Logs、Traces、Metrics作为IT可观测性数据的三剑客，基本可以满足各类监控、告警、分析、问题排查等需求，然而实际场景中，我们经常会搞混每种数据的适用形态，这里再大致罗列一下这三类数据的特点、转化方式以及适用场景：
• Logs：我们对于Logs是更加宽泛的定义：记录事/物变化的载体，对于常见的访问日志、交易日志、内核日志等文本型以及包括GPS、音视频等泛型数据也包含在其中。日志在调用链场景结构化后其实可以转变为Trace，在进行聚合、降采样操作后会变成Metrics。
• Metrics：是聚合后的数值，相对比较离散，一般有name、labels、time、values组成，Metrics数据量一般很小，相对成本更低，查询的速度比较快。
• Traces：是最标准的调用日志，除了定义了调用的父子关系外（一般通过TraceID、SpanID、ParentSpanID），一般还会定义操作的服务、方法、属性、状态、耗时等详细信息，通过Trace能够代替一部分Logs的功能，通过Trace的聚合也能得到每个服务、方法的Metrics指标。
在编程模型部分，以前部分产品将SQL当做外置的接口增强，而如今的很多产品将SQL当做自身原生的能力，就像是数据库一样，将SQL当做自己的内核，
数据集成将数据同步过来以后，我们需要实时的数据仓库将这些数据更好地应用起来。刚才简单介绍了实时数仓的解决方案，接下来我们向大家详细介绍基于Hologres和Flink的实时数据分析方案。
等级4：故障预测，故障发生总会有损失，所以最好的情况是避免故障的发生，因此故障预测技术可以更好的来保证系统的可靠性，利用之前积累的一些故障先兆信息做到“未卜先知”
比如，密码学被认为是门非常高深的学科，但是一大类密码技术的基础是数论中一个非常简单的理论——素因数分解：给出两个素数，很容易算出它们的积，然而反过来给定两个素数的积，分解的计算量却非常惊人。
工程师据理力争，加班加点1周搞定。最后的结论是工程师非常不给力，不配合。就像工程师讨厌类似需求一样。要协调一个大项目，希望获得别人的配合，也需要尽早沟通。
从业务需求到需求规范，一定要做统一收口，如果没有线上工具化的体系，可以指定一个人，让他做统一收口，收口完成之后要形成公司或者部门内部比较完整的指标字典和维度字典。
相对而言，API 的接口是更加稳定的，而具体的实现是可以迭代实现和持续变化的。定义良好的 API 可以更好保障应用系统的质量。
11、 日志：把日志当作事件流
12-factor 应用本身从不考虑存储自己的输出流。不应该试图去写或者管理日志文件。相反，每一个运行的进程都会直接的标准输出（stdout）事件流。开发环境中，开发人员可以通过这些数据流，实时在终端看到应用的活动。
尽管自动驾驶汽车有很多好处，但仅凭深度学习就无法使自动驾驶汽车成为高级智能的交通工具，因为阻碍自动驾驶汽车走向主流发展的障碍很多。借助深度学习，检测对象的准确性确实会提高，但要付出大量数据的代价。
