云原生全栈观测使用应用零侵入技术，高性能采集应用层、网络层、内核层的性能指标、接口调用和内核事件等观测数据用于业务的故障排查。本文介绍全栈观测的架构、优势以及适用场景。

云原生全栈观测介绍

云原生全栈观测基于 eBPF 实现的高性能、无侵入、全栈化的数据采集，全面支持内核级别的深度观测能力，并配合高性能的应用协议解析模块，自动解析 HTTP(S)、DNS、gRPC Unary/Streaming 等应用协议，集合 Kubernetes 的元数据，实现资源层、网络层、应用层代码零侵入的全栈观测体验。同时基于 eBPF 的数据采集，构建拓扑串联打通可观测性的孤岛，建立以拓扑为核心的交互体验，纵向以 Kubernetes 原生资源为索引关联 Metrics、Logs、Events、Tracing 等可观测数据，横向通过流量串联打通各个可观测性数据孤岛。

云原生全栈观测具备以下特点：

1. 基于 eBPF 实现高性能、无侵入、全栈化数据采集： 云原生全栈观测基于 eBPF 实现零代码侵入的全栈式数据采集，全面支持内核级别的深度可观测能力，并配合高性能的应用层协议解析模块，自动解析 HTTP(S)、DNS、gRPC Unary/Streaming、Redis、PG、MySQL 等应用层协议 ，实现资源层、网络层、应用层代码零侵入的全栈观测体验。

2. 基于拓扑串联打通可观测性数据孤岛： 云原生全栈观测在传统监控、可观测性观测模型之上，构建了以拓扑为核心的交互体验，纵向以 Kubernetes 原生资源为索引下钻串联 Metrics、Logs、Events、Tracing、Profiling 等可观测数据，横向通过流量（Flow）、Trace 串联打通各个可观测性数据孤岛。

云原生全栈观测架构

云原生全栈观测在传统容器基础观测能力之上，基于 eBPF 实现全栈式采集能力增强，深入内核采集运行时、存储层、网络层、应用层等观测数据，并结合高性能的应用层协议解析模型，实现自顶向下的观测能力全面覆盖，并将可观测数据自动与 Kubernetes 元数据进行关联，以标准化语义打通流量与资源之间的串联关系。

Microscope Agent 是云原生全栈观测的核心数据面组件，支持 Collection 插件拓展机制，以插件化的方式拓展采集能力，自顶向下，全面覆盖用户态框架及系统库、网络层、存储层、运行时等。

典型应用场景

服务响应慢

服务响应慢的问题在云原生环境中很常见，导致该问题的原因很多，在排障过程中，一般先排查是应用还是网络问题，确定问题域后，在通过日志/事件或内核分析来确定根因。

• 定位发现服务响应时间长的资源： 收到告警或报障、或者通过资源列表查看排序时，发现某资源（Deployment、StatefulSet、Pod）的服务响应时间高。
• 查看资源详情中该资源的接口性能： 查看资源服务的接口的应用性能，将问题范围缩小到具体接口。
• 查看指标，定位问题域： 查看服务请求、错误与异常、服务延迟、网络通信等各类指标，梳理各指标的关联，确定问题域（应用 or 网络）。
• 查看单次调用记录： 在资源详情或拓扑详情中，查看客户端视角和服务端视角的单次调用记录，查看调用的 request/response Header、Body 以及其他元数据，结合内核调用进一步确认问题域。
• 查看日志/事件，确定根因： 在容器服务的日志中心和事件中心查看对应资源和问题域的日志/事件，定位根因，排除故障。

服务拓扑感知

随着当下技术架构、部署架构越来越复杂，除了发生问题后的定位棘手外，影响面分析也面临很大的挑战，有时一张拓扑图就非常必要。

• 服务关系感知： 在异常定位的过程中，需要了解流量入口在哪里，有哪些工作负载，每个工作负载的运行状态如何，是否有内外部组件依赖等，才能了解故障影响范围，采取对应的排障动作，可见有一张服务拓扑对异常定位有很大的推动作用。
• 依赖分析和影响面分析： 异常定位中常见的一种情况是问题出现在下游依赖，当这些依赖没有足够的可观测性时会导致无法进一步分析下去，所以从服务拓扑中进行上下游依赖分析就非常重要。通过应用调用和网络通信的性能指标将上下游用调用关系关联起来，形成调用图，并能够查看任意上下游之间的依赖和指标变化，就能够快速分析上下游依赖是否存在问题。