La importancia de calibrar las métricas de estado de las aplicaciones

Lori Mac VittieIngeniero distinguido y evangelista jefe | F5

Hace poco, al retomar la acuariofilia de arrecife, recordé la importancia de calibrar las mediciones. Al igual que los rápidos cambios en el panorama de las aplicaciones, la acuariofilia de arrecife ha cambiado drásticamente en los últimos cinco años.

Hoy dispongo de monitores y sondas conectados que realizan un seguimiento automático y me avisan si algo va mal. Los paneles web y móviles permiten supervisar y programar el sistema, así como consultar de un vistazo el estado de mi acuario y de los innumerables dispositivos que lo mantienen en funcionamiento.

Los lectores más perspicaces observarán que el pH parece estar «por debajo del mínimo». No hay de qué preocuparse, todo está bien. Lo que ocurre es que la sonda (el sensor) no está correctamente calibrada. Es un problema habitual: calibrar sondas es un proceso en el que es fácil cometer errores. Por el momento, sé que la sonda está calibrada por debajo del valor real y ajusto automáticamente la medición teniendo esto en cuenta.

Al igual que la salud de un acuario de arrecife, la salud de las aplicaciones exige prestar especial atención a las métricas clave. Las desviaciones, sobre todo las fluctuaciones bruscas, pueden indicar un problema. El ajuste manual de las métricas no es un proceso que convenga reproducir en el ámbito de las aplicaciones. Los ajustes manuales pueden funcionar para una aplicación o incluso dos, pero una organización media cuenta con entre 100 y 200 aplicaciones en su cartera digital. Se necesitan mediciones precisas calibradas conforme a los patrones de funcionamiento habituales.

Como ocurre con la mayoría de las métricas de red y de aplicaciones, esto implica tomar muestras durante un periodo de tiempo y conocer los valores «máximos» y «mínimos». A continuación, se pueden utilizar umbrales para detectar comportamientos anómalos.

El problema no es el principio, sino su aplicación.

En primer lugar, solemos centrarnos en un único punto de medición: la aplicación. Curiosamente, para evaluar el estado de un acuario de arrecife es necesario medir la salinidad y el pH junto con la temperatura, ya que esta afecta a ambos valores. Medir el estado de una aplicación es muy similar, pues también depende de otros parámetros, como el rendimiento y la carga de la red. Por desgracia, la mayoría de las organizaciones no suelen adoptar una visión integral del estado de las aplicaciones. Puede que la aplicación en sí funcione correctamente, pero la experiencia del cliente podría ser pésima debido al bajo rendimiento de un dispositivo conectado o de la red.

Debemos ampliar nuestra visión del estado de las aplicaciones aumentando el número de parámetros que medimos. Además, debemos calibrar estas mediciones adicionales para asegurarnos de poder distinguir entre lo habitual y lo que no lo es. Porque «lo que no es habitual» puede ser indicio de un problema o, peor aún, de un ataque.

En segundo lugar, el reto de la escala surge de la necesidad de realizar ajustes en múltiples puntos para cada aplicación que debemos supervisar (spoiler: son todas). No podemos esperar que los operadores ajusten manualmente tantos puntos de datos. Es humanamente imposible.

Ahí es donde entran en juego las máquinas.

Analítica avanzada

La analítica avanzada y el aprendizaje automático son una de las respuestas al problema de la escala. Las máquinas pueden procesar, y de hecho procesan, enormes volúmenes de telemetría a velocidades considerables. Pueden ingerir y normalizar grandes cantidades de datos, así como analizar patrones y relaciones entre ellos, algo que nosotros, como seres humanos, sencillamente no podemos gestionar. De este modo, el aprendizaje automático permite determinar qué se considera «normal» en un conjunto de puntos de datos relacionados y detectar de inmediato patrones anómalos que indiquen un problema.

Es bastante fácil relacionar los problemas de rendimiento de una aplicación con un aumento repentino de los inicios de sesión un lunes por la mañana. Lo que no resulta tan fácil es detectar que Bob no suele iniciar sesión hasta el lunes por la tarde. Sin embargo, hoy lo está haciendo. Se trata de una anomalía que los operadores humanos no pueden reconocer fácilmente porque no disponemos de ese nivel de visibilidad. Con suficientes datos de telemetría emitidos por la aplicación, el cliente y los servicios de la aplicación que conforman la experiencia desde el código hasta el cliente, los análisis avanzados pueden detectar esa anomalía. También pueden marcarla o activar un nuevo flujo de negocio que verifique que realmente es Bob quien está intentando iniciar sesión.

Esa capacidad es similar a lo que hacen actualmente muchas aplicaciones a nivel de dispositivo. Muchos procesos digitales envían códigos de verificación y nos piden que demostremos que somos humanos identificando todos los coches en una imagen borrosa. Sin embargo, son los detalles del dispositivo los que activan el nuevo flujo de negocio, no el hecho de iniciar sesión a una hora inusual del día. En el futuro, tendremos que poder activar flujos en función de ambos factores, especialmente si seguimos dando soporte a una plantilla distribuida.

Eso convierte la calibración en una parte fundamental del proceso. Y la calibración se consigue tomando muchas mediciones y determinando qué es «normal». Este también es un proceso que supera la capacidad humana y requiere que las máquinas ingieran y analicen cantidades significativas de datos de telemetría.

En última instancia, la analítica avanzada permitirá la observabilidad y dará lugar a nuevos servicios capaces de descubrir información oculta sobre las aplicaciones (DEM), facilitar una orquestación más inteligente de los servicios de aplicaciones (AIOps) y generar un valor empresarial que antes no se podía descubrir (servicios mejorados con IA).

Para ello, necesitamos generar grandes cantidades de telemetría que nos permitan calibrar el comportamiento «normal» de las aplicaciones, los usuarios y todos los elementos intermedios de la ruta de datos.

Sobre el autor

Lori Mac VittieIngeniero distinguido y evangelista jefe | F5

Lori MacVittie es ingeniera distinguida y evangelista jefe en la Oficina del CTO de F5, y cuenta con una amplia experiencia en entrega de aplicaciones, estrategia de automatización e infraestructura. Es conocida por convertir la complejidad en claridad, ya sea definiendo mecanismos de protección para agentes de IA, analizando arquitecturas multinube frágiles o explorando los límites de los sistemas escalables. Aporta más de treinta años de experiencia en el sector en desarrollo de aplicaciones, arquitectura de TI y operaciones de redes y sistemas. Antes de incorporarse a F5, fue una galardonada editora de tecnología. MacVittie posee un máster en Informática y es una autora prolífica cuyas publicaciones abarcan la seguridad, la nube y la arquitectura empresarial. También es una apasionada de los juegos de mesa y los videojuegos, y expresa sin complejos sus firmes opiniones sobre el queso.

Más artículos de Lori Mac Vittie