云原生NPM与传统NPM的差异

简介: 本文对比传统NPM与云原生NPM在部署、流量采集、资源影响等方面的差异,聚焦Packet处理,分析二者优劣。随着eBPF等新技术应用,云原生NPM正加速发展,助力高效网络监控与故障定位。

摘要:以eBPF技术为主的NPM监控在市场日趋火热,本文主要以Packet作为处理目标展开对传统NPM与云原生NPM的差异化分析,带领大家了解二者的优劣势。

网络性能监控 (Network Performance Monitoring - NPM) 是一种用来采集、监控、诊断网络相关的技术和方法,可以帮助IT运维人员方便观察所管理网络的运行状态,了解潜在的故障点和风险,并有助于快速定位故障原因。此外,也能为最大化/调优网络性能、可用性和服务质量提供支撑。

为了更好的监控网络运行状态,NPM产品会采用多种方法来采集多种指标和数据,如SNMP、NetFlow / sFlow、Packet Capture等。这些数据中,SNMP指标需要采集设备主动向被管理的设备去请求,Flow信息由网络设备采样和推送,而Packet通常由独立设备通过网络设备的镜像端口进行流量获取。可见,Packet的方式能提供更多和更完整的网络真实面貌,但是对采集设备的要求也更多,不仅要处理大流量,计算各种网络指标,还需要能深度解析各种网络协议,从而提取更多的信息。因此,市场上不同的NPM产品,主要的竞争差异也是对包的处理,比较先进的NPM产品,从网络包中提取大量的信息之后,通过机器学习和AI的方式,实现自动风险识别,事件提醒等高级功能。

因此,本文主要以Packet 作为处理目标来分析传统NPM与云原生NPM的差异。虽然传统网络和云原生的基础设施环境不一样,但是NPM的目标是一样的:更好地了解网络实时运行状态,为扩容/缩容提供依据,为快速故障诊断提供支持,等等。但也正是IT基础设施环境的不一样,导致了两种环境下NPM的巨大差异,主要体现在以下几方面:

1) 部署方式

传统NPM需要独立硬件连接网络设备的镜像端口,此外,为了能进行多段分析(同一个网络包通过多个网络设备之后,需要计算每个网络设备的转发时延),就需要有多台物理设备连接不同网络设备的镜像端口,如果不同网络设备的物理位置比较近,可以连接至同一个NPM设备的不同抓包端口。

云原生NPM通常以纯软件方式形式存在,部署在业务系统的主机内,如果业务系统已经采用Docker, K8S等集群方式,那么部署起来将更加方便。由于每个主机都会进行部署,因此天生就可以从多处采集不同的流量,实现类似传统NPM中的多段分析。

2) 采集的流量内容

传统NPM可以采集到所有的物理网络流量,包括网络设备之间的路由协议数据。

云原生NPM主要采集所在(虚拟)主机的网络流量,包括主机与外部的通信流量,也包括主机内部通过虚拟网络设备互相连接的容器。

3) 业务影响

从1)中可知,传统NPM使用专用硬件设备来处理和分析网络数据,因此完全不会影响原先的系统运行。

云原生NPM运行在原有的系统中,会占用原有系统的资源,如果NPM占用太多的资源,很有可能会影响系统的运行。

4) 优/劣势

传统NPM可以捕获到更多种类的网络流量,不仅可以分析路由协议,观察网络转发的性能;也可以分析业务的流量,评估客户端和服务端的网络处理性能。另外,传统NPM可以使用更多的资源,对捕获的数据包做更详细的分析;甚至可以将所有捕获的数据进行存储,便于事后更丰富的分析和调查取证使用。相比于软件部署的云原生NPM,硬件成本比较高,升级维护也没那么方便。

云原生NPM部署在业务系统主机内,不仅可以捕获主机与外界的通信流量,还可以捕获主机内部的网络流量,尤其微服务架构流行的时代,主机内部的通信流量也日益增多。缺点是要保持实现的轻量,以免消耗过多的资源,影响业务系统。另外,一般部署的节点较多,对NPM的管理也有较高要求。

5) 实现技术

传统NPM大多采用一台配置较高的服务器硬件,甚至在特别大的流量场景下会使用专业的抓包网卡来捕获数据包,专业网卡一般还会提供高精度的网络包时间戳功能,为计算网络时延、抖动等功能提供帮助。有时,还会配备大容量的磁盘阵列,用于存储捕获的数据包。在软件层面,目前使用DPDK技术捕获数据包比较流行。

云原生NPM大多采用libpcap/winpcap抓包技术,近年来基于eBPF的XDP技术也很受关注。

欢迎各位来乘云伙伴群分享交流,评论区留言即可获得加群方式!
乘云数字是一家可观测软件服务商,专注于为企事业用户提供一站式的IT性能监测与人工智能运维分析服务。云原生环境作为目前主流的基础设施发展方向,我们也十分重视在云原生场景中采集各种主机、容器、POD等各种维度的数据,其中NPM相关的指标和数据也是我们重点关注的一个方向,这些数据被用来观测复杂的云原生网络环境的动态,同时也帮助快速定位网络相关的故障和性能问题。乘云数字的NPM功能,不仅采集操作系统提供的详细指标数据,还结合了旁路抓包的深度流量解析技术和基于eBPF的系统可观测技术。以较少的资源开销,将应用层与网络层进行关联,将网络故障和事件定位至具体的应用,极大地缩短了定位网络异常的时间。

