Ontologiegetriebene Observability: Aufbau eines End-to-End-Wissensgraphen in Netflix-Dimensionen

Was passiert ist

MELT – Metrics, Events, Logs und Traces – und die Frage, wie diese über das gesamte System hinweg erfasst werden. Der Startbildschirm, auf dem man die Liste der Filmlisten sieht, braucht inzwischen etwa 1,5 Sekunden länger, bis er gerendert ist. Netflix hat seinen Sitz in Los Gatos, und zu den Produkten und Diensten des Unternehmens gehören das Empfehlungssystem von Netflix und OTT-Medienangebote.

Nun kann eine Regression in der Anwendung an jeder Stelle des Systems ihren Ursprung haben: ein Regressionsfehler in der Client-App durch eine neue Version oder einen Rollout eines A/B-Tests, ein Load Shedding in der Infrastruktur oder eine GraphQL-Abfrage, die wegen eines Service-Rollouts sechs Hops weiter unten fehlerhafte Daten liefert – all das sind zu diesem Zeitpunkt Verdächtige. Dafür werden Erkenntnisse aus dem gesamten System benötigt, und das erfordert, Schicht für Schicht sorgfältig durch die Daten zu gehen.

Metrics, Events, Logs und Traces, kurz MELT, wie es in der Branche heißt, sind die richtigen Rohdaten für eine solche Untersuchung, und jede dieser Datenarten beantwortet etwa ein Viertel der Frage. Die Schwierigkeit besteht darin, dass sie sich nicht darüber einig sind, wovon sie eigentlich sprechen.