行业动态01
GitHub 发布了 2026 年 9 月的可用性报告，回顾过去两个月为提升稳定性所做的工作。此前 GitHub 服务出现过宕机、性能下降等问题，原因是共享数据库压力过大、连接被耗尽、重试机制加剧拥堵。这次 GitHub 采取了一系列措施：迁移部分数据库和工作负载到 Azure、清理冗余数据、减少死锁、增加自动扩容和过载保护。对用户来说，部分改动已经上线，比如当共享依赖出故障时，约一半的 pull request 流量仍能有限度地继续使用；但迁移目标未按期完成，相关工作仍在进行中。
行业动态02
Datadog 内部有数千个服务，以前对所有服务一视同仁地制定部署和可靠性标准，规模变大后成本太高，也不知道该把有限的可靠性投入放在哪里。他们用大语言模型读取几百篇最高严重级别的故障复盘文档，提取出哪些服务导致或被卷入事故，再结合 APM/RUM 错误链、生产流量和监控告警等信号，给每个服务打出高、低、未知的关键性等级和置信度。这样就能对真正关键的服务严格部署、收紧可靠性目标，对不关键的服务放宽标准，把精力集中在故障时最影响客户的地方。
文中可用工具
- Datadog APM应用性能监控，用错误链数据判断服务是否在关键错误路径上
- Datadog RUM真实用户监控，帮助连接入口到关键用户旅程
- Software Catalog用于校验模型提取出的服务名是否映射到真实服务，也用于统计生产流量
- Datadog On-Call判断服务的监控是否通知值班轮换，作为关键性信号之一