云原生可观测

成本分配是FinOps核心实践，通过层级结构、标签等元数据将云成本精准归因至部门、项目或所有者，实现成本展示与回收。需跨财务、工程、业务团队协作，建立强制标签策略并推动执行，提升财务透明度、问责制及优化能力。衡量指标包括标签合规率、成本分配时效等，成熟实施可显著增强组织云成本管控力。

告别数据库“膨胀”！借助SLS打造高可用生产级的Dify日志场景，通过将工作流日志从PostgreSQL迁移至SLS，实现存储压力降低95%+、成本下降近10倍，并支持实时分析、监控告警与数据闭环，彻底解决高并发下的连接池打满、慢查询频发等痛点，助力AI应用高效稳定运行！

本页面介绍共享云成本管理，涵盖其重要性、分配方法及各方职责。通过公平、透明的成本分摊，提升财务责任与预算准确性，推动组织优化云支出。

本文系统阐述了FinOps（云财务运营）的四阶段采用路径：研究、提出、准备与启动。通过数据收集、利益相关者沟通、战略提案和团队协作，助力组织实现云成本透明化、优化支出并推动业务价值。适用于希望落地FinOps的个人与团队，提供实用框架与执行指南。

本文探讨生成式AI带来的新型成本挑战，如cost-per-token计费、GPU资源稀缺与波动定价。提出通过FinOps实践实现AI支出管控：建立成本基线、优化资源分配、实施配额与标记、加强跨团队协作，并将财务监控与业务成果对齐，推动AI成本管理从“爬”到“跑”的渐进式成熟。

GenAI和智能体技术的爆发，为IT运维打开了一扇新的大门，一个更具主动性、自治性和协作性的新时代已经来临，这就是AgenticOps（基于智能体的IT运维）。

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。

本文探讨SQL耗时故障的自适应定位方法，针对不同波动程度的故障，提出通过自学习正常区间特征（如方差、标准差）实现异常检测，并结合上下游响应时间比例关系判断根因，辅以实战案例验证定位准确性。

以巴比馒头自动化洗菜为喻，探讨运维领域“数据清洗”难题。DataHub作为国产可视化遥测管道工具，支持多源数据接入与低代码编排，实现日志、指标、链路等数据的高效处理与统一管理，助力企业构建高质量可观测体系。（238字）

[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。

阿里云可观测 2025 年 6 月产品动态

阿里云可观测 2025 年 4 月产品动态

本文总结了日志管理中的六大反模式及优化建议，涵盖日志轮转、存储选择、并发写入等常见问题，帮助提升日志采集的完整性与系统可观测性，适用于运维及开发人员优化日志管理策略。

LoongCollector 在日志场景中实现了全面的重磅升级，从功能、性能、稳定性等各个方面均进行了深度优化和提升，本文我们将对 LoongCollector 的升级进行详细介绍。

本文介绍了GOAT（Golang Application Tracing）工具的使用方法，通过一个Echo问答服务实例，详细展示了代码埋点与追踪技术的应用。内容涵盖初始化配置、自动埋点、手动调整埋点、数据监控及清理埋点等核心功能。GOAT适用于灰度发布、功能验证、性能分析、Bug排查和代码重构等场景，助力Go项目质量保障与平稳发布。工具以轻量高效的特点，为开发团队提供数据支持，优化决策流程。

本文将介绍一种基于 Docker 多阶段构建的无侵入 Golang 应用观测方法，通过此方法用户无需对 Golang 应用源代码或者编译指令做任何改造，即可零成本为 Golang 应用注入可观测能力。

以 AI 世界的“USB-C”标准接口——MCP（Model Context Protocol）为例，演示如何通过 MCP Server 实现大模型与阿里云 Grafana 服务的无缝对接，让智能交互更加高效、直观。

SPL 算子不仅完成了旧版 DSL 加工向更强大语法和算子形式的过渡，更将性能调优和场景适配做到了极致，解锁了时序预测和日志分析的更多可能性。作为重要的基础设施模块，SPL 加工能力将持续优化演进。未来的规划将继续聚焦通用性、性能与产品能力，为用户提供更加强大、灵活的技术支持。

阿里云可观测 2025 年 3 月产品动态

阿里巴巴是 GraalVM 全球顾问委员会的唯一中国代表，阿里云程序语言与编译器团队和可观测团队合作实现了 GraalVM 应用的无侵入可观测能力，并在 ARMS 平台上线了该功能。目前在 GraalVM 24 中发布的是支持 Java agent 的第一步，其余能力将在 GraalVM 的后续版本中陆续发布。

SLS 对实时消费进行了功能升级，推出了 基于 SPL 的规则消费功能。在实时消费过程中，用户只需通过简单的 SPL 配置即可完成服务端的数据清洗和预处理操作。通过SPL消费可以将客户端复杂的业务逻辑“左移”到服务端，从而大幅降低了客户端的复杂性和计算开销。

