Observability vs. pemantauan: Apa bedanya?

Bayangkan layanan streaming video memutuskan untuk melakukan streaming langsung konser tengah malam yang menampilkan artis musik populer, tetapi ketika pengguna masuk pada tengah malam untuk menontonnya, mereka mengalami masalah buffering. Beberapa penggemar artis yang berdedikasi mungkin tetap tinggal untuk melihat apakah masalahnya membaik. Namun, penggemar biasa mungkin akan meninggalkan streaming; dan lebih buruk lagi, penggemar super yang frustrasi mungkin akan meninggalkan streaming dan layanan streaming.

Konsumen teknologi saat ini mengharapkan kecepatan secepat kilat, waktu aktif yang sangat tinggi, dan interaksi yang lancar. Pengalaman yang negatif—seperti masalah buffering selama konser besar—dapat meningkatkan churn pelanggan, sehingga tim TI membutuhkan kemampuan untuk mengidentifikasi akar masalah dengan cepat dan menyelesaikan masalah sistem.

Di sinilah alat pemantauan dan pengamatan menjadi sangat penting bagi operasi TI modern (ITOps). Mari kita lihat bagaimana alat seperti itu tidak bisa hanya menyelesaikan, tetapi mencegah, skenario seperti itu.

Untuk mengatasi masalah buffering pada streaming langsung, tim operasi dapat menggunakan alat pemantauan untuk memberi tahu mereka ketika sekelompok server telah melampaui ambang batas muat. Tim kemudian dapat menyeimbangkan beban server dengan mendistribusikan kembali lalu lintas di server yang tersedia.

Dipicu oleh peringatan pemantauan, platform observabilitas dapat menganalisis metrik utama (seperti adaptasi laju bit) dan menggunakan jejak terdistribusi untuk mengikuti permintaan video dan mengidentifikasi di mana buffering dimulai. Jika, misalnya, alat menemukan bahwa masalah buffering berasal dari node jaringan pengiriman konten (CDN) yang berkinerja buruk, alat ini dapat memberi personel TI opsi untuk mengoptimalkan konfigurasi CDN dan meningkatkan kompatibilitas perangkat.

Faktanya, alat observabilitas terkemuka dapat menganalisis data pemantauan historis untuk peristiwa jaringan yang serupa dan memprediksi bahwa konser akan membebani node CDN di wilayah tertentu. Alat ini dapat memerintah staf TI untuk secara proaktif mengkonfigurasi ulang CDN, mengatasi node yang lebih lambat sebelum mereka membuat masalah buffering bagi pengguna.

Singkatnya, pemantauan dan observabilitas menawarkan pendekatan pelengkap bisnis untuk mendiagnosis masalah sistem. Jika pemantauan memberi tahu tim ketika ada sesuatu yang salah, observabilitas memberi tahu mereka apa yang terjadi, mengapa hal itu terjadi, dan bagaimana cara memperbaikinya. Digunakan bersama, mereka memungkinkan deteksi masalah komprehensif dan kemampuan penyelesaian yang dibutuhkan tim TI untuk memastikan pengalaman pelanggan yang mulus.

Untuk lebih memahami perbedaan antara observabilitas dan pemantauan, mari kita lihat cara kerja masing-masing, persamaan dan perbedaannya, dan peran yang mereka mainkan dalam pengembangan perangkat lunak dan manajemen jaringan.

Observabilitas adalah kemampuan untuk memahami keadaan internal sistem yang kompleks berdasarkan output eksternal. Ketika sebuah sistem dapat observasi, tim TI dapat mengidentifikasi akar masalah kinerja dengan melihat data yang dihasilkannya. Tidak perlu pengujian atau pengodean tambahan.

Istilah "observabilitas" berasal dari teori kontrol, sebuah teori teknik yang berkaitan dengan kontrol otomatis sistem dinamis (mengatur aliran air melalui pipa berdasarkan masukan dari sistem kontrol aliran, misalnya). Kendaraan modern berfungsi sebagai contoh lain. Sistem diagnostik mobil sering kali memberikan pengamatan bagi para mekanik, yang menggunakannya untuk mencari tahu mengapa mobil tidak dapat dinyalakan tanpa harus membongkarnya.

