Die Bedeutung der Kalibrierung von Messungen des Anwendungszustands

Lori Mac VittieDistinguished Engineer und Chief Evangelist | F5

Als ich vor Kurzem wieder in die Welt der Riffaquaristik einstieg, wurde mir erneut bewusst, wie wichtig es ist, Messungen zu kalibrieren. Ähnlich wie die Anwendungslandschaft hat sich auch die Riffaquaristik in den vergangenen fünf Jahren rasant verändert.

Heute unterstützen mich vernetzte Überwachungsgeräte und Sonden, die automatisch Messwerte erfassen und mich warnen, wenn etwas nicht stimmt. Über Web- und mobile Dashboards kann ich mein Aquarium überwachen und steuern sowie auf einen Blick seinen Zustand und den Status der zahlreichen Geräte erfassen, die es am Laufen halten.

Aufmerksame Leser werden feststellen, dass der pH-Wert offenbar „unter dem Mindestwert“ liegt. Kein Grund zur Sorge, alles ist in Ordnung. Die Sonde (der Sensor) ist nämlich nicht richtig kalibriert. Das ist ein häufiges Problem; bei der Kalibrierung von Sonden kann leicht etwas schiefgehen. Derzeit weiß ich, dass die Sonde zu niedrige Werte anzeigt, und korrigiere den Messwert anhand dieses Wissens automatisch.

Wie bei einem Riffaquarium erfordert auch der Zustand von Anwendungen eine sorgfältige Überwachung wichtiger Kennzahlen. Abweichungen, insbesondere starke Schwankungen, können auf ein Problem hindeuten. Bei Anwendungen sollten Sie Kennzahlen nicht manuell anpassen. Für eine oder vielleicht auch zwei Anwendungen mag das funktionieren, doch ein durchschnittliches Unternehmen hat zwischen 100 und 200 Anwendungen in seinem digitalen Portfolio. Sie benötigen präzise Messwerte, die anhand typischer Zustandsmuster kalibriert sind.

Wie bei den meisten Netzwerk- und Anwendungsmetriken bedeutet dies, über einen bestimmten Zeitraum Messwerte zu erfassen und die „Höchst-“ und „Tiefstwerte“ zu ermitteln. Anschließend können Schwellenwerte verwendet werden, um ungewöhnliches Verhalten zu erkennen.

Das Problem liegt nicht im Prinzip, sondern vielmehr in der Umsetzung.

Erstens konzentrieren wir uns in der Regel nur auf einen Messpunkt: die Anwendung. Interessanterweise müssen zur Beurteilung des Zustands eines Riffaquariums neben der Temperatur auch der Salzgehalt und der pH-Wert gemessen werden, da beide Werte von der Temperatur beeinflusst werden. Bei der Messung des Anwendungszustands verhält es sich ganz ähnlich: Auch er wird von anderen Messgrößen wie Netzwerkleistung und Auslastung beeinflusst. Leider betrachten die meisten Unternehmen den Zustand ihrer Anwendungen nicht unbedingt ganzheitlich. Die Anwendung selbst funktioniert möglicherweise einwandfrei, doch aufgrund eines leistungsschwachen verbundenen Geräts oder Netzwerks kann das Kundenerlebnis dennoch miserabel sein.

Wir müssen unseren Blick auf den Zustand von Anwendungen erweitern, indem wir zusätzliche Messgrößen einbeziehen. Darüber hinaus müssen wir diese zusätzlichen Messungen kalibrieren, damit wir zuverlässig erkennen können, was typisch ist und was nicht. Denn „was nicht typisch ist“, kann auf ein Problem oder – schlimmer noch – auf einen Angriff hindeuten.

Zweitens ergibt sich die Herausforderung der Skalierung daraus, dass für jede zu überwachende Anwendung mehrere Messpunkte kalibriert werden müssen (Spoiler: Das sind alle). Wir können nicht erwarten, dass das Betriebspersonal so viele Datenpunkte manuell kalibriert. Das ist schlicht nicht zu bewältigen.

Hier kommen Maschinen ins Spiel.