相关文章
|
运维 监控 数据可视化
别让运维跪着查日志了!给老板看的“业务观测”大盘才是真香
深夜告警、业务暴跌、全员背锅?一次支付故障暴露传统监控盲区。我们通过业务观测,将技术指标转化为老板听得懂的“人话”,实现从被动救火到主动洞察的跨越。让技术团队不再跪着查日志,而是站着驱动业务增长。
别让运维跪着查日志了!给老板看的“业务观测”大盘才是真香
|
8月前
|
消息中间件 人工智能 缓存
一行命令,给你的 OpenClaw 龙虾装上 X 光机——阿里云可观测,让养虾更经济更安全
本文将聊聊如何用一行命令,给你的 OpenClaw 装上一台 X 光机——让每一次 LLM 调用、每一步工具执行、每一个 Token 的消耗,都从水下浮出水面。
1438 123
|
3月前
|
存储 SQL Rust
OpenObserve · 用 Rust 写的开源可观测性平台
OpenObserve 是用 Rust 编写的开源可观测性平台,单二进制统一接入日志、指标、链路追踪与前端 RUM 数据,支持 SQL/PromQL 查询、可视化仪表盘与告警。基于 Parquet+对象存储,存储成本仅 ES 的 1/4,轻松保留数月数据,告别“日志只留 7 天”困境。
|
存储 SQL Prometheus
图文解析带你精通时序PromQL语法
[阿里云SLS可观测团队发布] 本文通过图文解析深入讲解PromQL的计算原理,涵盖其与SQL的差异、时间线模型、选点机制、聚合函数、窗口函数及常见非预期场景,帮助用户掌握PromQL的核心语法与执行逻辑。
1543 10
|
8月前
|
安全 数据可视化 决策智能
OpenClaw 多 Agent 配置实战指南
本文详解OpenClaw多Agent配置实战:从创建工作区、绑定Discord频道,到沙箱隔离与工具权限控制(allow/deny优先级),涵盖配置结构、核心命令及常见坑点,助开发者快速搭建分工明确、安全可控的多智能体系统。
7949 4
OpenClaw 多 Agent 配置实战指南
|
8月前
|
人工智能 API 开发者
阿里云Coding Plan详细介绍、收费价格及Lite版和Pro版费用清单,2026年最新手动整理
阿里云百炼Coding Plan是AI编程订阅服务,含Lite(首月7.9元)与Pro(首月39.9元)两版,提供Qwen3.5/3-max/3-coder、Kimi K2.5、GLM-4.7等模型调用额度,支持Qwen Code等工具,按月付费、一键接入。
6362 10
|
存储 人工智能 运维
阿里云联合信通院发布《面向LLM应用的可观测性能力要求》
随着大模型技术的广泛应用,大语言模型(LLM)在对话系统、检索增强生成(RAG)、智能体(Agent)等场景中展现出无限的想象力与创造力。同时,基于 LLM 以及 AI 生态技术栈构建的应用以及业务场景也如雨后春笋般不断涌现。然而,LLM 应用在生产落地过程中面临着模型不确定性大、架构链路复杂、用户体验难以评估等诸多痛点。如何构建 LLM 应用的全链路可观测性体系以及如何评估可观测性能力是否完善,业界缺乏统一且完整细致的标准。
|
9月前
|
数据采集 存储 自然语言处理
向量数据库实战——零基础搭建专属RAG知识库
本文手把手教你零代码搭建向量数据库,构建个人大模型知识库:5步完成数据清洗、入库、检索配置与测试,无需编程/本地GPU,10分钟上手RAG核心环节,解决大模型“记不住专属知识”难题。(239字)
|
安全 算法 数据安全/隐私保护
屏幕拍照精准溯源:从“防不住”到“不敢泄”的震慑闭环是如何形成的?
屏幕拍照泄密频发,隐形水印技术以“无感嵌入、拍必留痕”破解防护难题。通过在显示画面中嵌入用户身份、设备信息等溯源数据,实现拍照即锁定责任人,构建“事前威慑、事中记录、事后追责”的全链路闭环,筑牢“不敢泄、不能泄、不想泄”安全防线。
1095 7
屏幕拍照精准溯源:从“防不住”到“不敢泄”的震慑闭环是如何形成的?
|
存储 前端开发 数据可视化
Grafana Loki,轻量级日志系统
本文介绍了基于Grafana、Loki和Alloy构建的轻量级日志系统。Loki是一个由Grafana Labs开发的日志聚合系统,具备高可用性和多租户支持,专注于日志而非指标,通过标签索引而非内容索引实现高效存储。Alloy则是用于收集和转发日志至Loki的强大工具。文章详细描述了系统的架构、组件及其工作流程,并提供了快速搭建指南,包括准备步骤、部署命令及验证方法。此外,还展示了如何使用Grafana查看日志,以及一些基本的LogQL查询示例。最后,作者探讨了Loki架构的独特之处,提出了“巨型单体模块化”的概念,即一个应用既可单体部署也可分布式部署,整体协同实现全部功能。
7052 189
Grafana Loki,轻量级日志系统