Wysiłki Datadog na rzecz redukcji kosztów

Kiedy sprawdziliśmy wykorzystanie Datadog w Zaxby, stwierdziliśmy, że istnieje znaczna szansa na obniżenie kosztów bez uszczerbku dla widoczności lub niezawodności operacyjnej. Nasz cel był prosty: zoptymalizować wydatki przy jednoczesnym zachowaniu zaufania do monitorowania i obserwowalności. Po przeanalizowaniu wzorców użytkowania i obszarów o wysokich kosztach, udało nam się zmniejszyć wydatki Datadog o około 50%.

Kluczowe wyniki:

Zmniejszenie ilości indeksowanych dzienników przy jednoczesnym zachowaniu krytycznych dzienników na potrzeby rozwiązywania problemów i zapewnienia zgodności z przepisami.
Zoptymalizowane zasady przechowywania RUM w celu utrzymania wglądu w istotne zachowania użytkowników
Ponownie oceniono monitorowanie bezserwerowe, aby zachować cenne spostrzeżenia przy jednoczesnym wyeliminowaniu niepotrzebnych wywołań.
Osiągnięto ogólną redukcję wydatków na Datadog o 50%.

Dzienniki indeksowane

Największy udział w ogólnych wydatkach miało indeksowanie logów. Podczas przeglądu potoków i indeksów odkryliśmy, że znaczna część dzienników nie dodawała znaczącej wartości. Dzięki doprecyzowaniu, które dzienniki były indeksowane i ulepszeniu tagowania w celu ułatwienia wyszukiwania, byliśmy w stanie zachować dzienniki, które naprawdę miały znaczenie, jednocześnie zmniejszając niepotrzebną objętość.

Kluczowe działania obejmowały:

Audyt bieżących indeksów dzienników i potoków w celu sprawdzenia, co zostało wykluczone (jeśli w ogóle).
Analizowanie dzienników o dużym natężeniu ruchu według usług w celu zrozumienia głównych czynników przyczyniających się do ich powstawania.
Tworzenie i udoskonalanie filtrów wykluczających dzienniki w celu zapewnienia indeksowania tylko istotnych dzienników.
Aktualizacja potoków w celu lepszego tagowania i możliwości wyszukiwania, dołączanie usług i środowisk do określonych dzienników.
Korzystanie z Metric Explorer do śledzenia trendów i dostosowywania filtrów i konfiguracji indeksów w celu zrównoważenia obserwowalności z efektywnością kosztową.

Proces ten wyjaśnił, które zbiory danych były naprawdę wartościowe dla operacji i alertów.

Retencja RUM

Monitorowanie rzeczywistych użytkowników (RUM) dostarczyło cennych spostrzeżeń, zdaliśmy sobie sprawę, że zbieramy i analizujemy każdą sesję. Po przeanalizowaniu zasad przechowywania danych w różnych aplikacjach, dostosowaliśmy ustawienia w oparciu o częstotliwość użytkowania i krytyczność biznesową.

Kroki, które podjęliśmy:

Przegląd wszystkich aplikacji RUM i ich okresów przechowywania.
Dostosowane zasady przechowywania w oparciu o częstotliwość użytkowania i krytyczność monitorowanych doświadczeń.
Zatwierdzone pulpity nawigacyjne i alerty w celu zapewnienia, że podczas optymalizacji nie utracono żadnych kluczowych informacji.

Pulpity nawigacyjne i alerty nadal działały zgodnie z oczekiwaniami, a ilość zajmowanej pamięci masowej została znacznie zmniejszona. Rezultatem było szczuplejsze, bardziej celowe gromadzenie danych RUM, które zapewniało pełny wgląd w zachowanie użytkowników.

Bezserwerowy audyt wywołań

Na koniec dokonaliśmy przeglądu monitorowania bezserwerowego. Kilka funkcji AWS Lambda generowało miliony wywołań tygodniowo, a my rejestrowaliśmy każde wywołanie. Filtrując niekrytyczne wywołania, zachowaliśmy integralność kluczowych wskaźników bez żadnego wpływu na wydajność.

To dostosowanie zapewniło jaśniejszy obraz aktywności Lambda i pokazało, w jaki sposób ukierunkowane zmiany mogą przynieść znaczące redukcje kosztów bez uszczerbku dla obserwowalności.

Wnioski

Dzięki tej inicjatywie optymalizacji kosztów Arbory Digital z powodzeniem zmniejszyło wydatki Datadog dla Zaxby's o 50%, zachowując jednocześnie widoczność i niezawodność operacyjną. Udoskonalając indeksowanie dzienników, dostosowując retencję RUM i przeprowadzając audyt wywołań bezserwerowych, stworzyliśmy zrównoważony system, który równoważy koszty i funkcjonalność.

Chociaż poczyniliśmy znaczne postępy, nadal monitorujemy i udoskonalamy wzorce użytkowania, aby zidentyfikować dodatkowe korzyści i zapewnić, że Zaxby's utrzymuje optymalny model obserwowalności.

Więcej informacji na ten temat można znaleźć w artykule Zaxby's Customer Spotlight - Arbory Digital.