Unified SLO Driven Observability across AWS and GCP using CloudWatch and Stack driver and ELK and Splunk with Error Budgets
Dieses Paper schlägt ein vereinheitlichtes, SLO-gesteuertes Observability-Framework vor und evaluiert dieses, welches AWS CloudWatch, GCP Cloud Monitoring, ELK und Splunk durch ein anbieterunabhängiges Metamodell und Error-Budget-Governance integriert und signifikante Verbesserungen bei der Detektionszeit, der Wiederherstellungsgeschwindigkeit, der SLO-Stabilität sowie der Reduzierung der Betriebskosten in Multi-Cloud-Umgebungen nachweist.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In der modernen digitalen Welt betreiben große Organisationen ihre Software oft gleichzeitig auf mehreren Cloud-Computing-Plattformen, wie zum Beispiel Amazon Web Services und der Google Cloud Platform. Diese Strategie bietet Flexibilität und Sicherheit, schafft aber ein komplexes Problem: Wie weiß man, ob das gesamte System korrekt funktioniert, wenn es auf verschiedene Anbieter aufgeteilt ist? Um dies zu beantworten, verlassen sich Ingenieure auf ein Konzept namens Service Level Objective, was einfach ein Versprechen darüber ist, wie gut ein Dienst funktionieren sollte, beispielsweise eine Verfügbarkeit von 99,9 Prozent zu gewährleisten. Wenn ein System dieses Versprechen nicht einhält, verbraucht es eine begrenzte Reserve an akzeptablen Fehlern, die als Error Budget bekannt ist. Wenn dieses Budget aufgebraucht ist, muss das System neue Änderungen stoppen, um weiteren Schaden zu verhindern. Die Herausforderung besteht darin, dass jeder Cloud-Anbieter seine eigene einzigartige Sprache und Werkzeuge zur Leistungsmessung verwendet, was es schwierig macht, das Gesamtbild zu erfassen oder dieses gemeinsame Budget effektiv zu verwalten.
Ein Forscher an der American University, Ehtesham Junaid, setzte sich zum Ziel, diese Fragmentierung zu lösen, indem er ein einheitliches System entwickelte, das diese verschiedenen Clouds als eine einzige Einheit behandelt. Die Studie konzentrierte sich auf die Erstellung einer zentralen Ebene, die die unterschiedlichen Überwachungssignale von Amazons CloudWatch und Googles Cloud Monitoring in eine gemeinsame Sprache übersetzen konnte. Diese Ebene war zudem mit leistungsstarken Datenanalysetools wie ELK und Splunk verbunden, die dazu verwendet werden, riesige Mengen an Protokollen und Leistungsdaten zu durchsuchen. Das Ziel war nicht nur, mehr Daten zu sammeln, sondern eine einzige, konsistente Sicht auf die Zuverlässigkeit zu schaffen, die automatisch Sicherheitsmaßnahmen auslösen konnte, wenn das Error Budget zu schnell aufgebraucht wurde.
Um diese Idee zu testen, baute der Forscher eine kontrollierte Umgebung auf, in der identische Softwareanwendungen gleichzeitig auf sowohl AWS als auch auf der Google Cloud liefen. Sie simulierten reale Probleme, wie plötzliche Verkehrsspitzen, Netzwerkausfälle und Teilabschaltungen des Systems, um zu sehen, wie das System reagierte. Zuerst beobachteten sie den Aufbau mit der traditionellen Methode, bei der die Überwachungswerkzeuge der jeweiligen Cloud-Anbieter unabhängig voneineinander arbeiteten. Dann schalteten sie das neue, einheitliche Framework ein, welches alle eingehenden Daten normalisierte und ein einziges, gemeinsames Error Budget für das gesamte Multi-Cloud-System berechnete. Dies ermöglichte es dem System, Probleme schneller zu erkennen und Entscheidungen basierend auf der Gesundheit des gesamten Netzwerks statt nur eines einzelnen Teils zu treffen.
Die Ergebnisse zeigten einen klaren Vorteil für den einheitlichen Ansatz. Als Fehler eingeführt wurden, erkannte das neue System die Probleme in durchschnittlich 3,1 Minuten, was eine signifikante Verbesserung gegenüber den 7,8 Minuten war, die es mit den getrennten, isolierten Werkzeugen dauerte. Diese Reduzierung der Erkennungszeit um 60 Prozent bedeutete, dass Ingenieure viel schneller auf Probleme reagieren konnten. Darüber hinaus sank die Zeit bis zur Wiederherstellung und Rückkehr zum Normalbetrieb um fast 40 Prozent. Das einheitliche System erwies sich auch als stabiler und reduzierte die Inkonsistenzen in der Art und Weise, wie verschiedene Teile des Systems ihren Status meldeten. Während die Kosten für die Erfassung und Verarbeitung der Daten aufgrund der Zentralisierung leicht anstiegen, sanken die Gesamtkosten für den Betrieb des Systems um 18 Prozent. Diese Einsparung ergab sich aus einer drastischen Reduzierung der Verluste im Zusammenhang mit Systemausfällen um 36 Prozent, was bewies, dass sich die Investition in eine bessere Sichtbarkeit durch die Vermeidung teurer Ausfälle auszahlte.
Die Studie kommt zu dem Schluss, dass die Schwierigkeit bei der Verwaltung der Zuverlässigkeit über mehrere Clouds hinweg nicht ein Mangel an guten Werkzeugen ist, sondern ein Mangel an einer gemeinsamen Governance-Struktur. Indem Organisationen eine einzige, anbieterunabhängige Methode definieren, um Ziele festzulegen und das Budget für Fehler zu verwalten, können sie ein Maß an Kontrolle erreichen, das zuvor unmöglich war. Die Forschung zeigt, dass Systeme, wenn die Zuverlässigkeit als ein einheitliches Konzept und nicht als eine Sammlung separater Aufgaben verwaltet wird, schneller zu reparieren, stabiler und wirtschaftlicher im Betrieb sind. Dieser Ansatz bietet eine praktische Grundlage für Unternehmen, die hohe Leistungsstandards aufrechterhalten müssen, während sie sich in der Komplexität einer Multi-Cloud-Zukunft bewegen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.