当前，业务稳定性面临诸多挑战，单体架构应用牵一发而动全身，分布式架构下复杂长链路中频现性能短板，云原生架构下隐藏着不确定性风险，为此我们引入了全链路在线压测、混沌工程故障演练、智能监控等技术来降低风险，但如何做到标准化常态化实施以上举措，如何保障达成不断变化的业务目标，不同企业的做法不尽相同，中国人寿基于面向业务的稳定性运营思路，开展全链路在线压测和面向业务流程的监控，有效识别链路短板，及时发现业务风险，有力保障重大业务活动，取得较好成效，现将相关工作总结供同业伙伴探讨指正。

演讲提纲：

1. 业务稳定性面临的挑战和对策

• 稳定性面临的主要挑战. 主要原因和主要对策
• 稳定性保障能力框架及相关思考
• 中国人寿面向业务的稳定性运营思路
• 业务视角与技术视角看稳定性

2. 全业务流程在线压测

• 传统压测技术的局限性
• 全流程在线压测技术方案（Java 类应用、非Java 类应用）
• 全流程在线压测工作流程（组织、职责、流程）
• 主要成效（标准化常态化压测、10 大重点业务全年无重大性能事件）

3. 面向业务流程的监控

• 面向业务流程的监控的定义
• 必要性：面向业务的监控是所有监控中最应当被加强的，牵动其它技术组件监控
• 技术方案：应用探针、实时计算、告警分级
• 实施效果

4. 持续提高稳定性保障运营能力

• 管理方面：数字化产品稳定性度量与改进
• 技术方面：智能化监控、稳定性运营闭环中其它环节能力提升（告警治理、智能分析、优化经验沉淀）

听众收益：

• 了解如何实现大范围、全流程、高频率.、高并发、低成本生产在线压测
• 了解如何建设能供业务人员、技术管理人员、开发人员、运维人员一致理解的业务监控视图，高效协同，准确把握业务趋势，及时并处置发现异常
• 了解如何以业务监控视图为抓手，关联并推动其它技术组件监控

方案痛点：

• 在线压测的业务流量还不够丰富，不能全面模拟生产
• 监控视图的告警准确性还有待提升，但训练数据不足（告警本身是低频的），业务本身特点也不固定

俗话说，人工智能，有多少人工（数据标注质量），就有多少智能（模型推理效果）。构建高质量的数据源，是可观测性建设的首要基础；提升海量数据的分析效率，是可观测性建设体现业务价值的重要前提。

eBPF 作为一项零侵扰的数据采集技术，能够快速构建全景、全栈的高质量可观测性信号源。LLM 作为一个掌握通用知识和自然语言对话技能的智者，能够大幅提升多知识领域数据的关联分析效率。

本次分享将会介绍 DeepFlow 使用 eBPF 和 LLM 作为基础设施构建可观测性智能体的实践经验，并介绍 DeepFlow 用户在变更决策（Dev）、安全洞察（Sec）以及工单定界（Ops）等典型场景下的实践案例和探索经验。

演讲提纲：

1. 使用 eBPF 构建高质量的可观测性信号源

• 如何利用 eBPF 构建业务全景、应用全栈的可观测性数据源
• 使用 eBPF 采集指标、追踪、日志、事件、剖析数据时的独特优势
• 自动为可观测性信号源注入多维语义标签，消除数据孤岛
• 以 eBPF 为基础设施，集成 Prom/OTel/Pyroscope 等应用数据

2. 使用 LLM 构建高效率的可观测性智能体

• 从数据中提取统计特征，降低 LLM 的数据摄入量
• 以软件文档、安全情报、开源软件 Changelog 作为 RAG 语料
• 打通数据、特征、语料，以 LLM 为基础设施构建可观测性智能体

3. DeepFlow 用户的可观测性智能体实践案例

• 面向 Dev，如何在变更决策场景中使用智能体提升方案效率
• 面向 Sec，如何在安全洞察场景中使用智能体提前发现隐患
• 面向 Ops，如何在工单定界场景中使用智能体提升业务连续性

4. 未来规划

听众收益：

• eBPF 作为可观测性数据采集的基础设施有哪些优势和坑点
• LLM 如何高效的在可观测性场景下摄入海量数据和增强语料
• 可观测性智能体的最佳使用场景和效果

方案痛点： 

• 还需加快内核版本的升级，释放高版本内核下 eBPF 更丰富的能力
• 还需进一步降低大模型的数据摄入量，降低可观测性智能体的分析能耗