Perché l’osservabilità ha bisogno di un grafo di contesto

L’osservabilità moderna genera enormi quantità di telemetria, ma la telemetria da sola non spiega come le diverse parti di un sistema si relazionano tra loro. Quando si verifica un incidente, la parte più difficile di solito non è trovare l’alert, ma capire cosa è successo tra servizi, infrastruttura e dipendenze. L’Observability Context Graph, il grafo di contesto in Observe by Snowflake, colma questa lacuna trasformando la telemetria non elaborata in data set interrogabili che è possibile collegare tra loro. Quindi, quando si verifica un incidente, gli utenti possono scoprire perché qualcosa si è rotto, non solo cosa si è rotto.

Il grafo di contesto è il livello architetturale di Observe che organizza la telemetria in una mappa collegata, consentendo agli utenti di navigare rapidamente nell’intero sistema per ottenere insight, invece di analizzare manualmente singoli eventi. Consente agli utenti di esplorare visivamente le connessioni nei propri dati non elaborati, per vedere cosa sta succedendo all’interno del proprio ambiente.

Scopri di più su Observe by Snowflake e come trasforma la telemetria in insight, velocemente.

L’Observability Context Graph si trova sopra il data lakehouse, l’unica destinazione per tutti i dati di osservabilità. Il modo in cui questi due elementi interagiscono è centrale per capire come Observe aiuta i team a condurre indagini più rapide.

Prima di tutto, la telemetria non elaborata viene instradata dall’infrastruttura esterna al Telemetry Data Lakehouse tramite un’integrazione o un collector. Observe organizza e struttura quindi questi dati in data set, che si collegano sia direttamente tramite link sia tramite tag di correlazione condivisi:

• Data set: Observe struttura la telemetria in ingresso in data set, come i log Kubernetes, le metriche Prometheus e gli span di trace. I data set di risorse identificano singole risorse (oggetti virtuali o fisici come pod e container Kubernetes, utenti, prodotti e carrelli della spesa) tramite una chiave primaria, che può contenere un singolo campo o una combinazione di campi.
• I link collegano i data set: I link di chiave primaria e di chiave esterna collegano i data set in base all’identità della risorsa. Ad esempio, una risorsa pod può collegarsi al nodo su cui viene eseguita. Lineage mostra una relazione diversa tra i data set: quali data set sono stati utilizzati per sviluppare un altro data set. È possibile esplorare queste relazioni tramite le viste Links, Lineage e Focus, descritte brevemente di seguito.
• I tag di correlazione collegano i dati tra i data set: I tag di correlazione etichettano i campi, come “cluster.name” o “service.name”, che rappresentano lo stesso concetto tra i data set. Quando i campi condividono un tag di correlazione, Observe può utilizzare i valori corrispondenti per trovare dati correlati. Molti tag vengono applicati automaticamente in base alle convenzioni supportate. Questi tag ricercabili aiutano anche l’AI site reliability engineer (AI SRE) di Observe ad associare un termine come “apiserver” ai dati corretti.

Insieme, queste connessioni formano l’Observability Context Graph: I data set sono i suoi “nodi”, mentre i link e il lineage tra di essi sono i suoi “archi”. I tag di correlazione aggiungono un livello complementare per navigare tra i data set attraverso concetti condivisi. Link, lineage e tag rendono possibile condurre indagini tra data set collegati, invece di esaminarli singolarmente in modo isolato.

L’AI SRE utilizza queste connessioni per trovare dati rilevanti e aiutare i team a indagare su perché qualcosa si è rotto, non solo su cosa si è rotto. Perché il servizio di pagamento si è interrotto alle 3 a.m.? In che modo l’ultimo deployment ha influito sui clienti a valle? Dobbiamo aumentare il numero di nodi dopo aver implementato l’ultima funzionalità? L’Observability Context Graph fornisce il contesto necessario per indagare su queste domande, riducendo il lavoro che i team dovrebbero altrimenti svolgere correlando manualmente eventi e risorse.

Il grafo di contesto lavora dietro le quinte, ma è possibile accedere ai dati su cui si basa tramite l’interfaccia utente di Observe.

Nella pagina dei data set, è possibile ispezionare lo schema, le proprietà, i tag di correlazione e le relazioni di un data set. Le viste Links e Focus mostrano le connessioni tra data set, mentre la vista Lineage mostra come sono stati derivati i data set. Observe dispone anche di una pagina separata per la gestione dei tag, dove è possibile visualizzare tutti i tag di correlazione in un unico posto. Queste viste aiutano gli utenti a ispezionare le relazioni tra data set e a tracciare l’origine dei dati.

Il grafo di contesto è interrogabile tramite API che attraversano le stesse connessioni che formano il grafo (data set, link e tag di correlazione). Queste API aiutano gli agenti AI a identificare servizi e risorse, trovare dati correlati e utilizzare i risultati per continuare un’indagine.

Il grafo di contesto è una superficie agentica; poiché non si tratta semplicemente di un’interfaccia utente, le API all’interno del grafo devono essere pensate per gli agenti AI. Sono progettate per restituire rapidamente risposte accurate e pertinenti, senza utilizzare token superflui.

Mentre le viste Links, Lineage e Focus permettono di esplorare manualmente queste connessioni, le API permettono di attraversare il grafo da codice oppure di lasciare che sia l’AI SRE di Observe a farlo per conto dell’utente. Questo rende il grafo interrogabile.

Un attraversamento segue il grafo nello stesso modo in cui lo fa un’indagine. Parte da un termine (“payments”, “apiserver”) e utilizza l’API “search tag values” per risolverlo nei valori dei tag di correlazione che identificano il servizio o la risorsa, gli stessi tag che collegano quel concetto tra i data set. Da qui, le API “list of data sets” e “list metrics” aiutano a individuare i data set e le metriche associati ad esso. Poiché i tag di correlazione sono metadati ricercabili, questo funziona anche quando un ambiente ne contiene migliaia.

Il grafo codifica anche direttamente l’esperienza in ambito osservabilità, quindi le indagini più comuni non richiedono di ricostruire manualmente la telemetria non elaborata. Una singola chiamata all’API “list APM services with RED metrics” può restituire rate, errori e durata del servizio, mentre l’API “invocation graph” mappa le relazioni tra chiamate di servizio. Poiché ogni risposta rimanda al data set, alla metrica e alla finestra temporale su cui si basa, il passo successivo dell’indagine è mirato, invece di essere una ricerca alla cieca.

Per ottenere i vantaggi dell’Observability Context Graph, è prima necessario inserire i dati dell’infrastruttura nel Telemetry Data Lakehouse. Consigliamo di utilizzare Observe Agent per raccogliere i dati, ma è anche possibile utilizzare integrazioni personalizzate o un collector OpenTelemetry già esistente.

Scopri Observe by Snowflake per vedere come la telemetria collegata supporta indagini più rapide.