这套 Java 监控系统太香了！我连夜给项目加上了
大家好，我是程序员鱼皮。之前已经带大家完成了 AI 零代码应用生成平台 的核心功能，能够一句话生成复杂网站，并支持实时浏览和可视化修改。但是作为一个对标大厂的项目，光实现功能怎么足够呢？
我们还要为项目添加全面的 可观测性 能力，让系统运行状态变得透明可见，为用户提供可靠稳定的服务。可观测性不仅有利于性能优化，也是现代软件架构的必备技能。
说直白一点，这也是玩具项目和企业级项目的重要区别。我相信很多朋友的项目应该是做完了就扔那了，压根儿没想到要去监控它的运行状态吧。
下面就来带大家学习可观测性相关的技术，依然是保姆级教程：
[*]可观测性介绍
[*]ARMS 系统监控
[*]Prometheus + Grafana 业务监控
⭐️ 推荐观看视频版：https://bilibili.com/video/BV1QPYDztEtW
本项目代码开源：https://github.com/liyupi/yu-ai-code-mother
编程导航 的朋友们可以看到完整的项目教程：
一、可观测性介绍
可观测性（Observability）指通过系统的外部输出推断其内部状态的能力。在软件开发中，可观测性是指通过日志、指标和追踪等数据，全面了解系统的运行状况，以便及时发现和解决问题。
你可以简单将其理解为 “监控”，但它又比监控的概念更广更深。
相关概念
接下来，我们了解一些和可观测性有关的概念。
维度和指标
维度是用来描述和分类数据的标签属性，比如用户 ID、应用 ID、模型名称等，关注 “是什么”。
指标是用来量化的数值数据，比如请求次数、响应时间、Token 消耗量等，关注 “有多少”。
简单来说，维度是可以用来筛选的标签，指标是用来计算的数值。
举个例子：
[*]维度：user_id=12345, app_id=67890, model_name=deepseek-chat
[*]指标：requests_total=100, response_time=1.5s, tokens_used=2000
监控的数据分类
在实现可观测性时，我们需要关注多种不同类型的数据：
1）系统指标：包括 CPU 使用率、内存占用、磁盘 I/O、网络流量等基础设施层面的监控数据。
2）应用指标：涵盖接口响应时间、QPS（每秒查询率）、错误率、JVM 状态等应用层面的性能数据。
3）业务指标：针对我们平台的特定业务逻辑，比如 AI 模型调用次数、Token 消耗量、用户活跃度等。
4）调用链：在分布式系统中，一个请求可能经过多个服务组件。Trace 表示一个完整请求的调用链路，而 Span 则代表调用链中的一个操作单元。通过分析 Trace 和 Span，我们可以清晰地看到请求在系统中的流转过程，快速定位性能瓶颈。
百分位数
在性能监控中，我们经常会看到 P50、P75、P90、P99 这些指标，它们被称为 百分位数。
[*]P50：中位数，表示 50% 的请求响应时间都在这个值以下
[*]P75：75% 的请求响应时间都在这个值以下
[*]P90：90% 的请求响应时间都在这个值以下
[*]P99：99% 的请求响应时间都在这个值以下
举个例子，如果一个接口的 P99 响应时间是 500ms，这意味着 99% 的请求都能在 500ms 内完成，只有 1% 的请求可能超过这个时间。P99 指标对于发现系统中的异常情况特别有用，因为它能反映出那些偶发的长尾延迟问题。
来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！
页:
[1]