Dalam ITOps dan komputasi cloud, observabilitas memerlukan perangkat lunak yang menggabungkan dan menghubungkan aliran data kinerja yang stabil dari aplikasi dan perangkat keras serta jaringan tempat aplikasi tersebut berjalan.

Solusi observabilitas (seperti OpenTelemetry) dapat menganalisis data output sistem, memberikan penilaian kesehatan sistem, dan menawarkan insight yang dapat ditindaklanjuti untuk mengatasi masalah. Tim kemudian dapat menggunakan data untuk memantau, memecahkan masalah, dan men- debug aplikasi dan jaringan.

Sistem yang dapat diamati adalah sistem di mana tim DevOps dapat melihat seluruh lingkungan TI, termasuk data kontekstual dan saling ketergantungan. Hasilnya? Arsitektur TI yang memungkinkan tim mendeteksi masalah secara proaktif, menyelesaikan masalah lebih cepat, mengoptimalkan pengalaman pelanggan, dan memenuhi perjanjian tingkat layanan (SLA).

Pemantauan menilai kesehatan sistem dengan mengumpulkan dan menganalisis data agregat dari sistem TI, berdasarkan serangkaian metrik dan log yang telah ditentukan sebelumnya. Di DevOps, pemantauan mengukur kesehatan aplikasi untuk mendeteksi kegagalan yang diketahui dan mencegah waktu henti. Tim TI dapat, misalnya, membuat aturan dalam alat pemantauan yang memperingatkan anggota tim saat aplikasi mendekati 100% penggunaan disk.

Pemantauan benar-benar menunjukkan nilainya yaitu dalam menganalisis tren jangka panjang. Alat pemantauan dapat menunjukkan kepada tim bagaimana aplikasi berfungsi dan bagaimana aplikasi tersebut digunakan dari waktu ke waktu. Namun, pemantauan memiliki keterbatasan.

Agar pemantauan menjadi efektif, tim harus mengetahui metrik dan log mana yang harus dilacak. Jika tim belum memprediksi masalah, alat pemantauan dapat melewatkan kegagalan produksi utama dan masalah lainnya. Pemantauan juga mengharuskan staf TI untuk mengkorelasikan data secara manual di seluruh alat pemantauan yang tersilo, membuat analisis akar masalah menjadi proses yang lebih kompleks dan memakan waktu dan membatasi kemampuan prediksi pengembang. 

Istilah “observabilitas” dan "pemantauan kinerja aplikasi" sering digunakan secara bergantian. Namun, lebih akurat untuk melihat observabilitas sebagai evolusi pemantauan kinerja aplikasi.

Pemantauan kinerja aplikasi mengacu pada alat dan proses yang membantu tim TI menentukan apakah aplikasi memenuhi standar kinerja dan harapan pengguna. Alat pemantauan biasanya melacak kesehatan dan kinerja infrastruktur jaringan, dependensi aplikasi, transaksi bisnis, dan pengalaman pengguna. Sistem ini bertujuan untuk mengidentifikasi, mengisolasi, dan memecahkan masalah kinerja dengan cepat.

APM merupakan praktik standar selama lebih dari dua dekade, tetapi dengan meningkatnya penggunaan pengembangan tangkas, DevOps, layanan mikro, berbagai bahasa pemrograman, tanpa server, dan teknologi cloud native lainnya, tim membutuhkan cara yang lebih cepat dan komprehensif untuk memantau dan menilai lingkungan yang sangat kompleks. Alat APM yang dirancang untuk infrastruktur aplikasi generasi sebelumnya tidak lagi dapat memberikan visibilitas yang cepat, otomatis, dan kontekstual ke dalam kesehatan dan ketersediaan seluruh lingkungan aplikasi. Perangkat lunak baru diterapkan dengan sangat cepat saat ini, dalam begitu banyak komponen kecil, sehingga alat APM tradisional mengalami kesulitan untuk mengikutinya.

