مقاييس histogram OpenPipeline: أهداف SLO لزمن الاستجابة مبنية على التوزيع

مقاييس histogram OpenPipeline: أهداف SLO لزمن الاستجابة مبنية على التوزيع، تُستخرج من الـ spans والسجلات دون إعادة قياس الشيفرة البرمجية.
Métriques histogrammes à l'ingestion : des SLO de latence fondés sur la distribution avec OpenPipeline

ما زالت لوحات الأداء تعرض في أغلب الأحيان متوسطًا. وهو مطمئن وسهل القراءة، ومضلِّل في الغالب. لنأخذ خدمة تستجيب 90% من استدعاءاتها في 50 مللي ثانية و10% في 1.5 ثانية: ينخفض المتوسط إلى 195 مللي ثانية. هذا الرقم لا يصف المستخدمين الراضين ولا من ينتظرون. إنه يخفي بالضبط الفئة التي ستفتح تذكرة أو تترك سلتها. وهذا ما تصححه مقاييس histogram OpenPipeline المعروضة هنا.

حسمت ممارسات SRE المسألة منذ زمن: يُصاغ هدف مستوى الخدمة (SLO) في صورة توزيع («99% من الطلبات في أقل من 800 مللي ثانية»)، لا في صورة متوسط. لكن يلزم أن تتوفر بيانات تحفظ هذا التوزيع. وهذا دور المقاييس من نوع المدرّج التكراري (histogram)، وتتيح Dynatrace SaaS الآن إنتاجها مباشرة عند الاستيعاب بواسطة OpenPipeline، انطلاقًا من الـ spans والسجلات التي تُجمع أصلًا.

يشرح هذا المقال ما يقدمه هذا النوع من المقاييس، ومتى يُفضَّل على استعلام فوق البيانات الخام، وكيف يُدمج في مسار SLO.

المتوسط والملخص والمدرّج التكراري: ثلاث طرق لفقدان المعلومة (أو لتجنب فقدانها)

القيمة الوحيدة

المتوسط والحد الأدنى والحد الأقصى: هذه التجميعات تختزل آلاف المشاهدات في رقم واحد. وحين تُخزَّن وحدها يستحيل الرجوع. لن تعرف أبدًا أي نسبة من الطلبات تجاوزت عتبة معينة.

الملخص المحسوب مسبقًا

تحسب بعض مكتبات القياس البرمجي الكميّات (quantiles) من جهة العميل ثم تصدّرها. وتظهر المشكلة بمجرد تعدد النسخ: p99 للنسخة A وp99 للنسخة B لا يسمحان بحساب p99 الإجمالي. فالكميّات لا تُجمع.

المدرّج التكراري

يضع المدرّج التكراري كل مشاهدة في مجال (سلّة، أي bucket) ويحصي التكرارات في كل مجال. فيُحفظ شكل التوزيع: معظم الطلبات السريعة، والذيل البطيء، وكل ما بينهما. ولأن هذه عدّادات، تندمج مدرّجات عدة نسخ، ويمكن حساب المئينات (percentiles) من جهة الخادم على الأسطول كله.

أما من جهة الصيغة، فتحدد مواصفة OpenTelemetry نوعين: المدرّج بحدود صريحة، والمدرّج الأسّي الذي تتكيف حدوده مع مدى القيم المرصودة. والدعم غير متطابق بحسب مسار الإدخال: عند استيعاب OTLP تخزّن Dynatrace سلال المدرّجات الصريحة، لكن min وmax والمجموع والعدد فقط للمدرّجات الأسّية. قبل بناء SLO، تحقق في وثائق Dynatrace عن المدرّجات من الصيغة المحفوظة لمصدرك.

استعلام على البيانات الخام أم مقياس مستخرج؟

لا شيء يمنع حساب مئين مباشرة على الـ spans المخزّنة في Grail:

fetch spans
| makeTimeseries percentile(duration, 95), by:{endpoint.name}

يبقى هذا الأسلوب مثاليًا للاستكشاف العابر. لكن كل تنفيذ يعيد قراءة كل الـ spans في الفترة. وعلى بلاطة في لوحة معلومات تُحدَّث كل دقيقة، أو على نافذة ثلاثين يومًا، أو في SLO يُقيَّم باستمرار، تكلّف إعادة المعالجة هذه وقتًا وموارد.

