在客户端产品日益复杂的背景下，如何全面监控客户端用户体验，实现对异常场景的有效归因，并全面提升用户体验，是客户端可观测性面临的主要挑战。本次分享将介绍字节跳动在 Android 客户端可观测性建设中的最佳实践，包括如何从用户体验出发确定关键指标和优先级，探讨不同性能监控的底层实现逻辑，并分享一些实际的异常优化案例及其具体效果。

演讲提纲

1. 字节 Android 客户端的可观测指标

• 探讨 Android 客户端中有哪些可观测性能指标
• 重点介绍各个指标在用户体验中的重要性和优先级

2. 可观测指标归因的底层原理

• 详细解析可观测性指标归因的基本原理和实现方法
• 分享如何通过归因分析找出性能问题的根本原因

3. Android性能优化的最佳实践

• 介绍内存 OOM 优化、CPU 异常优化等具体案例
• 分享实际项目中的优化策略和具体效果

4. 当前的挑战和未来的规划

• 分析当前在 Android 性能监控和优化领域所面临的主要挑战
• 展望未来的发展方向和技术规划

您认为，这样的技术在实践过程中有哪些痛点？

• 线上监控方案客户端的性能损耗和有效归因如何平衡
• Anr等深度长尾问题的解决和异常高效自动化归因如何进一步探索

演讲亮点

• 内存监控高效的内存裁剪技术，数百 M 的内存文件通过裁剪压缩平均大小只有二三十 M
• CPU 监控，自设计的火焰图高效定位线程高 CPU 消耗的异常问题

听众收益

• 了解字节跳动如何监控 Android 性能稳定性
• 了解字节跳动一些有效的 Android 性能优化方案
• 了解客户端监控后续的一些挑战和规划

随着云原生、微服务等技术的广泛应用，可观测的重要性得到广泛认可。云原生和微服务技术的不断深入应用，也给可观测提出了新的需求。在常见的 Metrics、Logging、Tracing 等传统可观测范畴外，需要持续探索新的技术和方案。

本次演讲将介绍小红书可观测团队对eBPF等新技术在可观测领域的实践经验，在通用流量分析、持续 Profiling 等应用场景下进行落地。该技术方案在小红书多个核心业务线上大规模、常态化的运行，如推荐、搜索、广告、存储等业务线。

演讲提纲

1. 背景和挑战

• 小红书可观测实践中遇到的新问题

2. eBPF 在通用流量分析中的应用

• 整体架构设计
• eBPF 内核态 & 用户态的设计
• 数据的处理、指标生成和存储
• 查询能力极致优化
• 落地案例分享

3. eBPF 在持续 Profiling 中的应用

• 整体架构设计
• eBPF 内核态&用户态的设计
• 性能数据持续采集 & 处理 & 优化
• 性能数据存储和使用
• 落地案例分享

4. 总结与展望

• 更多的产品形态
• 在 LLM 应用上的持续探索

您认为，这样的技术在实践过程中有哪些痛点？

• eBPF 技术的大规模常态化运行，往往对内核版本是有要求的；在不同的内核版本上，需要做一定的适配和微调

演讲亮点

• 真正实现了在核心系统上大规模、常态化的运行
• 落地过程中，依赖多种可观测能力，促进了可观测能力的优化和融合

听众收益

• 在传统的可观测领域之外，如何持续进行新的探索
• 了解 eBPF 在大规模常态化运行中的经验

随着 DeepSeek-V3 & R1 火爆全球，基于大语言模型和 AI 生态技术栈构建的应用与业务场景与日俱增。AI 原生应用架构从研发到生产落地，面临诸多新的挑战，包括模型选择、流程编排、评估分析等等。可观测技术可以帮助 LLM 应用开发及运维人员更好的优化模型性能、成本及效果。

本次演讲将以 DeepSeek 对话机器人为例，深入介绍 AI 原生应用架构的可观测需求、挑战与方案实践。比如 DeepSeek 为何频繁出现服务器繁忙？如何评估 DeepSeek 与其他模型的性能、成本与效果差异？如何优化 DeepSeek 对话机器人的终端用户体验？等等。希望能给听众带来一些思考和参考。