Dan observabilitas bisa membantu. Pengamatan dibangun di atas metode pengumpulan data dari alat pemantauan kinerja aplikasi untuk mengatasi sifat dinamis dan terdistribusi dari penerapan layanan dan aplikasi cloud native dengan lebih baik. Solusi observabilitas mengambil pendekatan holistik untuk pencatatan dan pemantauan, membantu tim lebih memahami bagaimana layanan berinteraksi (dengan peta ketergantungan, misalnya) dan cocok dengan arsitektur secara keseluruhan.

Perbedaan antara pemantauan dan pengamatan sering kali merupakan perbedaan antara mengidentifikasi masalah yang Anda ketahui akan terjadi dan menemukan cara untuk mengantisipasi masalah yang mungkin terjadi. Pada dasarnya, pemantauan bersifat reaktif, dan pengamatan bersifat proaktif. Namun, keduanya menggunakan jenis data telemetri yang sama, yang dikenal sebagai tiga pilar observabilitas.

Tiga pilar tersebut adalah:

• Log: Catatan tentang apa yang terjadi di dalam jaringan dan sistem perangkat lunak Anda. Log memberikan informasi terperinci tentang apa yang terjadi, kapan itu terjadi dan di mana di jaringan itu terjadi.

• Metrik: Penilaian numerik kinerja sistem dan penggunaan sumber daya. Metrik memberikan gambaran umum tingkat tinggi tentang kesehatan sistem dengan menangkap jenis data tertentu dan indikator kinerja utama (KPI), seperti latensi, kehilangan paket, ketersediaan bandwidth, dan penggunaan CPU perangkat.

• Jejak: Catatan ujung ke ujung dari setiap perjalanan permintaan pengguna melalui jaringan. Jejak memberikan insight tentang jalur dan perilaku paket data saat melintasi beberapa perangkat dan sistem, sehingga sangat penting untuk memahami sistem terdistribusi.

Dalam pemantauan, tim menggunakan data telemetri ini untuk menentukan ambang batas dan tolok ukur, serta membuat dasbor dan pemberitahuan yang telah dikonfigurasi sebelumnya. Mereka juga dapat menggunakan telemetri untuk mengidentifikasi dan mendokumentasikan dependensi, yang mengungkapkan bagaimana setiap komponen aplikasi bekerja dengan komponen, aplikasi, dan sumber daya TI lainnya.

Platform observabilitas mengambil pemantauan selangkah lebih maju. Platform pengamatan juga menggunakan telemetri, tetapi mereka menggunakannya dengan cara yang proaktif.

DevOps, insinyur keandalan situs (SRE), tim operasi, dan staf TI menggunakan alat pengamatan untuk mengkorelasikan telemetri secara real time dan mendapatkan pandangan lengkap dan kontekstual tentang kesehatan sistem. Hal ini memungkinkan tim untuk lebih memahami setiap elemen sistem dan bagaimana elemen yang berbeda berhubungan satu sama lain.

Dengan memberikan pandangan komprehensif tentang lingkungan TI yang lengkap dengan dependensi, solusi observabilitas dapat menunjukkan kepada tim "apa", "di mana", dan "mengapa" dari setiap peristiwa sistem, dan bagaimana peristiwa tersebut dapat memengaruhi kinerja seluruh lingkungan. Mereka juga dapat secara otomatis menemukan sumber telemetri baru yang mungkin muncul dalam sistem (misalnya, panggilan API baru ke aplikasi perangkat lunak).

Fitur-fitur ini sering kali menentukan bagaimana tim DevOps mengimplementasikan instrumentasi aplikasi, proses debugging, dan penyelesaian masalah. Banyak solusi observabilitas yang juga menyertakan kemampuan machine learning (ML) dan AIOps yang membantu mengumpulkan insight dari gunung data mentah yang lingkungan TI modern buat dan triase masalah berdasarkan keparahannya.

