Kubernetes为最终用户的体验带来了切实的改进，而最终用户的体验可以转化为强大的业务成果。但是要想从Kubernetes获得最大的价值需要克服今天在IT环境中不断增加的复杂性。
AI驱动的全栈可观测性是任何现代企业IT团队的必需，可以了解Kubernetes如何利用资源，部署的容器如何随着工作负载的变化而运作，以及如何相应地优化配置和性能。
用AI驱动Kubernetes的全栈可观测性
AI对Kubernetes同样重要，特别是随着容器的采用率持续飙升。根据最近对CIO的调查，68%的组织已经在使用容器，其中86%的组织预计在未来12个月内部署容器。
随着Kubernetes和容器所涉及的越来越广泛，IT团队需要武装自己，以确保这些动态环境真正为他们工作。这意味着能够从技术堆栈中获得精确的性能降级洞察。这还意味着利用这些洞察，在问题影响最终用户之前，快速确定并纠正问题背后的根本原因。解决这些问题的速度越快，对用户体验和任何相关的业务成果就越好。
AI可以提供这些目前严重缺失的能力。具体来说，一个可以接收Kubernetes事件和指标（如工作负载更改、状态更改和其他关键事件）的AI引擎，能更好地理解跨Kubernetes堆栈之间存在的依赖关系和关系（在集群、容器、服务网格和运行在它们内部的工作负载之间）。正确实施，高保真的全栈可观测性可以帮助组织消除复杂性问题，并使用Kubernetes来驱动数字化转型和提升用户体验。
可观测性始于在Kubernetes环境中构建监控
不过，当我们讨论Kubernetes的全栈可观测性时，我们必须讨论监控——特别是，为Kubernetes环境提供作为内置功能的监视。
想想这些环境中技术的多样性。在Kubernetes集群中部署容器的不同开发团队可能会将自己的工具引入。集群越大，你就会看到越多的应用程序在各种不同的技术上运行，比如JAVA、.net、Node、Go等。当你拥有这些多样化的技术时，你还可以让团队引入自己喜欢的监控工具。
AI本身无法解决整个堆栈的可观测性问题，因为AI算法依赖于它们接收的数据类型。因此，使用自己的工具进行监控的IT团队将向AI提供质量不同的不一致数据。
不一致的数据会降低AI的效率——这就是“垃圾输入，垃圾输出”的难题。关键的是，在Kubernetes集群中构建一个单独的监控工具作为自助服务功能，它既支持开发人员部署的各种技术，又为AI提供了一个质量数据的基准级别——数据承载了开发人员所需的详细级别以及IT管理员所需的系统和事件监控级别。
管理Kubernetes环境的清单
AI的可观测性为企业提供了一系列新的能力，以更好地部署和管理其Kubernetes环境，并在生产中正确扩展Kubernetes应用程序和微服务。其中包括：
——从Kubernetes控制平面以及所有部署的容器访问日志。
——分析容器资源使用情况并深入研究当前工作中的容器运行时。
——发现、检测和映射在Kubernetes环境中运行的容器技术。
——使应用程序所有者能够更快地识别和纠正性能下降和可扩展性瓶颈。
——优化资源管理和配置。
这是你的Kubernetes清单。如果你不能实现或支持这些功能，那么你就无法充分利用Kubernetes所提供的功能。更重要的是，你很可能面临环境中的复杂性和混乱，而这会严重影响用户体验和提升用户体验的能力。
不过，通过将确定性AI模型作为技术堆栈的一部分，这个清单上的所有项目都可以添加到Kubernetes工具箱中。一个能够接收Kubernetes指标和事件的AI引擎可以驱动新的可观察性级别，以及基于这些洞察所采取的行动。这比传统的指标、仪表板或手动IT支持可做的多得多，现代企业云和容器化环境的发展已经超出了这些遗留解决方案的能力范围。
AI让你真正享受Kubernetes
现代IT组织经常发现自己陷入困境。一方面，Kubernetes为这些组织提供了一条在当今更加动态、基于云的环境中编排工作负载的途径。另一方面，拥抱Kubernetes和用更灵活和动态的方式来管理IT工作负载意味着新的复杂性。这种复杂性使得理解在技术堆栈中实际发生了什么更难，包括应用程序和微服务之间的相互依赖关系、诊断和解决影响用户体验的性能退化背后的根本原因。
AI可以让IT团队把这两个方面串起来，在Kubernetes平台、容器和工作负载中构建全栈可观测性，并帮助组织从大规模环境中获得更智能、更精确的答案。对于当今的企业IT来说，数字化转型意味着多云架构和混合云架构，意味着变得更加灵活，意味着用更加动态的微服务和容器化的应用程序替换旧的单体架构。但这并不意味着更复杂。将Kubernetes与AI结合起来，利用Kubernetes事件和指标，获得全面的全栈可观测性，正是锦上添花。