什么是持续分析？
持续分析的定义
持续分析是指从实时生产环境中运行的应用程序不断收集性能数据的过程，目的是优化性能和提高资源利用率。
与临时或按需采样数据的传统方法不同，持续分析会实时捕获指标。这提供了应用程序性能和行为的更准确和最新的视图。它还特别关注生产环境，跟踪资源利用率并提供代码级别的见解。这不仅在短期内有帮助，而且还可以以最小的开销进行长期分析。
从传统分析实践的演变可以通过几个重要的进步来突出显示。这包括从临时分析到持续数据收集的转变，通过 eBPF 创新大幅减少性能影响，以及与可观测性工具的集成。现代持续分析器还包含使用人工智能和机器学习的自动分析功能，并且可以支持一系列编程语言。它们还构建为可以很好地与分布式和云原生系统配合使用。
持续分析的重要性
性能瓶颈识别和解决
持续分析使实时检测和解决性能瓶颈成为可能。通过不断收集 CPU、内存、磁盘 I/O 等资源利用率数据，您可以深入了解系统行为的实时情况。这意味着开发人员可以准确地指出其代码中存在低效率的地方，从而主动解决性能问题并提高整体应用程序性能。
开发团队优势
持续分析还可以通过使开发人员能够轻松识别和解决可能不会在开发或测试环境中出现的性能问题来提高代码质量。这将导致生产代码更健壮和高效。它还通过使实时分析数据成为可能来增强故障排除，这意味着可以更快地识别间歇性问题。这减少了调试时间并提高了生产力。通过提供对应用程序性能和行为的见解，持续分析还有助于 SRE 团队的扩展性和可靠性。这是因为他们可以确保应用程序可以在不降低性能的情况下处理增加的负载。
业务优势
通过使用持续分析来优化资源使用率，它可以帮助企业通过降低云资源消耗和相关成本来降低成本。它还可以帮助最大限度地减少数据中心的碳足迹，帮助公司提高技术行业的整体环境责任。
提高应用程序的性能还可以间接为用户创造更好的用户体验，这可以带来更好的客户满意度和潜在的客户保留率。
持续分析的工作原理
步骤 1：数据收集
持续性能分析的第一步是收集所需的数据。此过程通常使用低开销的采样技术来收集诸如内存分配、CPU 使用率和 I/O 操作等指标。这通过集成 eBPF、JProfiler 和 Elastic 的通用性能分析等工具来实现。
这些工具通过代理、库或内核模块集成到系统中。具体方法取决于您选择的特定技术以及所需的访问级别。性能分析方法在影响和资源需求方面也存在差异。
- 轻量级、始终在线的性能分析器：这些工具的开销极小，适合在生产环境中持续使用。
- 采样性能分析器：这些工具执行周期性数据收集，开销较低到中等。
- 插桩性能分析器：这些工具收集更详细的数据，但开销较高。通常用于开发、测试或预发布环境。
- 追踪工具：这些工具执行全面的数据收集，但开销很大。通常用于特定的调试会话。
步骤 2：分析
收集数据后，接下来进行分析，以识别诸如性能瓶颈、资源使用模式和潜在优化等问题。此分析过程通常涉及随时间聚合数据、将其与应用程序事件交叉引用，并应用统计方法来检测异常和趋势。此阶段的目标是将数据转化为可操作的见解。
持续性能分析还可以与 应用程序性能监控 (APM) 数据（如跟踪）关联，以准确了解特定跟踪发生时运行了哪些代码，通过改进上下文来加快平均根本原因解决时间。
在此阶段通常使用先进技术来改进分析，包括使用机器学习和人工智能工具。这些技术尤其擅长自动分类问题、预测未来性能以及建议可以进行的优化。
步骤 3：可视化
可视化步骤将收集的复杂性能数据转换为直观、易于理解的可视化表示形式。此步骤帮助开发人员和运维团队快速识别性能瓶颈、使用模式和优化区域。常用的技术包括火焰图（可以轻松发现热代码路径）和冰柱图（表示代码不同部分所花费的相对时间）。
