本体驱动的可观测性：在 Netflix 规模下构建端到端知识图谱
Netflix 的工程师写文章介绍了他们怎么解决一个很头疼的问题：系统出故障时，找原因要找将近四个小时。原来监控工具收集了很多数据（指标、日志这些），但每个系统各说各话，同一个东西在不同工具里叫不同名字，得靠人脑记着怎么对应。他们的做法是建一个知识图谱，把应用、事件、部署这些概念和关系用统一格式写清楚，机器也能读。这样本来要翻三个工具才能回答的问题，现在一条查询就能搞定。文章还提到他们自研了一个叫 QuipuDB 的图数据库来存这些数据。不过文章只给了开头部分，具体效果数据、完整方案细节没有说明。
文中可用工具
- AtlasNetflix 的遥测平台，负责记录应用及其时间序列数据
- RadarNetflix 的告警系统，管理阈值和告警触发历史
- incident.io管理事件严重等级和响应人员
- PagerDuty管理值班轮换安排
- Spinnaker记录什么时间发布了什么内容
- QuipuDBNetflix 自研的 RDF 图数据库，用于存储知识图谱数据
- RDFW3C 标准的数据模型，用来表示知识图谱中的三元组
- OWLW3C 标准的本体语言，用来定义概念类型和关系规则
- SHACLW3C 标准的验证语言，用来检查数据是否符合定义好的规则
- SPARQLW3C 标准的查询语言，用来查询知识图谱中的数据
- redb基于 Rust 的嵌入式键值数据库，QuipuDB 的底层存储基础
评论 · 分享第一个看法