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
研究通过Android Auto平台收集的急刹车事件数据,与实际道路交通事故率建立了显著正相关关系。分析加州和弗吉尼亚州10年公共事故数据发现,急刹车事件覆盖的路段数量是报告事故路段的18倍,能够提供连续的高密度安全信号。研究验证了急刹车事件作为交通安全领域"领先指标"的有效性,为道路风险评估提供了新的数据驱动方法。
加州大学伯克利分校研究团队开发的Pillar-0是一个突破性的医学影像AI系统,能够同时处理CT和MRI等多种影像类型的366项诊断任务。该系统采用创新的多窗技术和Atlas架构,在四种主要影像检查中准确率达86-90分,显著超越谷歌、微软等竞争对手。研究团队还开源了完整系统,为全球医学AI发展提供强大基础。
在AI竞赛中,Bose将所有AI技术投入自适应降噪功能。与苹果AirPods Pro 2相比,Bose QuietComfort Ultra Earbuds 2的ActiveSense模式响应更快、更平滑。该技术能无缝识别环境变化,自动调节降噪强度,无压迫感且自然过渡。相比花哨的翻译或聊天功能,这种日常实用的AI降噪技术更具价值。
马里兰大学研究团队开发MASS系统,通过空间时间感知技术让AI具备物理学家般的视频理解能力。该系统创建了包含8361个问答对的MASS-Bench基准,将视频中的运动轨迹转换为AI可理解的语言描述,并使用强化学习训练模型的物理推理能力。实验显示经过训练的模型性能提升6-8.7%,在物理异常检测任务上甚至超越商业顶级产品,为AI视频内容审核、教育和科研应用开辟新方向。