云原生可观测

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。

我们定位异常时，时常无法知晓代码内部发生了什么，因此无从谈起修复和改善代码。​Continuous Profiling帮助开发者全面掌握、回溯生产环节代码执行细节，增强可观测性。​

本文会系统讲解链路传递一些基本概念，同时结合案例讲解链路传递的过程。

本文以20个SLS告警运维场景说明可观测告警运维平台的痛点需求。

益复杂的软件架构导致系统在出现问题的时候，发现问题和排查问题的效率极低。那这个问题如何解决呢？就需要引入一个称为链路追踪的系统。

eBPF 提供的只是一个框架和机制，核心还是需要用 eBPF 的人对软件栈的理解，找到合适的插桩点，能够和应用问题进行关联。

一文带您了解Redis

本文介绍阿里云SLS丁来强（花名成喆）在GOPS2021上海站分享时的议题内容，结尾有PPT下载链接。

11月23日，阿里正式开源可观测数据采集器iLogtail。作为阿里内部可观测数据采集的基础设施，iLogtail承载了阿里巴巴集团、蚂蚁的日志、监控、Trace、事件等多种可观测数据的采集工作。iLogtail运行在服务器、容器、K8s、嵌入式等多种环境，支持采集数百种可观测数据，目前已经有千万级的安装量，每天采集数十PB的可观测数据，广泛应用于线上监控、问题分析/定位、运营分析、安全分析等多种场景。

WatchAlert 是一个开源的多数据源告警引擎，支持从 Prometheus、Elasticsearch、Kubernetes 等多种数据源获取监控数据，并根据预定义的告警规则触发告警。它具备多数据源支持、灵活的告警规则、多渠道告警通知、可扩展架构和高性能等核心特性，帮助团队更高效地监控和响应问题。项目地址：https://github.com/opsre/WatchAlert

前端可观测性的宣讲-1022

在本篇文章中，我们将介绍大数据集群领域所需的可观测性，实践大数据集群可观测所需要的条件和面临的挑战，以及阿里云EMR 产品如何通过 EMR Doctor 实现大数据可观测并向用户提供相关能力。

随着软件复杂度的不断提升，单体应用架构逐步向分布式和微服务的架构演进，整体的调用环境也越来越复杂，仅靠日志和指标渐渐难以快速定位复杂环境下的问题。对于全栈可观测的诉求也变得愈加强烈，Traces、Metrics 和 Logs 的连接也愈发紧密。

SLS针对Logtail本身以及Logtail的管控组件alibaba-log-controller，采用K8s事件的方式，将处理流程中的关键事件透出，从而让用户能够更清楚的感知其中发生的异常。

全新EMQX Dashbord一览，可观测性和可操作性大幅提升，通过Web页面轻松管理和监控MQTT集群，助力高效开发。

移动域全链路可观测架构和关键技术

相比传统的告警、监控，可观测性能够以更加“白盒”的方式看透整个复杂的系统，帮助我们更好的观察系统的运行状况，快速定位和解决问题。就像发动机而言，告警只是告诉你发动机是否有问题，而一些包含转速、温度、压力的仪表盘能够帮我们大致确定是哪个部分可能有问题，而真正定位细节问题还需要观察每个部件的传感器数据才行。

QCon 全球软件开发大会是由极客邦科技旗下 InfoQ 中国主办的综合性技术盛会，每年在伦敦、北京、纽约、圣保罗、上海、旧金山召开。自2007年3月份开始举办以来，已经有超万名有多年从业经验的技术人员参加过QCon大会。QCon 内容源于实践并面向社区，演讲嘉宾依据热点话题，面向5年以上工作经验的技术团队负责人、架构师、工程总监、开发人员分享技术创新和实践。

本文介绍对比多款告警监控运维平台方案，覆盖阿里云SLS、Azure、AWS、自建系统（ELK、Prometheus、TICK）等方案。

随着企业使用越来越多的云产品，如何监控不同云产品运行状态，又该如何建立统一大盘，不妨看看如何通过阿里云Prometheus解决上述问题。

阿里云发布的grafana托管服务，更是为云上的资产提供了高效的监控数据可观测能力。阿里云grafana弹性、免运维，可以方便的对接云上云下的各种数据源。

业界对可观测性的定义由Logging（日志）,Metrics （指标）和 Tracing（跟踪）组成。其中大多数软件都仅在一个领域内发力，这导致了实施可观测性时的高昂成本。需要建设多个技术栈的软件，才能实现完整的可观测性。大多数企业基本都使用了 5个+ 的技术栈，有的甚至能达到10个技术栈。

统一观测丨使用 Prometheus 监控 SNMP，我们该关注哪些指标？

阿里云 Prometheus 与阿里云容器服务和 ECS 无缝集成，默认提供了 Windows 的 CPU、内存、磁盘、网络和进程等 5 方面的核心监控指标采集，同时提供了对应的优化后的专家级监控大盘和告警指标模板，为用户提供了免运维、开箱即用的 Windows 监控能力。

随着更多企业迁移上云，应用运行环境、网络发生变化。当应用遇到故障需要问题定位时，一些传统问题定位手段由于效率、准确性等问题已无法满足 SRE 运维需求。本文以问题驱动为视角，结合阿里巴巴自身实践与客户服务经验，完整梳理可观测时代 Java 应用诊断知识图谱。

观察到`mpstat`命令显示单核CPU的`%usr`和`%sys`分别持续在70%和20%，而Grafana监控数据显示较低。问题源于Grafana表达式计算的是CPU时间增量而非利用率。`mpstat`通过`/proc/stat`获取数据并计算CPU利用率，而`node-exporter`直接导出原始数据。调整Grafana表达式以匹配`mpstat`的计算方式后，两者结果一致。解决方案是修正Grafana查询以准确反映CPU占用率。

RocketMQ 的消息是按照队列的方式分区有序储存的，这种队列模型使得生产者、消费者和读写队列都是多对多的映射关系，彼此之间可以无限水平扩展。对比传统的消息队列如 RabbitMQ 是很大的优势，尤其是在流式处理场景下能够保证同一队列的消息被相同的消费者处理，对于批量处理、聚合处理更友好。

Kafka 作为当前广泛使用的中间件产品，承担了重要/核心业务数据流转，其稳定运行关乎整个业务系统可用性。本文旨在分享阿里云 Prometheus 在阿里云 Kafka 和自建 Kafka 的监控实践。

Kindling-agent作为数据采集器，其性能如何想必是很多使用者关心的问题，本文将通过实际的压测数据来说明Kindling的性能。