्भ आणि प्रासंगिकता प्रदान करणाऱ्या प्लॅटफॉर्ममध्ये एकत्रित करणे आवश्यक असेल.
Exner म्हणते की स्वयंचलित प्रक्रियेस वेळ लागेल, परंतु LLM प्रमाणपत्र धारकांनी तयार केलेली स्वयंचलित ऑपरेटिंग मॅन्युअल आणि ऑपरेटिंग सूचना पुढील दोन वर्षांत मानक सराव बनतील. दुसऱ्या शब्दांत, उपचाराच्या पायऱ्या एलएलएमद्वारे निर्देशित केल्या जातील. LLM सॉफ्टवेअर फिक्सेस ऑफर करेल, आणि तज्ञांना कॉल करण्याऐवजी एक माणूस त्यांची पडताळणी करेल आणि अंमलबजावणी करेल.
कौशल्याची कमतरता दूर करणे
निरीक्षणक्षमतेसाठी AI चा वापर केल्याने IT पायाभूत सुविधा व्यवस्थापित करण्यासाठी आवश्यक असलेल्या प्रतिभेची कमतरता दूर करण्यात मदत होऊ शकते. कामावर घेणे धीमे आहे कारण संस्थांना भरपूर अनुभव आणि संभाव्य समस्या आणि त्या लवकर कसे सोडवायचे याची समज असलेल्या संघांची आवश्यकता असते. हा अनुभव संदर्भावर अवलंबून असलेल्या एलएलएममधून येऊ शकतो, एक्सनर म्हणतो.
"एलएलएम असलेल्या लोकांची संख्या वाढवून, त्यांना सर्व त्वरित तज्ञ बनवून आम्ही कौशल्याची कमतरता दूर करण्यात मदत करू शकतो." तो स्पष्ट करतो. "मला वाटते की यामुळे नवशिक्या प्रॅक्टिशनर्सना घेऊन जाणे आणि त्यांना सुरक्षितता आणि निरीक्षणक्षमता या दोन्ही बाबतीत तज्ञ प्रॅक्टिशनर्स बनवणे खूप सोपे होईल आणि नवशिक्या प्रॅक्टिशनर्सना तज्ञाप्रमाणे वागणे शक्य होईल.
लवचिक निरीक्षणक्षमतेतील प्रवाह आता उपलब्ध आहेत. ने सुरुवात करा वाचन प्रवाहांबद्दल अधिक.
प्रायोजित लेख ही पोस्टसाठी पैसे देणाऱ्या किंवा VentureBeat शी कार्यरत संबंध असलेल्या कंपनीद्वारे उत्पादित केलेली सामग्री असते आणि नेहमी स्पष्टपणे लेबल केलेली असते. अधिक माहितीसाठी, कॉल करा sales@venturebeat.com.