Erweiterte Analysen

Fortschrittliche Analysen und maschinelles Lernen bieten eine Lösung für das Skalierungsproblem. Maschinen können enorme Mengen an Telemetriedaten mit hoher Geschwindigkeit verarbeiten – und tun dies auch. Sie können Datenmengen erfassen und normalisieren sowie darin Muster und Zusammenhänge analysieren, die wir Menschen schlichtweg nicht bewältigen können. Auf diese Weise ermöglicht maschinelles Lernen, den „Normalzustand“ anhand einer Reihe zusammengehöriger Datenpunkte zu bestimmen und abweichende Muster, die auf ein Problem hindeuten, sofort zu erkennen.

Es ist relativ einfach, Leistungsprobleme einer Anwendung mit einem sprunghaften Anstieg der Anmeldungen am Montagmorgen in Verbindung zu bringen. Schwieriger ist es zu erkennen, dass Bob sich normalerweise erst am Montagnachmittag anmeldet. Heute meldet er sich jedoch schon früher an. Das ist eine Anomalie, die für menschliche Bediener nicht ohne Weiteres erkennbar ist, da uns dieser Detaileinblick fehlt. Wenn die Anwendung, der Client und die Anwendungsdienste, die zusammen das Erlebnis vom Code bis zum Kunden ausmachen, genügend Telemetriedaten liefern, können fortschrittliche Analysen diese Anomalie erkennen. Sie können sie außerdem kennzeichnen oder einen neuen Geschäftsprozess anstoßen, der überprüft, ob Bob tatsächlich versucht, sich anzumelden.

Diese Funktion ähnelt dem, was viele Anwendungen heute auf Geräteebene tun. Viele digitale Prozesse senden Bestätigungscodes und fordern uns auf, zu beweisen, dass wir Menschen sind, indem wir alle Autos auf einem unscharfen Bild identifizieren. Doch es sind die Gerätedetails, die den neuen Geschäftsablauf auslösen, und nicht die Anmeldung zu einer ungewöhnlichen Tageszeit. Künftig müssen wir Abläufe auf Grundlage beider Faktoren auslösen können, insbesondere wenn wir weiterhin eine räumlich verteilte Belegschaft unterstützen.

Damit wird die Kalibrierung zu einem entscheidenden Bestandteil des Prozesses. Sie erfolgt, indem man (sehr viele) Messungen durchführt und daraus einen „Normalzustand“ ableitet. Auch dieser Prozess übersteigt menschliche Kapazitäten und erfordert Maschinen, die große Mengen an Telemetriedaten erfassen und analysieren.

Fortschrittliche Analysen werden letztlich Observability ermöglichen und neue Services hervorbringen, die verborgene Erkenntnisse über Anwendungen aufdecken (DEM), eine intelligentere Orchestrierung von Anwendungsservices ermöglichen (AI Ops) und bislang unerschließbaren geschäftlichen Mehrwert schaffen können (KI-gestützte Services).

Dazu müssen wir große Mengen an Telemetriedaten erzeugen, damit wir das „normale“ Verhalten von Anwendungen, Benutzern und allen Komponenten im dazwischenliegenden Datenpfad kalibrieren können.

Über den Autor

Lori Mac VittieDistinguished Engineer und Chief Evangelist | F5

Lori MacVittie ist Distinguished Engineer und Chief Evangelist im Office of the CTO von F5 und verfügt über umfassende Expertise in den Bereichen Anwendungsbereitstellung, Automatisierungsstrategie und Infrastruktur. Sie ist dafür bekannt, Komplexität verständlich zu machen – ob sie Leitplanken für KI-Agenten definiert, fragile Multicloud-Architekturen analysiert oder die Grenzen skalierbarer Systeme auslotet. Sie verfügt über mehr als dreißig Jahre Branchenerfahrung in der Anwendungsentwicklung, IT-Architektur sowie im Netzwerk- und Systembetrieb. Bevor sie zu F5 kam, war sie als mehrfach ausgezeichnete Technologie-Redakteurin tätig. MacVittie hat einen Masterabschluss in Informatik und ist eine produktive Autorin, deren Veröffentlichungen die Bereiche Sicherheit, Cloud und Unternehmensarchitektur abdecken. Außerdem spielt sie leidenschaftlich gern Brett- und Videospiele und vertritt mit voller Überzeugung klare Ansichten zum Thema Käse.

Weitere Blogbeiträge von Lori Mac Vittie