مع قاعدة استخراج مقياس histogram في OpenPipeline، يُحسب التوزيع مرة واحدة عند الاستيعاب. ويصبح التحليل نفسه استعلام سلاسل زمنية بسيطًا:

timeseries percentile(span.api.duration, 95), by:{endpoint.name}

نقطة مهمة: لا حاجة إلى إعادة قياس برمجي. لا تتغير حزم SDK ولا مجمّعات OpenTelemetry ولا شيفرة التطبيق. يعمل OpenPipeline على تدفقات الـ spans والسجلات الواصلة أصلًا إلى Dynatrace. وتُخزَّن المقاييس الناتجة في Grail ويمكن استخدامها في DQL ولوحات المعلومات (Dashboards) وتعريفات SLO وكشف الشذوذ، بمدة الاحتفاظ وضوابط الوصول نفسها لأي مقياس آخر.

قاعدة بسيطة للاختيار: إذا تكرر سؤال التوزيع بانتظام (بلاطة دائمة أو SLO أو تنبيه) فهو يستحق مقياس histogram؛ وإذا طُرح مرة واحدة أثناء تحقيق فيكفي الاستعلام على البيانات الخام.

في التطبيق العملي: مقاييس histogram OpenPipeline

الخطوة 1: تحديد التوزيعات المهمة

سجّل القياسات التي يتأثر بها مستخدموك أو أهداف SLO لديك فعلًا: مدة استدعاءات API العامة، وزمن معالجة مهمة، وزمن استدلال نموذج تعلم آلي، أو قيمة رقمية في السجلات (حجم رسالة أو زمن انتظار في طابور). ابدأ بمرشحتين أو ثلاث، لا بالكتالوج كله.

الخطوة 2: التحقق من البيانات المصدرية

قبل إنشاء القاعدة، تأكد من أن الحقل موجود وأنه رقمي في النطاق المستهدف. وللـ spans، يتيح استعلام استكشافي من هذا النوع التحقق من النطاق ومن الأبعاد المفيدة:

fetch spans, from:now()-1h
| filter isNotNull(endpoint.name)
| summarize appels = count(), p95 = percentile(duration, 95), by:{endpoint.name}
| sort appels desc
| limit 20

وللقيمة المستخرجة من السجلات، يجب أن يتوفر الحقل أولًا بصيغة رقمية، مثلًا بفضل معالج تحليل (parsing) سابق في المسار (pipeline) نفسه.

الخطوة 3: إنشاء قاعدة الاستخراج في OpenPipeline

في إعداد OpenPipeline للتدفق المعني (spans أو سجلات)، أضف استخراج مقياس من نوع histogram. تحدد مفتاح المقياس (هنا span.api.duration، استبدله بمفتاحك) وتختار الحقل المصدر، ويسجل OpenPipeline كل قيمة نقطةً في المدرّج. وللـ spans، تأخذ نسخة «Sampling Aware Histogram Metric» أخذ العيّنات (sampling) في الحسبان. اختر الأبعاد المحفوظة بعناية: كل بعد إضافي يضاعف عدد السلاسل. وتفصّل وثائق OpenPipeline الخيارات المتاحة.

الخطوة 4: استعلام المقياس

بعد وصول البيانات، تُحسب عدة مئينات من المقياس نفسه دون إعادة قراءة البيانات الخام. ويتم الاختيار بين p50 وp90 وp95 وp99 لحظة الاستعلام لا عند القياس البرمجي. ولرسم الوسيط والذيل في مخطط واحد، اجمع عدة تجميعات في الأمر timeseries.

الخطوة 5: ربط SLO بالتوزيع

سؤال SLO الكلاسيكي هو عكس المئين: لا «ما زمن الاستجابة عند p99؟»، بل «ما نسبة الطلبات التي تمر تحت 500 مللي ثانية؟». تجيب عن هذا السؤال دالة التجميع الجديدة percentRank(): انطلاقًا من عتبة، تعيد الكسر المقدَّر من المشاهدات الواقعة دونها. وهذا هو الأساس الطبيعي لـ SLO لزمن الاستجابة مبني على التوزيع. راجع وثائق DQL لمعرفة صياغتها الدقيقة.