Pemantauan dan observabilitas sangat penting untuk manajemen jaringan dan aplikasi. Namun, mereka berbeda dalam beberapa hal utama:

Pemantauan melacak kinerja sistem dari waktu ke waktu, menggunakan KPI untuk mengantisipasi masalah kinerja dan memperingatkan tim TI tentang penyimpangan data secara real-time. Fokus utamanya adalah menemukan masalah sistem dan memberi tahu pemangku kepentingan tentang kejadian sistem yang tidak lazim. Hal ini membuat pemantauan paling cocok untuk jaringan statis yang dipahami dengan baik dengan beban kerja yang dapat diprediksi.

Pengamatan menggunakan data telemetri—termasuk fitur pelacakan terdistribusi — dari setiap perangkat dan komponen di jaringan untuk menciptakan gambaran yang lebih jelas dan lebih lengkap tentang kinerja jaringan secara keseluruhan. Alat observabilitas dapat melakukan analisis akar masalah real time di lingkungan TI yang kompleks dan dinamis. Mereka mengidentifikasi komponen jaringan yang lambat atau rusak dan memberikan peringatan untuk perbaikan preventif, membantu tim memahami apa yang harus dipantau dan bagaimana mengatasi masalah secara proaktif.

Alat pemantauan menggunakan metrik dan log tertentu untuk mendeteksi kesalahan sistem, pola penggunaan sumber daya, dan mode kegagalan tertentu. Mereka membantu tim mengidentifikasi "known knowns," yang berarti bahwa tim TI hanya dapat menemukan masalah yang telah mereka antisipasi. Perangkat lunak pemantauan kinerja aplikasi, misalnya, dapat menunjukkan apakah aplikasi sedang online, offline, atau mengalami masalah latensi.  

Pemantauan adalah proses penting yang membantu memastikan bahwa sistem berfungsi dengan baik, tetapi alat pemantauan tidak dapat memberikan konteks yang diperlukan untuk deteksi kesalahan yang mendalam dan respons insiden.

Observabilitas membantu tim memvisualisasikan keseluruhan arsitektur, menyimpan konfigurasi perangkat, mengintegrasikan beragam sumber data di seluruh jaringan, dan memungkinkan analisis data yang lancar. Alat observabilitas memperkaya data telemetri dengan informasi tambahan tentang lingkungan jaringan (topologi, peran perangkat, dan dependensi aplikasi, misalnya) dan mengorelasikan data jaringan untuk mengungkap "hal-hal yang tidak diketahui".  

Visibilitas yang ditingkatkan dan insight yang lebih mendalam memungkinkan tim TI menjadi proaktif dan mengambil pendekatan yang lebih eksploratif terhadap manajemen jaringan dan aplikasi.

Sistem pemantauan mengumpulkan data tentang tren penggunaan dan kinerja, dan menggunakan data tersebut untuk mengungkapkan apa yang terjadi. Tetapi mereka tidak dapat menjelaskan mengapa peristiwa bermasalah terjadi.

Alat observabilitas menggunakan data tingkat permukaan, data dari jalur CI/CD, dan data historis untuk memberikan konteks dan menghubungkan peristiwa sistem yang tampaknya tidak terkait. Fitur korelasi membantu pengembang mengidentifikasi akar masalah secara akurat, baik secara real-time maupun retrospektif.

Pemantauan dibatasi oleh kumpulan data yang telah ditentukan yang ditetapkan oleh tim TI. Alat ini tidak dapat mengidentifikasi masalah di luar apa yang telah diprogramkan, sehingga alat pemantauan sering kali tidak cukup untuk mengelola lingkungan yang dinamis.

Mengandalkan hanya pada alat pemantauan berarti mengandalkan data pemantauan yang tertutup, yang mengharuskan tim untuk mengeluarkan sumber daya ekstra untuk korelasi data dan analisis akar masalah manual. Proses manual memperlambat penyelesaian masalah dan meningkatkan kemungkinan gangguan dan pemadaman layanan.

