eBPF为云原生应用可观测性开启更多可能性
来源云杉网络创始人兼 COO。云杉网络旗下开源项目 DeepFlow 是一款面向云原生开发者的高度自动化的可观测性平台,使用了 eBPF、WASM、OpenTelemetry 等新技术,创新地实现了 AutoTracing、AutoMetrics、AutoTagging、SmartEncoding 等核心机制,极大避免了埋点插码,显著降低了后端数仓的资源开销。
近日,OSCHINA 和 Gitee 联合发布了《2022 中国开源开发者报告》。云杉网络创始人兼 COO 来源 在报告中对开源云原生领域发展进行了解读,以下为原文。
eBPF为云原生应用可观测性开启更多可能性
Alexei Starovoitov 在 2014 年引入了扩展 BPF (external BPF) 设计,可以直接将 BPF 虚拟机开放至用户空间,为内核运行用户空间程序。谁也不会预想到,它在 2022 年被火热追捧。
eBPF 具备的安全以及高效的特点,在云、容器以及微服务应用发展迅速的今天,使基于 eBPF 的应用程序有了更多契合场景,在云安全、容器网络、分布式应用追踪以及可观测性等方面得到了广泛使用与创新。
在可观测领域,eBPF 提供了一个面向云原生环境各层面数据获取的方式。从基础设施的角度,不仅降低监控数据获取代价,而且有效地覆盖运行云、容器平台之上的所有应用、系统、网络的监控与观测数据。这是一个非常值得关注的能力,它让基础设施紧密结合到应用成为可能。
应用间 API 的调用、分布式性能追踪、容器平台弹性扩展后,直接关联到所属虚拟机或容器 POD 间的拓扑、网络流,包括异常、吞吐与时延等。类比宇宙中的虫洞,连接了不同时空的通道,多层抽象本身就是 IT 系统的特点,在云环境中,多分层的特点更为突出。eBPF 使应用、系统、容器、云等不同平面的观测数据整体化获取并关联成为可能,并且拥有所有这些数据的总体代价达到足够低。
此外在实践中,观测数据拉齐以及汇总关联后,可在不同数据消费场景体现价值,如极大地提升部门间的协作效率,标准化的观测数据也将推进 AIOps 的进步,在技术运营、量化服务等提供支撑。
《2022 中国开源开发者报告》报告由” 前沿开源技术领域解读 “ ” 中国开源创业观察 2022“,以及” 开发者画像分析 “ 三个章节组成。
在 “前沿开源技术领域解读” 部分,多位在其领域有所建树的一线开发者和开源商业化公司创始人,对目前国内外流行的前沿开源技术领域过去的发展和未来的趋势进行了深入的洞察,覆盖开源云原生、开源 AI、开源大前端、开源大数据、开源 DevOps、RISC-V、开源操作系统、开源数据库、编程语言九大领域。
欲了解更多报告内容,请点击:https://gitee.com/report/china-open-source-2022/

低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。
持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。
转载内容版权归作者及来源网站所有,本站原创内容转载请注明来源。
- 上一篇
所有 Ubuntu flavors 默认不再支持 Flatpak
熟悉 Ubuntu 的用户都知道,Ubuntu 本身长久以来都默认不支持 Flatpak,但不少 Ubuntu flavors 所采取的策略就完全不同,比如 Ubuntu MATE、Kubuntu 和 Xubuntu 则是默认支持 Flatpak,也正是这些 Ubuntu flavors,为 Ubuntu 带来了别样的使用体验和多样性,也给予用户更多选择权。 延伸阅读:Ubuntu MATE 将默认支持 Flatpak Canonical 近日则是宣布,从 Ubuntu 23.04 开始,未来的 Ubuntu 以及所有 Ubuntu flavors 版本均将默认不包含对 Flatpak 格式的支持(注意区分官方认可的 Ubuntu flavors 和非官方衍生品,不要混淆)。 这一公告也意味着上述所提及到的 Ubuntu flavors 未来将跟 Ubuntu 一样,默认不提供对 Flatpak 格式的支持。“默认不提供” 还是有别于 “不提供”,想要使用 Flatpak 应用程序的用户也无需过度担心,只不过未来需要按照官方网站上的说明手动安装 Flatpak Runtime。 Can...
- 下一篇
上篇 | 使用 🤗 Transformers 进行概率时间序列预测
介绍 时间序列预测是一个重要的科学和商业问题,因此最近通过使用基于深度学习 而不是经典方法的模型也涌现出诸多创新。ARIMA 等经典方法与新颖的深度学习方法之间的一个重要区别如下。 概率预测 通常,经典方法针对数据集中的每个时间序列单独拟合。这些通常被称为“单一”或“局部”方法。然而,当处理某些应用程序的大量时间序列时,在所有可用时间序列上训练一个“全局”模型是有益的,这使模型能够从许多不同的来源学习潜在的表示。 一些经典方法是点值的 (point-valued)(意思是每个时间步只输出一个值),并且通过最小化关于基本事实数据的 L2 或 L1 类型的损失来训练模型。然而,由于预测经常用于实际决策流程中,甚至在循环中有人的干预,让模型同时也提供预测的不确定性更加有益。这也称为“概率预测”,而不是“点预测”。这需要对可以采样的概率分布进行建模。 所以简而言之,我们希望训练全局概率模型,而不是训练局部点预测模型。深度学习非常适合这一点,因为神经网络可以从几个相关的时间序列中学习表示,并对数据的不确定性进行建模。 在概率设定中学习某些选定参数分布的未来参数很常见,例如高斯分布 (Gaussi...
相关文章
文章评论
共有0条评论来说两句吧...
文章二维码
点击排行
推荐阅读
最新文章
- SpringBoot2整合Redis,开启缓存,提高访问速度
- SpringBoot2全家桶,快速入门学习开发网站教程
- Docker快速安装Oracle11G,搭建oracle11g学习环境
- Linux系统CentOS6、CentOS7手动修改IP地址
- CentOS7设置SWAP分区,小内存服务器的救世主
- Jdk安装(Linux,MacOS,Windows),包含三大操作系统的最全安装
- Windows10,CentOS7,CentOS8安装MongoDB4.0.16
- CentOS7编译安装Gcc9.2.0,解决mysql等软件编译问题
- CentOS6,CentOS7官方镜像安装Oracle11G
- Mario游戏-低调大师作品