这些可视化通常是交互式的，使查看者可以放大、过滤数据并深入研究特定的问题区域或函数。大多数性能分析工具都提供仪表板，将多个可视化和指标集中到一个位置。
持续性能分析实践
用例
- 电子商务平台优化：使用持续性能分析来识别影响结账流程的慢速数据库查询，并通过优化资源密集型函数来减少页面加载时间。
- 微服务架构性能：查明服务间通信中的特定瓶颈，并优化所有分布式系统的资源分配。云成本优化：识别导致过度内存和/或 CPU 使用率的低效代码，并通过优化资源使用来降低云托管成本。
- 实时数据处理系统：检测和解决数据处理瓶颈，并优化流处理管道以减少延迟。
- 事件管理和解决：快速识别性能问题的根本原因，从而缩短平均解决时间 (MTTR)。
最佳实践
- 在开发过程的早期集成持续性能分析，并使用低开销的采样技术。
- 自动化数据收集、分析和警报，以实现一致性和快速响应。
- 与您现有的 APM 和可观测性工具连接，以获得全面的见解。
- 实施 CI/CD 管道集成，以便为单元测试运行获得持续性能分析。
- 为所有正在进行的优化建立定期审查程序和反馈回路。
- 使所有性能分析工具保持最新并定期维护。
- 培训团队成员如何解释和有效地分析性能分析数据。
持续性能分析的挑战和局限性
性能开销
即使使用低开销的采样技术，每种类型的持续性能分析都会为被监控的系统引入一些性能开销。它们可能会影响应用程序性能，尤其是在资源受限的环境中。您可以通过以下三件事来最大程度地减少性能开销：
- 在允许的情况下，使用开销极小的基于 eBPF 的性能分析器。
- 实施自适应性能分析，以在高负载期间降低频率。
- 专注于仅对关键组件进行性能分析，而不是对整个系统进行性能分析。
数据隐私问题
与任何包含数据收集的过程一样，存在收集的数据包括敏感信息（尤其是用户数据）的风险。为了解决这些问题：
- 为所有性能分析数据实施强大的访问控制和加密。
- 在存储、共享或显示之前，匿名化或混淆敏感数据。
- 严格遵守所有相关的数据保护法规。
数据存储和管理
持续性能分析会生成大量需要存储和管理的数据。这需要有效地完成，采用如下策略：
- 实施限制存储持续时间的数据保留策略。
- 压缩数据。
- 利用云存储来提高可扩展性。
未来趋势，来自 OpenTelemetry 的支持
技术总是在变化和发展，这既可以增强持续性能分析，也会带来新的、意想不到的挑战。您无法主动预测这些挑战，但务必了解新的工具或技术，以便确定它们是否适合您的业务。
例如，OpenTelemetry 最近宣布它现在支持性能分析，并且正在基于开放标准开发性能分析数据模型。此类行业变化可以极大地影响将持续性能分析集成到您的可观测性平台，同时最大限度地减少供应商锁定。
使用 Elastic 的持续性能分析
Elastic 推出了 通用性能分析，为公司在整个开发管道中提供全系统、始终在线的性能分析。它使用 eBPF 性能分析仅捕获必要的数据，并与 OpenTelemetry 集成以增强可观测性并揭示更深入的见解。Elastic 为团队提供：
- 全系统可见性：Elastic 通用性能分析捕获和分析来自您的内核、应用程序代码和第三方库的数据。
- 无摩擦部署：该代理的部署无需侵入性操作或更改应用程序源代码，因此在几分钟内即可轻松开始接收性能分析数据。
- 数据可视化：可以通过 Kibana 中的堆栈跟踪、火焰图和函数视图检查性能分析数据，从而可以轻松过滤和比较一段时间内的数据，以识别性能改进或检测回归。