Datadog: mi ez, alkalmazásmonitorozás és megfigyelhetőség

Mi az a Datadog?

Datadog egy felhőalapú platform monitorozáshoz és megfigyelhetőséghez, amelyet 2010-ben indított Olivier Pomel és Alexis Le-Quioc. A platform egyetlen panelt kínál metrikák, naplók és trace-ek gyűjtésére infrastruktúrából, alkalmazásokból és felhasználói eszközökről. A pontszerű megoldásokkal ellentétben a Datadog egyesíti az APM-et, naplókat, infrastruktúra-monitorozást, Synthetic Monitoringot és RUM-ot egyetlen termékben.

A Datadog architektúrája ügynökökre épül - könnyű programokra, amelyeket szerverekre telepítenek vagy alkalmazásokba ágyaznak be. Az ügynök összegyűjti az adatokat, és titkosított kapcsolaton keresztül elküldi a Datadog felhőinfrastruktúrájába. Mobil platformokhoz a Datadog natív SDK-kat kínál, amelyek Androidon (Kotlin, Java) és iOS-en (Swift, Objective-C) működnek.

A Gartner Magic Quadrant for APM and Observability (2024) jelentése szerint a Datadog-ot vezetőként ismerték el a megfigyelhetőségi kategóriában a legszélesebb integrált képességkészlettel. A platformot olyan vállalatok használják, mint a Samsung, az Adidas és a Peloton, hogy naponta milliók eszközt figyeljenek.

A mobil csapatok számára a Datadog különösen értékes, mert lehetővé teszi a backend teljesítményének összekapcsolását a felhasználói élménnyel az eszközön. Ha egy API lassabban kezd válaszolni, a Datadog nemcsak a szerver válaszidejét mutatja, hanem azt is, hogy ez hogyan befolyásolta a betöltési időt vagy a képernyő megjelenítését egy adott telefonsmodellen.

A platform legfontosabb összetevői

Infrastructure Monitoring nyomon követi a CPU, memória, lemez és hálózat metrikáit szerverek, konténerek és Kubernetes-förtök számára. APM (Application Performance Monitoring) trace-eket gyűjt minden, egy elosztott rendszeren áthaladó kéréshez, és késleltetéseket mutat minden szakaszban. A Log Management központosítja az összes naplót - a rendszertől az alkalmazásig -, teljes szöveges keresési lehetőséggel és metrikák létrehozásával a naplók alapján. A Synthetic Monitoring felhasználói forgatókönyveket szimulál különböző földrajzi helyekről. A Real User Monitoring (RUM) adatokat gyűjt a valós felhasználói eszközökről, beleértve a telefonokat és tableteket.

Árazási modell

A Datadog a pay-as-you-go modellt használja, termékenkénti bontással: infrastruktúra-hostok, APM-hostok, naplók (térfogat gigabájtokban), RUM-munkamenetek és Synthetic tesztek. Minden terméket külön számláznak, így csak a használt funkciókért kell fizetni. Az ár infrastruktúra-monitorozás esetén havi 15 dollártól kezdődik hostonként, és 1 dollártól 10 000 RUM-munkamenetenként. Indító vállalkozások számára elérhető a Datadog for Startups program akár 100 000 dollárig terjedő kreditekkel.

Datadog APM és Distributed Tracing

Application Performance Monitoring (APM) a Datadog-ban egy distributed tracing rendszer, amely minden kérést nyomon követ a rendszerbe való belépéstől az összes beágyazott művelet befejeződéséig. Az APM automatikusan instrumentálja a népszerű keretrendszereket és könyvtárakat: Spring Boot, Django, Express.js, ASP.NET Core és mások. Minden kéréshez az APM egy flame graph-ot épít - a kód összes részének végrehajtási idejének vizuális ábrázolását.

A flame graph megmutatja, mennyi időt vett igénybe minden függvényhívás vagy külső szolgáltatásnak küldött kérés. Ha egy adatbázismetódus 2 másodpercig fut a várt 200 ezredmásodperc helyett, ez azonnal látszik a grafikonon. A Datadog APM támogatja az OpenTelemetry-t - egy nyílt szabványt a telemetria gyűjtésére, ami lehetővé teszi instrumentáció csatlakoztatását bármely kompatibilis szolgáltatótól.

A Benchling Engineering Blog (2024) szerint a Datadog APM-re való áttérés lehetővé tette a csapat számára, hogy az incidensek diagnosztizálási idejét 45 percről 8 percre csökkentse a trace-ek naplókkal és metrikákkal való automatikus korrelációjának köszönhetően. A kulcsforgatókönyv a trace-to-log korreláció: egyetlen trace ID segítségével megtalálható az összes, egy adott kéréshez kapcsolódó napló kézi keresés nélkül.