演讲提纲

1. AI 原生应用架构演进与落地挑战

• 蓬勃发展的 AI 应用生态
• 微服务应用架构 vs AI 原生应用架构
• 典型的 LLM 应用观测需求与挑战

2. AI 原生应用架构可观测方案

• 面向 LLM 应用的领域化 Trace 语义
  • User -> Session -> Trace -> Span
  • LLM Span Kind/Attributes
• 面向 LLM 应用的领域化指标洞察
  • 系统、模型、失败、延迟、成本、评估
• 基于 OpenTelemetry 的高质量数据采集
  • 大模型框架无侵入埋点（vLLM）
  • 如何解决超长文本采集与分析
• LLM 专属领域可视化分析视图
  • 推理性能分析
  • Token消耗分析
  • LLM TraceView

3. DeepSeek 对话机器人可观测实践

• 如何构建端到端全链路分析视图？
  • 前端、网关、后端、模型、基础设施
• 如何解决海量并发下的服务器繁忙？
  • 瓶颈定位、请求缓存、模型切换等
• 如何评估对话机器人回答效果？
  • 向量索引、语义富化、效果评估等

您认为，这样的技术在实践过程中有哪些痛点？

• 大模型领域化数据语义、采集、加工与可视化
• 大模型端到端全栈数据打通与分析
• 从性能向成本、评估效果的观测重心转移

演讲亮点

• 面向 AI 原生应用的端到端全栈可观测方案
• 以 DeepSeek 对话机器人为例，介绍大模型调用性能/成本/效果优化实践

听众收益

• 了解阿里云面向 AI 原生应用架构的全栈可观测前沿技术
• 开拓新思路，比如通过 LLM Trace 分析 DeepSeek 对话机器人服务器繁忙性能瓶颈

在大时长应用的可观测性中，超长且复杂的链路是一个重要的体现。长链路归因是流量领域的常见挑战之一，小到订单路径大到流量拆分，从算法的内容策略归因到资源成本分摊，都高度依赖于长链路埋点基建。长链路归因强依赖埋点透传机制，那么在客户端如何界定透传的业务架构与平台架构的边界？新的埋点标准如何在保持统一性的同时提高效率？面对众多存量场景导致的高替换成本，以及增量业务迭代的不收敛，如何实现存量与增量的全面覆盖？这些问题都是解决长链路归因埋点问题时需要权衡的典型问题。在本次分享中，我将基于在快手牵头长链路埋点标准建设、数据治理及架构建设的经验，与大家深入探讨这些问题。

演讲提纲

1.  超长路径带来的关键问题

• 大时长意味着超长路径
• 关键问题1：长路径归因问题（面向分析师）
• 关键问题2：算法内容归因问题（面向算法）
• 关键问题3：故障定位问题（面向研发）

2. 可观测体系构建

• 横向组织阵型建设：用委员会机制凝聚共识，科学推进
• 规范化建设及治理：有效的问题分类、分级，保障基建高效彻底落地
• 平台化建设：通过自动化、自助化实现极值的埋点、应用效率

3. 长路径归因解法实践

• URT 染色：用自动化透传机制解决长路径订单归因问题
• STID 策略 ID：用多通道透传机制，解决内容分发、算法归因问题
• 相关性变更归因：在 80% 故障场景下，用相关性归因替代 Trace 归因

4. 总结与展望

• 推进效果及反思
• 未来展望，更全面的落地，更高的效率

您认为，这样的技术在实践过程中有哪些痛点？

• 破旧立新 vs. 在问题中演进。由于数据消费的复杂性，我们采用的是快速演进的方式，演进中逐步替代老基建。
• 新标准如何在可控成本下进行增量覆盖及存量替代。我们采取的是基于现有架构对不同业务形态提出不同的收敛架构，从而实现存量平滑覆盖及增量需求卡口。
• 高精度 vs. 成本可控。动辄万亿条级别的数据，我们选择的是基于应用场景等级进行不同级别采样的方案。

演讲亮点

• 统一的长链路埋点架构，让业务团队不再关注透传需求，透传机制及质量保障由 SDK 负责，从而实现效率和质量的双重保障。
• 新型归因平台，覆盖线上80%的故障，提供了分钟级归因定位能力，为移动端故障止损提供了基础支撑。

听众收益

通过收听本次演讲，您将至少在以下方面了解到我们最新的探索进展及收获：

• 在埋点领域，搭建自动化长链路机制，并且兼顾分析师、算法、研发多种决策的归因诉求等方面的建设经验。
• 在排障领域，移动端如何用变更归因架构替代Trace机制，从而获得更好的精度及时效性的建设经验。