在 2022 云栖大会上,观测云和阿里云日志服务 SLS 共同发布可观测性联合解决方案,使可观测能力成为云原生的基础设施,全面升级云上应用可观测性体验。
随着 Kubernetes 等云原生技术引领研发、运维研发模式变革,应用的迭代频率和链路复杂度大幅提升。企业 IT 架构全栈上云催生统一监测诉求,分布式云又进一步加大监测难度。在全面云化的趋势下,可观测性技术被视作降低分布式熵增的最佳手段。在 2022 云栖大会上,观测云和阿里云日志服务 SLS 共同发布可观测性联合解决方案,使可观测能力成为云原生的基础设施,进一步实践用数字化手段来管理数字化系统。

观测云产品总监-曹新宇 在发布会现场
阿里云日志服务 SLS 是云原生观测分析平台,为 Log / Metric / Trace 等数据提供大规模、低成本、实时平台化服务。一站式提供数据采集、加工、分析、告警可视化与投递功能,全面提升研发、运维、运营和安全等场景数字化能力。
观测云 是新一代云原生全链路数据可观测平台,国内首批获得中国信通院颁发的「可观测性平台技术能力」先进级认证,实现统一采集、统一标签、统一存储和统一界面,带来全功能的一体化可观测体验。观测云支持全环境高基数采集数据,支持多维度信息智能检索分析,及提供强大的自定义可编程能力,使系统运行状态尽在掌控,故障根因无所遁形。
观测云通过集成阿里云日志服务 SLS 的产品能力,发布观测云 SLS 专属版。为客户提供专属存储与自助分析等新功能,实现可观测数据的高效存储与灵活分析能力。

观测云 SLS 专属版用户,可以选用自己阿里云账号下的 SLS 专属区域来存储数据;同时,阿里云用户,也可将自己的 SLS 专属区域内的数据,同步到观测云工作空间进行联动查询和分析。

观测云和阿里云日志服务 SLS,本身均已是国内头部可观测能力平台,拥有极广泛的客群基础与场景经验累积。此次强强联合,既为彼此功能如虎添翼,也为双方客户提供更丰富和全面的可观测能力:
拥有专属存储与自助分析能力:指标和日志数据存储于客户自有的阿里云账号内,支持直接利用阿里云日志服务 SLS 功能对日志数据做自助分析;
实现数据统一关联和统一存储:使用观测云的统一采集和标签能力,统一关联用户访问、应用性能、日志、基础设施等全链路指标和数据,存放于统一存储资源池;
极致弹性与性能:综合利用观测云与阿里云日志服务 SLS 功能,实现应对海量数据注入时的自动负载均衡与实时扩容,PB 级别弹性伸缩;存算分离架构,千亿级实时查询与分析。

观测云 CEO,蒋烁淼(右一)提出,希望通过本次合作,将国产自研、自主可控的「可观测性」基础软件能力推向新高度。
阿里云云原生智能运维负责人,周琦(花名:简志,左一)表示,可观测能力已从单纯的运维态开始融入整个设计、架构、开发与测试的整体环节中,可观测的目的也从支撑业务正常运行进一步扩展到加速业务创新,阿里云愿与优秀的伙伴强强联手,共同将市场做大做好,用技术普惠更多用户。
通过阿里云云市场、日志服务 SLS 产品团队和观测云的生态合作,观测云 SLS 专属版的新特性已在阿里云心选商城同步更新,并支持 SaaS 按量计费订阅方式获取,用户可直接在阿里云账号内操作订阅,快速开通观测云服务。
观测云 x 阿里云日志服务 SLS,合力创造数据新价值
Gartner 在近日发布的《2023 年十大战略技术趋势》报告中,已将「可观测性」列于重要地位,指出可观测性应用使企业机构能够利用他们的数据特征来获得竞争优势。如能在战略中予以规划并成功执行,可观测性应用将成为数据驱动型决策的最强大来源。此次观测云与阿里云日志服务 SLS 的联合解决方案,是双方在可观测性领域深度合作的一个开始,期待未来可以一起给用户带来更多惊喜,创造更大的价值!

好文章,需要你的鼓励
还在为渲染一个3D模型等上几小时吗?还在纠结移动办公就得牺牲性能吗?当AI遇上专业工作站,传统设计流程的游戏规则正在被改写。
伊斯法罕大学研究团队通过分析Google Play商店21款AI教育应用的用户评论,发现作业辅导类应用获得超80%正面评价,而语言学习和管理系统类应用表现较差。用户赞赏AI工具的快速响应和个性化指导,但抱怨收费过高、准确性不稳定等问题。研究建议开发者关注自适应个性化,政策制定者建立相关规范,未来发展方向为混合AI-人类模型。
据报道,OpenAI正与亚马逊洽谈至少100亿美元的融资。亚马逊此前已是Anthropic的最大投资者,并为其建设了110亿美元的数据中心园区。若融资达成,OpenAI将采用AWS的Trainium系列AI芯片。Trainium3采用三纳米工艺,配备八核心和32MB SRAM内存。AWS可将数千台服务器连接成拥有百万芯片的集群。报道未透露具体估值,但OpenAI最近一次二次出售估值已达5000亿美元。
这项由伊利诺伊大学香槟分校等四所院校联合完成的研究,提出了名为DaSH的层次化数据选择方法。该方法突破了传统数据选择只关注单个样本的局限,通过建模数据的天然层次结构,实现了更智能高效的数据集选择。在两个公开基准测试中,DaSH相比现有方法提升了高达26.2%的准确率,同时大幅减少了所需的探索步数。