Service Map és függőségek

Service Map a rendszer összes szolgáltatásának és azok kölcsönös kapcsolatainak automatikusan épített grafikus ábrája. Minden szolgáltatás egy csomópontként jelenik meg, és a csomópontok közötti kapcsolatok mutatják, milyen hívások történnek a szolgáltatások között. A csomópont színe tükrözi az állapotot: zöld - normál működés, sárga - megnövekedett késleltetés, piros - hibák. A Service Map segít gyorsan azonosítani, melyik szolgáltatás a szűk keresztmetszet, még az architektúra előzetes tanulmányozása nélkül is.

import datadog.trace.api.Trace;
import io.opentelemetry.api.trace.Span;

public class PaymentService {

    @Trace(resourceName = "PaymentService.processPayment")
    public PaymentResult processPayment(Order order) {
        Span span = Tracer.buildSpan("validate.payment").start();
        try {
            PaymentGateway gateway = new PaymentGateway();
            PaymentResult result = gateway.charge(order.getAmount());
            span.setTag("payment.provider", "stripe");
            return result;
        } finally {
            span.close();
        }
    }
}

Real User Monitoring mobilalkalmazásokhoz

Real User Monitoring (RUM) a Datadog-ban adatokat gyűjt a valós felhasználói eszközökről - a képernyők betöltési idejét, érintésekre adott választ, memóriafogyasztást, ANR (Application Not Responding) gyakoriságot és crash arányt. Az Android és iOS RUM SDK beágyazódik az alkalmazásba, és automatikusan munkameneteket hoz létre, csoportosítva az összes eseményt egy felhasználói interakció keretein belül.

Minden RUM-munkamenet eseménysorozatot tartalmaz: képernyő megnyitása, gomb megnyomása, hálózati kérés, görgetés. Minden eseményhez a Datadog időbélyeget, időtartamot és az eszköz műszaki jellemzőit rögzíti: modell, operációs rendszer, alkalmazásverzió, kapcsolat típusa. Ez lehetővé teszi a metrikák szűrését adott verziók és eszközök szerint. Például látható, hogy a betöltési idő megnőtt Android 14-en egy adott Samsung modell használata esetén.

A RUM szorosan integrálódik az APM-mel: ha egy felhasználói munkamenet hibával ér véget a fizetési képernyőn, a Datadog automatikusan megjeleníti a megfelelő trace-t a backendből. Ez 5-7-szeresére gyorsítja a diagnosztizálást a frontend és backend naplók kézi összepárosításához képest. A mobil csapatok számára a RUM watchlist-jelentéseket is kínál - heti összefoglalót a kulcsmetrikák romlásáról.

RUM hibamonitorozás beállítása

A Datadog RUM automatikusan gyűjti a crash jelentéseket teljes stacktrace-szel, beleértve a forráskód sorszámait. Android esetében ez az ACRA vagy Firebase Crashlytics integrációján keresztül működik, iOS esetében - a PLCrashReporteren keresztül. Minden crash a felhasználói munkamenethez van kapcsolva, lehetővé téve a összeomláshoz vezető műveletsor reprodukálását. A RUM követi az ANR-t is - az egyik legkritikusabb eseményt az Android-alkalmazások számára. Ha az alkalmazás több mint 5 másodpercig nem válaszol, a Datadog rögzíti az ANR-t, és megjeleníti a teljes szálkiürítést a felhasználói felület blokkolásának pillanatából.

Naplózás és infrastruktúra-metrikák

Log Management a Datadog-ban központosítja az összes alkalmazás- és infrastruktúranaplót egyetlen tárban teljes szöveges kereséssel. A mobil naplók (analitikai események, API-hibák, telemetria) az SDK-n keresztül kerülnek elküldésre az eszközről, és közös azonosító segítségével egyesülnek a szervernaplókkal. A Datadog automatikusan strukturált mezőkre bontja a naplókat: szint (INFO, WARN, ERROR), szolgáltatás, host, időbélyeg, üzenet.

A naplók szűréséhez saját lekérdezőnyelv használható wildcard, reguláris kifejezések és facetek támogatásával. A naplók sablonok szerint csoportosíthatók - a Datadog automatikusan érzékeli az ismétlődő mintákat, és egyetlen füként jeleníti meg őket. Ez különösen hasznos mobil eszközökről származó ezrek napló elemzésekor: az azonos hibák csoportosulnak, és a fejlesztő nem 10 000 sort lát, hanem 10 füket az előfordulás gyakoriságával.

