Khép lại khoảng trống quan sát (observability) cho doanh nghiệp thời đại AI

Observability đang trở thành bài toán cấp hội đồng quản trị, khi các doanh nghiệp phụ thuộc hoàn toàn vào hệ thống số để vận hành. Nhưng dữ liệu MELT truyền thống — metrics, events, logs, traces — đang bộc lộ giới hạn trước sự phức tạp của hạ tầng hiện đại.

Khi AI bắt đầu tự vận hành và ra quyết định ở tốc độ máy, nhu cầu về dữ liệu có ngữ cảnh đầy đủ, không lấy mẫu và đáng tin cậy trở nên cấp thiết hơn bao giờ hết. Đây chính là khoảng trống mà nhiều doanh nghiệp đang cố gắng khép lại.

Khi observability trở thành vấn đề sống còn

Doanh nghiệp hiện đại là một doanh nghiệp số. Từ phòng hậu cần đến xưởng sản xuất, các hệ thống kết nối và dịch vụ số tạo thành xương sống vận hành. Khi gián đoạn xảy ra, tác động có thể rất lớn về tài chính, uy tín, năng suất và thậm chí cả tuân thủ pháp lý.

"Với một công ty đại chúng, sự cố an ninh mạng trọng yếu là nghĩa vụ công bố thông tin. Bạn chỉ có bốn ngày làm việc kể từ thời điểm xác định tính trọng yếu," — Jack Callahan, giám đốc chiến lược doanh nghiệp tại NETSCOUT, giải thích.

Vấn đề điều hành đầu tiên khi xảy ra gián đoạn — dù là tấn công mạng, DDoS hay ai đó đẩy bản cập nhật lỗi — luôn giống nhau: xác định xem sự cố có trọng yếu hay không. Khi các nhóm kỹ thuật đùn đẩy trách nhiệm cho nhau, observability trở thành nguồn sự thật duy nhất mà tổ chức cần để tìm nguyên nhân gốc, tăng tốc khắc phục và cải thiện độ tin cậy.

MELT truyền thống không còn đủ

Nền tảng dữ liệu lâu đời dựa trên metrics, events, logs và traces (MELT) không thể tự mình theo kịp độ phức tạp và quy mô của hạ tầng số ngày nay. Các tổ chức mặc định thu thập nhiều dữ liệu hơn, tăng tần suất lấy mẫu, kéo dài thời gian lưu trữ — nhưng không nhận được thông tin chi tiết tốt hơn.

• Metrics cho biết điều gì đó đã thay đổi theo thời gian
• Events nổi lên khi có gì đó thay đổi
• Logs cho nhóm biết có gì đó xảy ra tại một thời điểm cụ thể
• Traces tiến gần nhất, theo dõi một yêu cầu xuyên qua các dịch vụ

Nhưng traces chỉ hiển thị những gì đã được instrument — bỏ mù tại các thành phần chưa instrument, phụ thuộc bên thứ ba và hạ tầng ở giữa. Đó chính xác là nơi mọi thứ thường đổ vỡ.

Nghiên cứu cho thấy 96% tổ chức sử dụng metrics và logs, nhưng 82% báo cáo có khoảng trống về khả năng quan sát, và gần như tất cả (96%) thiếu dữ liệu đủ để xác định nguyên nhân gốc trong sự cố. Họ mất khả năng quan sát tại các điểm giao nhau giữa các hệ thống: giữa on-premises và cloud (58%), tại edge (51%), hoặc trong tương tác service-to-service (39%).

Chi phí của món nợ observability

Một nghiên cứu của NETSCOUT chỉ ra rằng 81% tổ chức tin rằng dữ liệu không đủ làm tăng thời gian xử lý sự cố. Hơn hai phần năm (42%) ước tính thời gian chết tốn từ 500.000 đến 999.000 USD mỗi giờ.

"Các lãnh đạo vốn kỳ vọng có nhiều dữ liệu trước mặt để ra quyết định không phải lúc nào cũng thấy dữ liệu đó kết luận được như họ mong muốn. Vì thế, họ đang tin vào trực giác nhiều hơn mức họ mong đợi, xét trên số tiền họ chi ra," Callahan tiếp tục.

Những chi phí này không bền vững, cả về kinh tế lẫn các mặt khác. Để khai thác sức mạnh của AI tự trị trong vận hành, tổ chức cần một nền tảng dữ liệu mà họ tin tưởng tuyệt đối.

AI làm bài toán thêm gay gắt

Các vấn đề này trở nên nghiêm trọng hơn trong bối cảnh AI. Khi hệ thống bắt đầu vận hành tự trị, ra quyết định và hành động ở tốc độ máy, chúng cần dữ liệu chuẩn pháp y với ngữ cảnh độ trung thực cao để tạo ra kết quả đáng tin cậy. Điều đó có nghĩa là các bản ghi liên tục, không lấy mẫu, bảo toàn tương tác hệ thống xuyên môi trường.

"Một agent sẽ không áp dụng trí tuệ con người để khắc phục sự cố. Nó sẽ ra quyết định dựa trên dữ liệu nó có. Vì vậy nếu bạn đưa cho nó dữ liệu một phần, định kỳ hoặc lấy mẫu, bạn có nguy cơ khuếch đại sự không chắc chắn đó rất nhanh," Callahan nói.

