Unified SLO Driven Observability across AWS and GCP using CloudWatch and Stack driver and ELK and Splunk with Error Budgets
Dit artikel stelt een verenigd SLO-gestuurd observability-framework voor en evalueert dit, dat AWS CloudWatch, GCP Cloud Monitoring, ELK en Splunk integreert via een provider-onafhankelijk metamodel en error-budget governance, waarbij significante verbeteringen worden aangetoond in detectietijd, herstelsnelheid, SLO-stabiliteit en operationele kostenreductie in multi-cloud omgevingen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de moderne digitale wereld draaien grote organisaties hun software vaak tegelijkertijd over meerdere cloudcomputingplatforms, zoals Amazon Web Services en Google Cloud Platform. Deze strategie biedt flexibiliteit en veiligheid, maar creëert een complex probleem: hoe weet je of het gehele systeem correct werkt wanneer het verdeeld is over verschillende aanbieders? Om dit te beantwoorden, vertrouwen ingenieurs op een concept dat een Service Level Objective wordt genoemd, wat simpelweg een belofte is over hoe goed een dienst moet presteren, zoals het 99,9 procent van de tijd beschikbaar blijven. Wanneer een systeem deze belofte niet nakomt, verbruikt het een beperkte reserve van acceptabele fouten, bekend als een error budget. Als dit budget op is, moet het systeem stoppen met nieuwe wijzigingen om verdere schade te voorkomen. De uitdaging ontstaat omdat elke cloudprovider zijn eigen unieke taal en tools gebruikt om prestaties te meten, wat het moeilijk maakt om het hele plaatje te zien of dat gedeelde budget effectief te beheren.
Een onderzoeker aan de American University, Ehtesham Junaid, zette zich af tegen deze versnippering door een verenigd systeem te bouwen dat deze verschillende clouds behandelt als één enkele entiteit. De studie richtte zich op het creëren van een centrale laag die de verschillende monitoringsignalen van Amazon's CloudWatch en Google's Cloud Monitoring kon vertalen naar een gemeenschappelijke taal. Deze laag verbond ook met krachtige data-analysetools zoals ELK en Splunk, die worden gebruikt om enorme hoeveelheden logs en prestatiegegevens te doorzoeken. Het doel was niet alleen om meer gegevens te verzamelen, maar om een enkel, consistent beeld van betrouwbaarheid te creëren dat automatisch veiligheidsmaatregelen kon activeren wanneer het error budget te snel werd verbruikt.
Om dit idee te testen, bouwde de onderzoeker een gecontroleerde omgeving waarin identieke softwareapplicaties gelijktijdig draalden op zowel AWS als Google Cloud. Ze simuleerden realistische problemen, zoals plotselinge pieken in het verkeer, netwerkstoringen en gedeeltelijke systeemuitval, om te zien hoe het systeem reageerde. Eerst observeerden ze de opstelling met de traditionele methode, waarbij de monitoringtools van elke cloudprovider onafhankelijk van elkaar functioneerden. Daarna schakelden ze het nieuwe verenigde framework in, dat alle inkomende gegevens normaliseerde en een enkel, gedeeld error budget berekende voor het gehele multi-cloud systeem. Dit stelde het systeem in staat om problemen sneller te detecteren en beslissingen te nemen op basis van de gezondheid van het hele netwerk in plaats van slechts één deel.
De resultaten toonden een duidelijk voordeel voor de verenigde aanpak. Wanneer er defecten werden geïntroduceerd, detecteerde het nieuwe systeem de problemen in gemiddeld 3,1 minuten, een significante verbetering ten opzichte van de 7,8 minuten die het met de afzonderlijke, geïsoleerde tools duurde. Deze reductie van 60 procent in detectietijd betekende dat ingenieurs veel sneller op problemen konden reageren. Bovendien daalde de tijd die nodig was om te herstellen en terug te keren naar de normale bedrijfsvoering met bijna 40 procent. Het verenigde systeem bleek ook stabieler, waardoor de inconsistenties in de manier waarop verschillende delen van het systeem hun status rapporteerden, werden verminderd. Hoewel de kosten voor het verzamelen en verwerken van de gegevens licht toenamen door de centralisatie, daalden de totale kosten voor het draaien van het systeem met 18 procent. Deze besparing kwam voort uit een drastische reductie van 36 procent in de verliezen die gepaard gaan met systeemuitval, wat bewees dat de investering in betere zichtbaarheid zichzelf terugverdiende door dure onderbrekingen te voorkomen.
De studie concludeert dat de moeilijkheid bij het beheren van betrouwbaarheid over meerdere clouds niet een gebrek aan goede tools is, maar een gebrek aan een gedeelde governance-structuur. Door een enkele, provider-onafhankelijke manier te creëren om doelen te definiëren en het budget voor fouten te beheren, kunnen organisaties een niveau van controle bereiken dat voorheen onmogelijk was. Het onderzoek toont aan dat wanneer betrouwbaarheid wordt beheerd als een verenigd concept in plaats van een verzameling afzonderlijke taken, systemen sneller te repareren, stabieler en economischer te exploiteren zijn. Deze aanpak biedt een praktische basis voor bedrijven die hoge standaarden van prestaties moeten handhaven terwijl ze navigeren door de complexiteit van een multi-cloud toekomst.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.