La monitorización del rendimiento de aplicaciones (APM) es un sector con una larga trayectoria. Sus orígenes se remontan a antes de que Internet surgiera como plataforma. Aunque al principio se limitaba al centro de datos, experimentó un gran auge ante la necesidad de comprender la experiencia del usuario en el contexto de Internet.
Monitorización pasiva
La primera fase estuvo dominada por técnicas pasivas que intentaban comprender la experiencia del usuario mediante transacciones sintéticas. En manos de proveedores que contaban con puntos de presencia ampliamente distribuidos por Internet, la monitorización pasiva ofrecía a los operadores de sitios web una visión histórica del rendimiento de sus aplicaciones para una base de usuarios cada vez más distribuida por todo el mundo.
Las técnicas pasivas constituyeron el primer intento real de medir la experiencia del usuario. Ofrecían una visión general del rendimiento medio, basada principalmente en las rutas de red entre el punto de presencia y la aplicación. Dado que la mayoría de los puntos de presencia se encontraban en la red troncal de Internet o cerca de ella, no podían tener en cuenta el impacto de la «última milla» entre dicha red y el cliente.
Además, la dependencia de transacciones sintéticas a menudo no permitía representar con precisión una interacción o transacción de un usuario real. Por tanto, las mediciones resultantes reflejaban más el estado de Internet y la disponibilidad de una aplicación que la experiencia del usuario.
Los sistemas de monitorización pasiva eran muy eficaces a la hora de identificar los nodos intermedios de Internet como origen de los problemas de rendimiento de las aplicaciones. Sin embargo, no resultaban tan eficaces para detectar problemas en el cliente o en la aplicación, ni para monitorizar la experiencia real del usuario.
Monitorización activa
Estas deficiencias dieron lugar a una técnica más agresiva: la monitorización activa. Esta fase estuvo dominada por proveedores que insertaban pequeños fragmentos de código en la aplicación cliente, lo que posteriormente permitía obtener datos de rendimiento más precisos. Estas soluciones abordaban el problema del último tramo y reconocían el impacto del renderizado en el rendimiento de la aplicación. Al supervisar las interacciones en tiempo real, la monitorización activa ofrecía una perspectiva mucho más realista de la experiencia del usuario.
La monitorización activa resolvió las deficiencias de la monitorización pasiva y, hoy en día, podemos recopilar datos de toda la experiencia del usuario: desde el cliente y la red hasta las aplicaciones y sus sistemas de back-end.
Pero eso no significa que la evolución de la monitorización haya terminado. Aunque hemos cubierto la necesidad básica de identificar los problemas de rendimiento existentes, eso ya no es suficiente. Casi un tercio (32 %) de los clientes «dejaría de comprar a una marca que le gustaba después de una sola mala experiencia». (PWC)
No basta con identificar a posteriori qué salió mal. Para la empresa, cada vez es más importante detectar dónde podrían surgir problemas antes de que ocurran.
Por eso creemos que la próxima fase de la monitorización será predictiva.
Monitorización predictiva
La monitorización predictiva suele asociarse al aprendizaje automático, y con razón. La capacidad de predecir fallos o problemas de rendimiento depende por completo de la experiencia. En el caso del rendimiento de las aplicaciones, esta experiencia se obtiene a partir de datos sobre cientos de miles de experiencias de usuario anteriores.
Con un conjunto sólido de datos sobre las experiencias de los usuarios que abarque toda la amplitud y profundidad de la ruta de datos de la aplicación, las herramientas de análisis pueden descubrir patrones y relaciones entre un complejo conjunto de variables, como la hora del día, la ubicación, la función empresarial, el navegador, el sistema operativo y la red. La capacidad de predecir un problema se basa en la relación, la interacción y el estado actual de todos estos componentes.
Al poder reconocer un rendimiento atípico y anómalo de un componente determinado, la monitorización predictiva puede identificar las condiciones en las que la experiencia del usuario podría verse afectada y generar una alerta.
Si la alerta se activa con suficiente antelación, se pueden tomar medidas para corregir la situación antes de que se convierta en un problema que afecte al negocio.
Creemos que el enfoque predictivo no solo es el siguiente paso en la evolución de la supervisión del rendimiento de las aplicaciones, sino también una evolución necesaria. A medida que las organizaciones dependen cada vez más de las aplicaciones, estas se vuelven tan esenciales para la salud del negocio como cualquier máquina de una cadena de montaje.
Del mismo modo que el mantenimiento predictivo es una capacidad esencial en la fabricación de bienes duraderos, la monitorización predictiva será una capacidad crucial para ofrecer experiencias digitales.
Sobre el autor
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 VittieArtículos relacionados del blog
Proteger los endpoints de las API dificulta la seguridad de las API
Descubre las complejidades de la seguridad de las API, los retos a los que se enfrentan las organizaciones, la evolución de los ataques contra endpoints de API y la necesidad de políticas de seguridad adaptadas.
¿Qué es el sesgo de la IA y por qué es importante para TI?
Descubre los fundamentos del aprendizaje de la IA. Aprende cómo pueden surgir sesgos en la IA y qué riesgos plantean para las TI y la transformación digital.
Redefiniendo la ciberseguridad en el extremo de la nube distribuida con IA y telemetría en tiempo real
La transformación digital y la adopción de tecnologías en la nube están provocando cambios en las arquitecturas de las aplicaciones. Estos cambios introducen nuevas superficies de ataque, que son el objetivo de métodos de ataque avanzados, altamente organizados y con motivaciones económicas. Mediante el uso del framework Morpheus de NVIDIA, F5 está investigando técnicas para detectar estas amenazas avanzadas con telemetría en tiempo real y análisis basados en IA.
El papel de la nube en las aplicaciones nativas del edge
No debería sorprender que, al igual que la aparición de la nube dio lugar a las aplicaciones nativas de la nube, el edge esté impulsando un conjunto de aplicaciones nativas del edge. Sin embargo, estas aplicaciones no residirán únicamente en el edge. Al mismo tiempo, están surgiendo nuevos patrones arquitectónicos que aprovechan las aplicaciones alojadas en la nube y en el centro de datos.
La creciente diversidad de ubicaciones y usuarios está impulsando a las empresas hacia el edge
En el contexto del ámbito de las aplicaciones, el término «usuario» siempre se ha referido a la entidad que interactúa con una aplicación. Del mismo modo que los cambios en las arquitecturas de las aplicaciones impulsan cambios en las tecnologías que permiten ofrecerlas y protegerlas, los cambios en la definición de usuario han provocado cambios en los lugares donde se despliegan las aplicaciones.
El edge está impulsando un renacimiento de las infraestructuras
A medida que las organizaciones aumentan la generación de datos y tratan de extraer valor empresarial de ellos, sin duda recurrirán a la analítica y la automatización basadas en la IA y el aprendizaje automático. Precisamente este tipo de cargas de trabajo son las que más se beneficiarían de una infraestructura optimizada y, sin embargo, hoy en día son las que menos probabilidades tienen de poder aprovecharla.