Theo NETSCOUT, chỉ 41% tổ chức mô tả các insight hỗ trợ bởi AI là "rất hoặc cực kỳ nhất quán". Khoảng 38% thừa nhận thiếu dữ liệu chuẩn pháp y để xác thực hành động tự động. 29% nói họ không có khả năng quan sát thời gian thực xuyên môi trường, và 28% không hoàn toàn tin tưởng kết quả tự động hóa.

Cách tiếp cận MELT+

Một cách tiếp cận tốt hơn là xây dựng observability quanh dữ liệu MELT được làm giàu để cung cấp ngữ cảnh mà nhóm IT cần — nhưng không kèm theo phần phình chi phí không bền vững.

Điểm khởi đầu là dữ liệu gói tin (packet data): bản ghi có thẩm quyền về những gì thực sự đã đi qua mạng. Nó cung cấp khả năng quan sát các giao dịch, phụ thuộc và tương tác (cả con người lẫn máy) xuyên hệ sinh thái IT.

Sử dụng kỹ thuật deep packet inspection (DPI), khả năng quan sát này có thể được chưng cất thành metadata, thêm vào MELT để tạo ra cái mà NETSCOUT gọi là "MELT+".

"Hầu hết telemetry mô tả trạng thái của từng thành phần riêng lẻ. NETSCOUT quan sát các tương tác giữa những thành phần đó và tạo ra ý nghĩa từ chúng ngay khi hoạt động diễn ra," — Steve Horneman, quản lý marketing thực địa tại NETSCOUT, giải thích.

Từ observability đến an ninh mạng

Lợi ích của MELT+ mở rộng ra ngoài sự cố ngừng hoạt động và các sự kiện vận hành, sang lĩnh vực an ninh mạng. Cùng một bằng chứng tương tác được quan sát độc lập có thể hỗ trợ đảm bảo vận hành tại vành đai doanh nghiệp, phơi bày hành vi service-to-service và chuyển động ngang tiềm ẩn bên trong, đồng thời cho các hệ thống vận hành, bảo mật và AI một nền tảng bằng chứng chung.

"Một khi kẻ tấn công đã có đặc quyền trên một máy chủ, telemetry mà máy chủ đó tạo ra về chính nó nằm trong tầm với của chúng. Kẻ tấn công tinh vi che giấu chuyển động ngang chính theo cách đó. Điều chúng không thể làm là quay lại và thay đổi các gói tin đã đi qua mạng. Đó là mức độ xác thực cao hơn, và một góc nhìn hoàn chỉnh hơn," Callahan nói.

NETSCOUT tính toán rằng các tổ chức coi dữ liệu lưu lượng mạng là có thẩm quyền gần như có khả năng cao gấp ba lần báo cáo rằng khoảng trống quan sát ít khi xảy ra (50% so với 18%).

Năm tiêu chí đánh giá dữ liệu observability

Bất chấp lợi ích rõ ràng của MELT+, dữ liệu NETSCOUT cho thấy chỉ 11% tổ chức coi dữ liệu mạng toàn vẹn là có thẩm quyền. Với các CIO muốn thay đổi con số này, bước đầu tiên là đánh giá dữ liệu observability hiện tại theo năm tiêu chí chính, theo Sanjay Munshi, COO của NETSCOUT:

• Toàn diện: bao phủ mọi cloud, dịch vụ, ứng dụng, mạng hoặc nhà cung cấp
• Được chọn lọc: với các luồng dữ liệu chuyên biệt được tối ưu cho lưu trữ và chi phí
• Đáng tin cậy: cung cấp chuỗi tương tác có thể xác thực, cho thấy dịch vụ, ứng dụng và người dùng hành xử trong ngữ cảnh
• Nhất quán: xuyên suốt các trường hợp sử dụng
• Thời gian thực liên tục: cung cấp insight vào dữ liệu đang chuyển động

"Nếu bạn đã tối ưu để giảm chi phí MELT, thì những gì bạn đang làm cũng đang giảm ngữ cảnh mà các nhóm ứng dụng và agent của bạn có. Nhưng bạn không còn phải hy sinh cái này để đạt được cái kia nữa," Callahan kết luận.

Ý nghĩa với doanh nghiệp Việt Nam

Với các doanh nghiệp Việt Nam đang đẩy mạnh chuyển đổi số và ứng dụng AI vào vận hành, bài học từ khoảng trống observability này rất đáng lưu tâm. Nhiều tổ chức trong nước đang trong giai đoạn thí điểm AIOps nhưng chưa xây dựng nền tảng dữ liệu đủ tin cậy để AI ra quyết định tự trị.

Việc đánh giá lại chiến lược telemetry — chuyển từ tư duy "thu thập thật nhiều" sang "thu thập có ngữ cảnh và có thẩm quyền" — có thể giúp doanh nghiệp vừa kiểm soát chi phí, vừa tạo nền tảng vững chắc cho các sáng kiến AI và bảo mật trong tương lai gần.