ما الذي يكشفه التوزيع أيضًا

وراء أهداف SLO، يغيّر حفظ شكل البيانات قراءة الحوادث. التوزيع ثنائي القمة يدل غالبًا على مسارين مختلفين في الشيفرة، مثل ذاكرة مؤقتة تستجيب أو لا. وذيل يطول بعد نشر يشير إلى تراجع لا يظهره الوسيط بعد. ويمكن لتنبيه على مئين مرتفع من مقياس histogram أن يرصد اتساع الذيل، حيث تبقى عتبة على المتوسط صامتة؛ وتوضح وثائق كشف الشذوذ النماذج المتاحة.

أفضل الممارسات

  • أبعد المتوسط عن أهداف SLO لزمن الاستجابة: صغها بنسبة تحت عتبة أو بمئين.
  • قلّل الأبعاد: يكفي غالبًا endpoint والخدمة؛ وتجنب المعرّفات ذات التنوع الكبير في القيم (cardinality).
  • أبقِ البيانات الخام للاستكشاف: يجيب المقياس عن الأسئلة المتكررة، وتبقى الـ spans والسجلات المرجع للتحليل الدقيق.
  • قارن قبل التحويل: في فترة اختبار، قابل المئين الناتج عن المقياس بالمحسوب على البيانات الخام للتحقق من القاعدة.
  • وثّق مفاتيح المقاييس: اصطلاح تسمية واضح يمنع التكرار بين الفرق.

الأسئلة الشائعة

هل يجب تعديل القياس البرمجي للحصول على مقاييس histogram؟

لا. يعمل OpenPipeline على الـ spans والسجلات الواصلة أصلًا إلى Dynatrace: لا تتغير حزم SDK ولا مجمّعات OpenTelemetry ولا شيفرة التطبيق.

متى يُفضَّل استعلام البيانات الخام؟

لسؤال يُطرح مرة واحدة أثناء تحقيق، يكفي استعلام على الـ spans أو السجلات. ويُبرَّر مقياس histogram حالما يتكرر السؤال بانتظام: بلاطة دائمة أو SLO أو تنبيه.

كيف أصوغ SLO لزمن الاستجابة انطلاقًا من مدرّج تكراري؟

بنسبة تحت عتبة بدل متوسط. تعيد دالة التجميع percentRank() الكسر المقدَّر من المشاهدات الواقعة تحت عتبة معينة؛ وتوضح وثائق DQL صياغتها.

الخلاصة

توفّق مقاييس histogram بين حاجتين طال تعارضهما: دقة التحليل على البيانات الخام وسرعة مقياس مجمّع مسبقًا. وبإنتاجها عند الاستيعاب، يتيحها OpenPipeline دون المساس بالقياس البرمجي القائم. وللفريق الذي يقود موثوقيته بأهداف SLO، هذه فرصة لاستبدال المتوسطات المطمئنة أخيرًا بأرقام تصف تجربة كل المستخدمين، ومنهم الأسوأ خدمة. وللتمرن على الصياغة قبل لمس بيئتك، يقدم Dynatrace Playground أمثلة استعلامات على مقاييس histogram.

للمزيد: Create histogram metrics at ingest with OpenPipeline (مدوّنة Dynatrace، بالإنجليزية).

span.observer مدوّنة مجتمعية مستقلة وغير تابعة لشركة Dynatrace LLC. Dynatrace علامة تجارية لشركة Dynatrace LLC. تتطور ميزات SaaS بسرعة، لذا تحقق من توافرها في بيئتك وفي الوثائق الرسمية. تحقق دائمًا من القيم (المنافذ والإصدارات والأحجام) في الوثائق الرسمية الخاصة بإصدارك.

Total
0
Shares
Leave a Reply

Your email address will not be published. Required fields are marked *

Previous Post
Dynatrace MCP + Microsoft Teams : un agent Copilot Studio branché sur le serveur MCP

Dynatrace MCP مع Microsoft Teams: وكيل Copilot Studio مربوط بخادم MCP

Next Post
Ingestion logs : détecter le silence, les trous de couverture et les excès de volume

استيعاب السجلات في Dynatrace: اكتشاف الصمت وثغرات التغطية وفائض الحجم

Related Posts