监控服务概述

故障预防

• 构建开箱即用标准化巡检，增强构建场景可编排、任务可定义的自动化巡检能力，帮助SRE快速分析和发现业务在现网运行的风险，可视化度量支撑业务纵横治理，驱动业务改进，从而提升业务可靠性、可运维能力、用户体验等。
• 提供运维共性问题分享能力，避免同类问题重复出现。

故障检测

提供基于指标监控、告警、日志、事件管理的服务运行状态检测能力。

• 指标，提供出厂标准的BaaS服务指标和自有服务纵向指标，支持业务自定义指标能力。
• 告警，提供静态阈值和异常检测生成告警的能力，提供告警抑制、告警收敛、告警自动化分析和恢复能力。
• 日志，构建统一的日志模型，提供兼具开箱即用和自助的日志接入能力，支持存算分离，提高日志检索效率；提供虚机、容器统一的日志采集Agent；通过采集侧清晰和汇聚指标提取等能力降低日志成本，提高日志的可靠性。
• Events，围绕故障快速诊断，构建以服务运行状态检测为目标的运维Events中心；构建全景化的、基于运维Events的故障诊断能力；定义标准Events模型，对接不同的Events源；提供规则匹配能力和Events跟踪管理能力；支持运营事件的接入，支持生成知识库和标签管理能力。
• 运行状况，提供基于指标、告警、事件管理和日志的服务运行状况监控能力；定义标准的服务运行状态。

故障诊断

• 专家诊断工具，聚合Nuwa Trace、WiseDB、XPMS和WiseWAN水晶球等专业诊断能力。
• AI辅助诊断服务，提供自适应异常检测能力和全链路智能根因诊断能力；整合专家诊断能力，持续构建ELB、SLB、基础设施侧根因诊断能力；异常检测支持5分钟快速检测，故障诊断提供一键式配置能力；支持完成告警聚合、调用链根因诊断，多维下钻分析，日志根因诊断，流量溯源诊断，事件总结算法的整合。

故障通报

以运维事件为中心，提供事件的管理、通报、War Room和自动派生工单的能力；运维通报遵从运维事件通报机制和流程，工单派生可跟踪流程和历史处理情况。

故障恢复

基于运维知识经验及自动化决策能力， 构建标准化故障场景自恢复能力，提供标准故障场景的恢复预案。

故障改进

提供故障恢复后事后分析能力。

运维数仓

构建高可靠、高性能、开放高效、全流程开放的运维数仓能力，主要包括：

• 数据开发，构建从数据接入、聚合、清洗、分发、到存储计算的全流程开放的数据开发能力，支撑业务自助完成指标定义。
• 构建统一运维数仓，承载指标库、日志库、链路库和事件库数据资产。
• 数据治理，提供针对运维数仓的数据价值洞察分析能力，助力业务聚焦价值，降低成本。

运维RPA

提供运维场景化可编排能力的技术支持平台，满足运维巡检场景化、监控场景化、运维流程的技术支撑。

运维可视化

提供可定义的监控报表能力，提供移动办公能力。