Metrics numerikus idősorok, amelyeket 1 másodperces intervallumtól gyűjtenek. A Datadog három típusú metrikát támogat: gauge (aktuális érték), count (összeg az intervallumban) és rate (változás sebessége). Mobilalkalmazásokhoz egyedi metrikák követhetik a képernyőnyitások számát, egy kulcsfontosságú üzleti forgatókönyv végrehajtási idejét vagy egy adott funkció használatának gyakoriságát. Az egyedi metrikákat a DogStatsD-n keresztül küldik - egy StatsD-kompatibilis protokollon, Datadog-bővítményekkel.

import com.datadog.android.Datadog
import com.datadog.android.log.Logger

class PaymentAnalytics {

    private val logger = Logger.Builder()
        .setDatadogLogsEnabled(true)
        .setNetworkInfoEnabled(true)
        .setBundleWithTraceEnabled(true)
        .build()

    fun trackCheckout(orderId: String, amount: Double) {
        logger.info(
            "Checkout initiated for order {orderId}",
            mapOf(
                "order.id" to orderId,
                "order.amount" to amount,
                "payment.method" to "credit_card"
            )
        )
    }
}

Datadog SDK integrálása mobilprojektbe

Datadog SDK Android és iOS számára egységes modulkészletet kínál: Core (inicializálás), RUM (felhasználói élmény monitorozása), Logs (naplók küldése), Trace (kérések követése). Android esetén az SDK Gradle segítségével, iOS esetén CocoaPods vagy Swift Package Manager segítségével adható hozzá. Telepítés után az SDK inicializálása az Application.onCreate (Android) vagy AppDelegate (iOS) metódusban történik a client token, environment és alkalmazásnév átadásával.

A hálózati kérések automatikus követéséhez Androidon az OkHttp Interceptor-t, iOS-en az NSURLProtocol-t vagy URLSession delegate-et használják. A Datadog támogatja a népszerű HTTP-kliensekkel való integrációt: Retrofit, Apollo GraphQL, Ktor, Alamofire. Az Interceptor csatlakoztatása után minden HTTP-kérés automatikusan hozzákapcsolódik a RUM-munkamenethez és APM-trace-hez, egyetlen láncot képezve a klienstől a szerverig.

Konfiguráció Gradle-lel (Android)

dependencies {
    // Fő SDK és RUM modul
    implementation "com.datadoghq:dd-sdk-android-core:2.15.0"
    implementation "com.datadoghq:dd-sdk-android-rum:2.15.0"
    // Integráció OkHttp-val automatikus követéshez
    implementation "com.datadoghq:dd-sdk-android-okhttp:2.15.0"
    // NDK crash reporting
    implementation "com.datadoghq:dd-sdk-android-ndk:2.15.0"
}

Inicializálás iOS-en (Swift)

import DatadogCore
import DatadogRUM
import DatadogLogs

@main class AppDelegate: UIResponder, UIApplicationDelegate {

    func application(
        _ application: UIApplication,
        didFinishLaunchingWithOptions: [UIApplication.LaunchOptionsKey: Any]?
    ) -> Bool {
        Datadog.initialize(
            with: DatadogConfiguration.builder(
                clientToken: "your_client_token",
                environment: "production"
            ).build()
        )
        RUM.enable(
            with: RUMConfiguration(applicationID: "your_rum_app_id")
        )
        return true
    }
}

Datadog irányítópultok és értesítések

A Datadog grafikus irányítópult-szerkesztőt kínál, amelyben metrikagrafikonok, naplótáblák, hibaeloszlási treemap és SLO-widgetek kombinálhatók. Az irányítópultok támogatják a sablonváltozókat - például létrehozható egy irányítópult az összes szolgáltatáshoz, és a kontextus váltogatható egy legördülő listával, amely a szolgáltatás nevét tartalmazza. Minden irányítópult közzétehető csak olvasható módban külső érdekelt felek számára nyilvános linken keresztül.

A Monitors (értesítések) rendszer lehetővé teszi küszöbfeltételek beállításat bármely metrikához: ha a késleltetés túlépi az 500 ms-ot több mint 5 percig - értesítés küldése Slackbe, PagerDuty-ba vagy e-mailbe. A Datadog összetett feltételeket is támogat: „Ha az 5xx hibák > 1% és a kérések száma > 1000/perc, emeld a prioritást kritikusra”. A mobil csapatok számára a regresszióérzékelő monitor különösen hasznos - a Datadog automatikusan összehasonlítja az aktuális metrikát a történelmi alapvonallal, és értesít statisztikailag jelentős romlás esetén.

A Gartner Peer Insights (2024) szerint a Datadog-monitorokat automatikus korrelációval használó csapatoknál az átlagos riasztásmegoldási idő (MTTR) 35%-kal csökken a bevezetést követő első hónapban. Ez annak köszönhető, hogy minden értesítés nemcsak a kiváltó feltételt tartalmazza, hanem linkeket a kapcsolódó irányítópultokhoz, naplókhoz és trace-ekhez is - a fejlesztőnek nem kell váltogatnia az eszközök között.