Alat bantu observabilitas dapat memetakan interaksi data dari sumber data yang dinamis dan beragam di seluruh lingkungan cloud (seperti lingkungan hybrid dan multicloud), infrastruktur lokal, dan aplikasi pihak ketiga. Mereka pada dasarnya mudah beradaptasi, sehingga sangat cocok untuk tuntutan pemecahan masalah infrastruktur TI modern.

Dan, dengan kemampuan otomatisasi dan AIOps mereka, platform pengamatan dapat berskala bersama ekosistem, sehingga tim dapat mengelola infrastruktur mereka secara efektif saat mereka berkembang.

Alat pemantauan sering kali memvisualisasikan data sistem dalam dasbor yang memungkinkan personel TI melihat metrik utama di lokasi terpusat. Namun, mereka tidak dapat menggambarkan asal-usul kesalahan sistem. Alat pemantauan malah menyerahkan tugas prediktif dan analisis akar masalah kepada operator manusia.

Namun, alat pengamatan dapat membuat peta yang dapat dilalui yang mencakup kesalahan sistem dan akar penyebabnya, mengotomatiskan alur kerja analisis akar masalah dan merampingkan proses pemecahan masalah untuk tim TI.

Pemantauan dan observabilitas bekerja sama untuk menciptakan kerangka kerja yang komprehensif untuk mengelola sistem TI, mengoptimalkan konektivitas jaringan, dan memaksimalkan skalabilitas arsitektur.

Alat pemantauan membangun dasar observabilitas dengan melacak data telemetri dan metrik utama lainnya dan memperingatkan tim tentang penyimpangan kinerja. Jika, misalnya, aplikasi melebihi ambang waktu respons yang ditetapkan, solusi pemantauan menghasilkan peringatan.

Alat observabilitas kemudian menganalisis data telemetri dan korelasi data apa pun (seperti penerapan terkini), menambahkan informasi kontekstual dan mengintegrasikan lapisan data untuk menentukan alasan peringatan. Ia melacak interaksi suatu aplikasi dengan layanan lain untuk mengetahui apakah aplikasi tersebut berjalan lambat karena bug basis data atau kemacetan jaringan.

Insight dari kemampuan observabilitas juga dapat membantu menyempurnakan kemampuan pemantauan, menciptakan masukan balik untuk peningkatan berkelanjutan. Ketika alat observabilitas merasakan adanya perubahan dalam pola data, alat ini dapat memperbarui peringatan pemantauan untuk merefleksikan pola baru sehingga alat pemantauan dan observabilitas bekerja secara berurutan.

Selain itu, alat observabilitas menggunakan kecerdasan buatan (AI) dan ML untuk memaksimalkan potensi pemantauan data. Fitur observabilitas berbasis AI dapat menggunakan analisis prediktif untuk meramalkan hambatan atau kegagalan (dengan menggunakan tren penggunaan memori untuk memprediksi kelelahan server, misalnya). Dan dengan menggunakan algoritma ML, alat bantu pengamatan dapat menyempurnakan praktik pemberian peringatan, membedakan antara peringatan penting dan noise.

Jika ada lonjakan sementara—tetapi diharapkan—dalam penggunaan CPU, misalnya, solusi observabilitas dapat menekan peringatan yang dihasilkan oleh alat pemantauan. Namun, jika ada lonjakan penggunaan CPU yang tidak terduga dan terus-menerus, solusi ini dapat membantu memastikan peringatan tersebut segera mencapai personel TI yang relevan.

Pemantauan dan observabilitas berfungsi sebagai alat pelengkap yang penting untuk mengoptimalkan manajemen kinerja aplikasi (APM) dan praktik ITOps. Bersama-sama, keduanya mendukung praktik pemecahan masalah proaktif dan reaktif di seluruh contoh penggunaan dan membantu memastikan bahwa bisnis dapat menyediakan layanan TI yang cepat dan tersedia dengan ketersediaan tinggi yang mereka harapkan.