新的 APM 功能有助於最佳化單體應用程式或微服務的應用程式效能

為了幫助您更快地了解問題所在，Splunk Observability 最近發布了幾項新的增強功能，以減少雜訊，並在您隔離環境問題時提供更多可見性。我們的最新版本專注於應用程式和服務，無論您使用單體式還是微服務架構，都可幫助您輕鬆調查複雜環境中的問題。以下是最近 Splunk APM 功能發布的摘要以及有用的連結，能幫助您立即開始上手。

輕鬆從數十億筆追蹤中找出問題

Trace Analyzer 能幫助您有信心地偵測出數十億筆交易中的模式，並找到任何標籤、使用者或服務的特定問題。現在，您可以對所有追蹤資料執行臨時彙總，找出任何標籤的特定問題，進而發現未知的風險。透過視覺化錯誤和延遲模式的開始和結束時間，以及接收在問題期間發生的確切追蹤資料，可以排除特定的使用者問題。藉由簡單地分組及篩選高基數標籤，您可以了解問題在客戶群體之間的影響範圍，以便更為了解問題所在。在即將舉行的網路研討會中，我們將提供 Trace Analyzer 的完整示範。如需更多資訊，請參閱相關文件。

Trace Analyzer 可幫助您快速搜尋和篩選所有追蹤資料，以快速找到答案 

快速調查端點的效能

操作單體式應用程式的工程師經常無法在數百個端點中找出問題。Splunk APM 的端點效能能幫助您輕鬆探索和比較服務端點的效能。其可經由一個集中的檢視顯示所有端點的延遲和錯誤趨勢，並可按錯誤率或延遲排序。進階篩選功能可幫助您快速根據常見的端點路徑 (例如 /payment/) 進行排序。當問題發生時，您可以快速前往 APM 的故障排除流程或特定追蹤，以快速了解問題的影響範圍。如需更多資訊，請參閱相關文件。 

快速了解服務端點的健康狀況和效能

更高準確度的警報，更少的手動工作

Autodetect使用機器學習來大幅減少服務警報的手動工作並提高準確性。Autodetect 可為每個服務建立效能基線，根據突然變化的延遲、錯誤和請求速率建立自動偵測器，以及讓工程師自行定義和訂閱這些偵測器的警報通知。如此一來，工程師可以減少重新設定警報的時間和工作量，即可在雲端原生環境中獲得最精確的警報。

Autodetect 使用機器學習根據應用程式效能來推薦警報

.NET 和 Node.js 應用程式的記憶體分析

我們持續擴展 AlwaysOn Profiling 記憶體分析功能的語言支援，並新增了對 .NET 和 Node.js 的支援。現在，工程師可以持續測量程式碼對 .NET、Node.js 和 Java 應用程式的 CPU 和記憶體使用情況的影響，並將其與所有追蹤數據的相關內容連結，以幫助識別問題──可用最少成本完成這項工作。如需完整示範，請參見此影片，或閱讀相關文件。

快速識別記憶體使用狀況中最大的瓶頸

立即試用 Splunk APM

Splunk APM 的目的是透過立即偵測新部署的問題、有信心地排除問題源頭以及最佳化服務效能，幫您更快速地解決單體應用程式和微服務中的問題。無論您是在值班、除錯還是最佳化服務效能，APM 都可以幫助您快速了解應用程式和服務的問題。如需了解 Splunk Observability 的所有最新公告，請參閱我們的社群文章。立即閱讀文件或開始試用 Splunk APM 吧！

POSTED BY

Mat Ball

Mat Ball 負責 Splunk 數位操作監控 (DEM) 產品的市場行銷，目的是為數位化的團隊進行網路效能最佳化的培訓，特別是評估和改善網路和行動使用者操作的藝術和科學。自 2013 年以來，他一直從事和 Web 效能相關的工作，過去曾負責過 New Relic 的 DEM 套件產品行銷。