SLS 全新推出的「SQL 完全精确」模式，通过“限”与“换”的策略切换，在快速分析与精确计算之间实现平衡，满足用户对于超大数据规模分析结果精确的刚性需求。标志着其在超大规模日志数据分析领域再次迈出了重要的一步。

探讨了 SLS 中增强数据安全的几种方式：权限精细化管控有效减少了潜在安全风险；接入层脱敏技术阻止敏感数据落库，提升了隐私保护；StoreView 字段集控制通过限制查询数据范围，降低数据泄露损害。智能监控系统提供实时监测，快速识别并阻断异常拖库行为，为企业提供了迅速响应和抵御威胁的能力。

为进一步赋能用户在复杂场景下快速定位与解决问题，我们结合近期发布的一系列全新功能，精心梳理了一套从接入到问题发现、再到问题排查与精准定位的最佳实践指南。

我们开发了 MetricStore 2.0 版本，从存储到计算进行了全面升级，致力于成为阿里云下一代可观测时序引擎。

本文将着重介绍 Gin 框架官方推荐的几种可观测性方案并进行对比，从而得出 Gin 框架可观测性的最佳实践。

本文将探讨 SLS 中增强数据安全的几种方式：权限精细化管控有效减少了潜在安全风险；接入层脱敏技术阻止敏感数据落库，提升了隐私保护；StoreView 字段集控制通过限制查询数据范围，降低数据泄露损害。智能监控系统提供实时监测，快速识别并阻断异常拖库行为，为企业提供了迅速响应和抵御威胁的能力。

唯有通过全行业的协同努力，加强整体、完善的网络安全可观测建设，才能为 AI 技术的创新和发展构建一个安全而稳固的环境。我们期盼并相信，在攻克这些网络安全难题之后，AI 创新将迎来更加安全、灿烂的未来。

本文介绍了构建深度可观测、可集成的网络智能运维平台（简称NIS），旨在解决云上网络运维面临的复杂挑战。内容涵盖云网络运维的三大难题、打造云原生AIOps工具集的解决思路、可观测性对业务稳定的重要性，以及产品发布的亮点，包括流量分析NPM、网络架构巡检和自动化运维OpenAPI，助力客户实现自助运维与优化。

本次课程聚焦构建超大带宽、超高性能及稳定可观测的全球互联网络。首先介绍全球互联网络的功能与应用场景，涵盖云企业网、转发路由器等产品。接着探讨AI时代下全球互联网络面临的挑战，如大规模带宽需求、超低时延、极致稳定性和全面可观测性，并分享相应的解决方案，包括升级转发路由器、基于时延的流量调度和增强网络稳定性。最后宣布降价措施，降低数据与算力连接成本，助力企业全球化发展。

本次课程聚焦于助力企业高效构建安全、可观测的云上数据中心，涵盖三大方面：1) 数据中心网络面临的挑战，包括VPC、NAT网关和私网连接等产品的功能与挑战；2) 数据中心网络产品重磅发布，涉及安全设计建议、容灾能力提升及深度可观测能力的增强；3) 用户体验升级，通过VPC IPAM实现高效的网络地址管理和简化的产品体验。整体旨在为企业提供更安全、稳定、高效的云上解决方案。

企业上云已成为共识，但在合理使用和管理云资源方面仍面临诸多挑战。富莱瑞调研显示79%的企业缺乏经验。阿里云2023年推出云监控2.0，通过统一接入、关联分析、数据探索等六大升级，帮助企业应对数据孤岛、关联分析困难、灵活性不足等问题。云监控2.0还引入了CloudLens和AI大模型技术，提供更深入的云产品可观测能力，提升运维效率。实际案例表明，通过建设统一可观测平台，企业的故障排查时间和运营成本显著降低。

本文介绍了云原生时代保障业务系统可靠性的方法和挑战，重点探讨了阿里云ECS在提升业务稳定性、性能监控及自动化恢复方面的能力。文章分为以下几个部分：首先，阐述了业务可靠性的三个阶段（事前预防、事中处理、事后跟进）；其次，分析了云上业务系统面临的困难与挑战，并提出了通过更实时的监测和自动化工具有效规避风险；接着，详细描述了ECS实例稳定性和性能问题的解决方案；然后，介绍了即将发布的ECS Lens产品，它将全面提升云上业务的洞察能力和异常感知能力；最后，通过具体案例展示了如何利用OS自动重启和公网带宽自适应调节等功能确保业务连续性。总结部分强调了ECS致力于增强性能和稳定性的目标。

本文介绍了AI Ops的概念及其在提升系统运维效率、洞察力和可观测性方面的作用。主要内容分为三个部分：一是监控、观测与洞察的区别及挑战，强调了数据整合和语义对齐的重要性；二是AI与计算如何重塑可观测性，通过UModel数字图谱和多模态存储分析架构实现数据联通；三是最佳实践与未来展望，展示了阿里云AI Stack可观测解决方案的应用案例，并总结了可观测性的四个发展阶段，最终愿景是借助AI力量让每个人成为多领域的专家。